Estimativa da produtividade da cultura do trigo via sensoriamento remoto no município de Piraí do Sul, no Estado do Paraná
Célia Maria Paiva1 Rodrigo Yoiti Tsukahara2 Gutemberg Borges França1 1
Universidade Federal do Rio de Janeiro – UFRJ
Rua Athos da Silveira Ramos, 274, Bl. G – CCMN/IGEO – Rio de Janeiro - RJ, Brasil celia@lma.ufrj.br/gutemberg@lma.ufrj.br
2
Fundação ABC para Assistência e Divulgação Técnica Agropecuária Caixa Postal 1003 - 84165-700 - Castro – PR, Brasil
rodrigo@fundacaoabc.org.br
Abstract. Main methodologies for crop estimation use daily average air temperature, solar radiation and soil water content, requiring local Data Collection Platforms (DCP), plus information on the stage development of culture, usually represented by leaf area index (LAI). However, estimation of LAI in the field is not a task easily performed due to the need for samples at different points of the cultivated area, which becomes difficult in large fields. As an alternative, remote sensing has been widely used and it is recognized for being able to provide information about the stage of development of different annual crops through various vegetation indices. Thus, many methods for estimating productivity have incorporated these indices, applying remote sensing in their modeling processes. The advantages offered by these remote sensing methods include broad spatial coverage, low cost and greater operability. Within this context, this paper aims to estimate the productivity of wheat with the help of remote sensing techniques for crop estimation in Piraí do Sul, Paraná State. The methodology was effective to estimate the productivity of wheat in the climatic conditions of Piraí do Sul with a good estimation error of 556.45 kg ha-1 (13.25 %), and might be very promising for crop estimation and production management. Palavras-chave: remote sensing, vegetative productivity, wheat, sensoriamento remoto, produtividade vegetal, trigo.
1. Introdução
A produtividade agrícola depende de um conjunto de fatores que incluem o clima, o solo e o potencial genético das culturas. Dentre estes, o clima é o que irá definir a produtividade final devido a sua variabilidade sazonal e interanual. Nesse sentido, uma vez definido o tipo de solo e de cultivar, os modelos de previsão de safra necessitarão de dados agrometeorológicos para predizerem a evolução do crescimento, desenvolvimento e a produtividade final de uma cultura. As principais metodologias de previsão de safra utilizam dados de temperatura do ar média diária, radiação solar global diária e conteúdo de água no solo (Field et al., 1995; Gallon et al., 2006; Lefsky et al., 2005; Monteith, 1972; Santos e Costa, 2003), necessitando portanto de uma plataforma de coleta de dados (PCD) para a obtê-los, além de informações sobre o estágio de desenvolvimento da cultura, geralmente representado pelo índice de área foliar (IAF). Entretanto, a estimativa do IAF no campo não é uma tarefa de fácil realização devido à necessidade de amostras em diferentes pontos da área cultivada, o que se torna bastante difícil em campos extensos.
O sensoriamento remoto tem sido bastante utilizado e reconhecido por ser capaz de fornecer informações a respeito do estágio de desenvolvimento de diferentes culturas anuais por meio dos diversos índices de vegetação que essa ferramenta disponibiliza (Bastiaanssen e Ali, 2003; Daughtry et al., 1995; Running et al., 2004). Em consequência disso, muitas metodologias de estimativa de produtividade tem incorporado esse tipo de dados nas suas modelagens (Bastiaanssen e Ali, 2003; Gitelson et al., 2008; Hilker et al., 2008; Kalfas et al. 2011; Li et al., 2007; Sims et al., 2008; Turner et al., 2006; Wu et al., 2009; Xiao et al., 2004;
Zhao et al., 2005). Os métodos que empregam o sensoriamento remoto apresentam como grande vantagem a ampla cobertura espacial, baixo custo e maior operacionalidade.
Dentro deste contexto, o presente trabalho tem como objetivo estimar a produtividade da cultura do trigo com o auxílio da técnica de sensoriamento remoto para fins de previsão de safra no município de Piraí do Sul, no Estado do Paraná.
2. Metodologia de trabalho
2.1 Caracterização da área de estudo
A definição do local de experimentação baseou-se no critério de tamanho contínuo da área, tanto em comprimento quanto em largura, de modo que esta área tivesse o tamanho mínimo do pixel da imagem do sensor MODIS. Desta forma, o local escolhido foi a Fazenda Cambara, localizada no município de Piraí do Sul, Estado do Paraná, cuja a área total do talhão foi de 121,03 hectares, com ponto central nas coordenadas geográficas iguais a 24o 25’13,86” S e 50o
05’14,37” O. Segundo Koppen, as condições climáticas desta região se enquadram ao tipo climático Cfb, clima temperado, com temperatura média no mês mais frio abaixo de 18ºC e no mês mais quente abaixo de 22ºC, com precipitação média anual entre 1600 mm e 1800 mm.
O talhão de 121 hectares foi semeado com trigo no dia 03 de junho e colhido no dia 27 de outubro de 2008. Neste local e safra foi praticada a agricultura de sequeiro, ou seja, sem irrigação.
2.2 Dados
Os dados meteorológicos foram coletados através de uma Plataforma de Coleta de Dados (PCD), programada para registro de informações em intervalo de 30 minutos, durante o período de 04 de julho a 07 de outubro de 2008 (do 32º ao 127º após o plantio). Os dados coletados correspondem as seguintes grandezas: intensidade do vento (ms-1), temperatura do ar (oC), umidade relativa do ar (%), radiação solar global (Wm-2), saldo de radiação (Wm-2), fluxo de calor no solo (Wm-2) e precipitação (mm).
As imagens do sensor MODIS (produto MOD13Q-Índice de Vegetação por Diferença Normalizada-IVDN) a bordo do satélite TERRA foram obtidas durante o ciclo da cultura de trigo, desde sua emergência até sua colheita. Esse produto é uma composição de 16 dias da Produtividade Primária Líquida (PPL) em kg ha dia-1.
2.3 Estimativa da Produtividade Primária Líquida via satélite
A produção de biomassa atual ou a PPL pode ser expressa da seguinte forma, segundo Field et al. (1995): (1) (2) (3) (4) (5) (6)
(7)
onde,
PPL: biomassa total diária [kg ha-1 dia-1].
APAR: radiação fotossinteticamente ativa total diária absorvida pela cultura [MJ m-2 dia-1]. : fator que representa a porcentagem da radiação fotossinteticamente ativa absorvida pela cultura que pode ser estimado por sensoriamento remoto através de índices de vegetação. PAR: radiação fotossinteticamente ativa total diária incidente na superfície [MJ m-2 dia-1]. NDVI: Índice de Vegetação por Diferença Normalizada disponibilizado, a cada 16 dias, pela NASA (National Aeronautics and Space Administration) em seu produto MOD13Q1 do satélite Terra (site: ftp://e4ftl01u.ecs.nasa.gov/MOLT/1).
reflectância da superfície no canal infravermelho próximo do sensor MODIS. reflectância da superfície no canal vermelho do sensor MODIS.
Rg: radiação solar global total diária incidente na superfície [MJ m-2 dia-1]. Dados cedidos pela Fundação ABC.
*
: máximo uso eficiente de luz pela cultura, cujo valor é igual a 2,5 g MJ-1 para culturas do tipo C3.
T1 e T2: temperaturas adequadas ao crescimento da cultura [oC].
Tótima: temperatura basal ótima da cultura [oC], que segundo Doorembos e Kassam, (1994) varia 15 e 20oC.
Tmédia_ar: temperatura média do ar [oC]. Dados cedidos pela Fundação ABC.
AFD: água facilmente disponível para a cultura [mm], determinada pelo balanço hídrico diário, podendo variar de 0 a 1. Dados cedidos pela Fundação ABC.
Dessa forma, a produtividade total líquida (PTL) acumulada durante o ciclo vegetativo da cultura pode ser determinada pelo somatório das biomassas estimadas diariamente nesse período, assim:
(8)
onde,
PTL: produtividade da cultura de trigo estimada durante todo seu ciclo de vida [kg ha-1].
3. Resultados e Discussão
As estimativas diárias da PPL durante o ciclo da cultura de trigo foram avaliadas para o pixel da PCD e para toda a área plantada. Os resultados das estimativas diárias da PPL apresentados nas Figuras 1 e 2, consideram a temperatura basal ótima igual a 14,8oC, temperatura que forneceu a maior PTL entre todas as simulações realizadas com essa temperatura variando entre 14,7 e 21-22,1oC (Tabelas 1 e 2).
Esses resultados indicam (Figura 1) que as estimativas diárias variaram ente 0 e 119,20 kg ha dia-1. A produtividade diária máxima ocorreu no dia 17 de agosto de 2008 quando os valores da temperatura do ar média diária, da radiação solar global total diária, da água facilmente disponível e do IVDN foram iguais a 18,63 oC, 12,75 MJ m-2 dia-1, 1 (100% ou solo em boas condições hídricas) e 0,90, respectivamente. Os valores nulos de PPL ocorreram todos nos dias em que não havia água disponível no solo (Figura 1).
As simulações com a temperatura basal ótima variando entre 14,7 e 22,1oC (Tabela 1), indicam que o menor erro de estimativa, -102,11 kg ha-1 (2,43%), ocorreu quando considerou-se a temperatura basal ótima do trigo igual a 22oC (Tabela 1). Pode-se observar que esse erro aumenta para temperaturas abaixo e acima de 22oC. Com o valor de 14,8oC, o erro de
A mesma análise foi realizada para toda a área colhida, considerando-se a PPL média de todos os pixels. Nesse caso (Figura 2), a produtividade diária máxima ocorreu no dia 18 de agosto com valor igual a 66,84 kg ha-1. Nesse dia, os valores da temperatura do ar média diária, da radiação solar global total diária, da água facilmente disponível e do IVDN foram iguais a 20,15oC, 12,79 MJ m-2 dia-1, 1 e 0,55, respectivamente. Novamente, os valores nulos de PPL ocorreram todos nos dias em que não havia água disponível no solo (Figura 2).
As simulações com a temperatura basal ótima variando entre 14,7 e 21oC, indicam que o menor erro de estimativa, -3,19 kg ha-1 (0,08%), ocorreu quando considerou-se a temperatura basal ótima do trigo igual a 20oC (Tabela 2). Pode-se observar que esse erro aumenta para temperaturas abaixo e acima de 20oC. Com o valor de 14,8oC, o erro de estimativa foi igual a 556,45 kg ha-1 (13,25%).
Considerando-se que a temperatura média do período entre o plantio e a colheita foi de 15,33oC e que, segundo informações da Fundação ABC, a safra de inverno de 2008 teve boa produtividade, considera-se que a temperatura basal ótima seja 14,8oC e não 20 ou 22oC. Assim, a melhor estimativa de PTL foi obtida considerando-se a produtividade média de todos os pixels da área cultivada ao invés de considerar o pixel da PCD como representativo de toda a área cultivada.
Tabela 1 – Erro de estimativa da PTL em função da temperatura basal ótima. Temp.Basal ótima (oC) PTL (kg ha-1) Erro (kg ha-1) Erro (%) 14,7 5225,63 1026,63 24,45 14,8 5225,75 1026,75 24,45 14,9 5225,37 1026,37 24,44 15,0 5224,48 1025.48 24,42 16,0 5188,17 989,17 23,56 17,0 5104,34 905,34 21,56 18,0 4976,24 777,24 18,51 19,0 4807,36 608,36 14,49 20,0 4601,50 402,50 9,59 21,0 4363,01 164,01 3,91 22,0 4096,89 -102,11 -2,43 22,1 4068,97 -130,03 -3,10
Figura 2 – PPL média diária em todos os pixels da área cultivada.
Tabela 2 – Erro de estimativa da PTL em função da temperatura basal ótima. Temp.Basal ótima (oC) PTL (kg ha-1) Erro (kg ha-1) Erro (%) 14,7 4755,19 556,19 13,25 14,8 4755,45 556,45 13,25 14,9 4755,25 536,25 13,25 15,0 4754,58 555,58 13,23 16,0 4723,05 524,05 12,48 17,0 4648,40 449,40 10,70 18,0 4533,56 334,56 7,97 19,0 4381,59 182,59 4,35 20,0 4195,81 -3,19 -0,08
4. Conclusões
A metodologia mostrou-se eficiente para a estimativa da produtividade da cultura do trigo nas condições climáticas do município de Piraí do Sul, podendo ser muito promissora para fins de previsão de safra. Vale ressaltar que a melhor estimativa de PTL foi obtida considerando-se a produtividade média de todos os pixels da área cultivada ao invés de considerar o pixel da PCD como representativo de toda a área cultivada.
Agradecimentos
Agradecemos a FAPERJ pelo apoio a este projeto de pesquisa através dos recursos disponibilizados na modalidade APQ1 e bolsa de IC, a Fundação ABC pela parceria e pela concessão dos dados de superfície, a NASA por disponibilizar gratuitamente os produtos do sensor MODIS e a todos que colaboram direta ou indiretamente para este trabalho.
Referências Bibliográficas
Bastiaanssen, W. G. M.; Ali, S. A new crop yield forecasting model based on satellite measurements applied across the Indus Basin, Pakistan. Agriculture, Ecosystems and Environment, v. 94, p.321-340, 2003.
Daughtry C.S.T.; Mcmurtrey III, J. E.; Chappelle, E. W.; Dulaney, W. P.; Irons, J. R.; Satterwhite, M. B. Potential for discriminating crop residues from soil by reflectance and fluorescence. Agronomy Journal, v.87, n.2, p.165-171, 1995.
Doorenbos J., Kassam A.H., 1994. Efeito da água no rendimento das culturas. Campina Grande, UFPB, 306p. Field, C. B.; Randerson, J. T.; Malmstrom, C. M. Global net primary production: combining ecology and remote sensing. Remote Sensing of Environment, v.51, p.74-88, 1995.
Gallon, M. M. P.; Sanches, L.; Paulo, S. R. DE. Fluxo e perfil de dióxido de carbono no dossel uma floresta tropical de transição amazônica. Revista Brasileira de Meteorologia, São José dos Campos, v.21, n.3, p.79-88, 2006.
Gitelson, A. A.; Viña, A.; Masek, J. G.; Verma, S. B.; Suyker, A.E. Synoptic Monitoring of Gross Primary Productivity of Maize Using Landsat Data. IEEE Geosciences and Remote Sensing Letters, v.5, n.2, p.133-137, 2008.
Hilker, T.; coops, N. C.; Wulder, M. A.; Black, T. A.; Guy, R. D. The use of remote sensing in light use efficiency based models of gross primary production: A review of current status and future requirements. Science of the Total Environment, v.404, p.411- 423, 2008.
Kalfas, J. L.; Xiao, X.; Vanegas, D. X.; Verma, S. B.; Suyker, A. E. Modeling gross primary production of irrigated and rain-fed maize using MODIS imagery and CO2 flux tower data. Agricultural and Forest Meteorology, v.151, p.1514-1528, 2011.
Lefsky, M. A.; Turner, D. P.; Guzy, M.; Cohen, W. B. Combining lidar estimates of aboveground biomass and Landsat estimates of stand age for spatially extensive validation of modeled forest productivity. Remote Sensing of Environment, v.95, p.549-558, 2005.
Li, Z., Yu, G., Xiao, X., Li, Y., Zhao, X., Ren, C., Zhang, L., Fu, Y. Modeling gross primary production of alpine ecosystems in the Tibetan Plateau using MODIS images and climate data. Remote Sensing of Environment, v.107, p.510-519, 2007.
Monteith, J. L. Solar radiation and productivity in tropical ecosystems. Journal of Applied Ecology, v.9, p.747-766, 1972.
Running, S. W.; Nemani, R. R.; Heinsch, F. A.; Zhao, M. S.; Reeves, M.; Hashimoto, H. A continuous satellite-derived measure of global terrestrial primary production. Bioscience, v.54, n.6, p. 547–560, 2004.
Santos, S. N. M.; Costa, M. H. Simulações de fluxo de carbono em um ecossistema de floresta tropical. Revista Brasileira de Meteorologia, São José dos Campos, v.18, n.1, p.87-96, 2003.
Sims, D. A.; Rahman, A. F.; Cordova, V. D.; El-Masri, B. Z.; Baldocchi, D. D. et al. A new model of gross primary productivity for North American ecosystems based solely on the enhanced vegetation index and land surface temperature from MODIS. Remote Sensing of Environment, v.112, n.4, p.1633-1646, 2008.
Turner, D. P.; Ritts, W. D.; Zhao, M. S.; Kurc, S. A.; Dunn, A. L.; Wofsy, S. C., et al. Assessing interannual variation in MODIS-based estimates of gross primary production. IEEE Transactions on Geosciences and Remote Sensing, v.44, p.1899-1907, 2006.
Wu, C.; Niu, Z.; Tang, Q.; Huang, W.; Rivard, B.; Feng, J. Remote estimation of gross primary production in wheat using chlorophyll-related vegetation indices. Agricultural and Forest Meteorology, v.149, p.1015–1021, 2009.
Xiao, X. M.; Zhang, Q. Y.; Braswell, B.; Urbanski, S.; Boles, S.; Wofsy, S.; Moore, B.; Ojima, D. Modeling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data. Remote Sensing of Environment, v.91, n.2, p.256-270, 2004.
Zhao, M.; Heinsch, F. A.; Nemani, R. R.; Running, S. W. Improvements of the MODIS terrestrial gross and net primary production global data set. Remote Sensing of Environment, v.95, p.164–176, 2005.
