UNIVERSIDADE FEDERAL DE PELOTAS
Faculdade de Agronomia Eliseu Maciel
Programa de Pós-graduação em Manejo e
Conservação do solo e da Água
Dissertação
MAPEAMENTO DE ÁREAS DE SOJA EM MUNICÍPIOS DA METADE
SUL DO ESTADO DO RIO GRANDE DO SUL A PARTIR DE IMAGENS
DE SATÉLITE
Gabriel da Silva Lemos
Gabriel da Silva Lemos
MAPEAMENTO DE ÁREAS DE SOJA EM MUNICÍPIOS DA METADE SUL DO ESTADO DO RIO GRANDE DO SUL A PARTIR DE IMAGENS DE SATÉLITE
Dissertação apresentada ao Programa de Pós-graduação em Manejo e Conservação do solo e da Água da Universidade Federal de Pelotas, como requisito parcial à obtenção do título de Mestre em Ciências (na área do conhecimento: Manejo e Conservação do Solo e da Água).
Orientador: Prof. Dr. Rodrigo Rizzi
GABRIEL DA SILVA LEMOS
MAPEAMENTO DE ÁREAS DE SOJA EM MUNICÍPIOS DA METADE SUL DO ESTADO DO RIO GRANDE DO SUL A PARTIR DE IMAGENS DE SATÉLITE
Dissertação aprovada, como requisito parcial, para obtenção do grau de Mestre em ciências, Programa de Pós-Graduação em Manejo e Conservação do Solo e da Água, Faculdade de Agronomia Elise Maciel, Universidade Federal de Pelotas.
Aprovada em 19/02/2016
Banca examinadora:
_________________________________________ Professor Dr. Rodrigo Rizzi (Presidente)
Faculdade de Agronomia Eliseu Maciel - UFPel _________________________________________ Professor Dr. Marcelo Peske Hartwig
Instituto Federal Sul-Rio-grandense - IFSul
_________________________________________ Professor Dr. Pablo Miguel
Faculdade de Agronomia Eliseu Maciel - UFPel _________________________________________ Professor Dr. Sérgio Leal Fernandes
AGRADECIMENTOS
Agradeço aos meus pais, Milton Canez Lemos e Sandra da Silva Lemos, pela dedicação e apoio nos momentos mais difíceis.
Aos amigos que conheci ao longo desses dois anos de estudo no PPG MACSA.
Ao corpo docente do PPG MACSA.
Ao professor Dr. Rodrigo Rizzi, pela excelente orientação, conhecimentos transmitidos, paciência e dedicação.
A FAPERGS/CAPES - Fundação de Amparo à Pesquisa do Estado do Rio Grande do Sul/ Coordenação de Aperfeiçoamento de Pessoal de nível Superior, pela bolsa de mestrado.
Resumo
LEMOS, G.S. Mapeamento de áreas de soja em municípios da metade sul do
Estado do Rio Grande do Sul a partir de imagens de satélite. 2016. 82f.
Dissertação (Mestrado)- Faculdade de Agronomia Elise Maciel, Universidade Federal de Pelotas, Pelotas, 2016.
A área de soja tem expandido rapidamente nos últimos anos na metade sul do Rio Grande do Sul (RS), a qual é bastante ocupada por solos hidromórficos e pela cultura do arroz irrigado. Entretanto, o cultivo da soja neste tipo de solo pode implicar impactos importantes sobre a produtividade da cultura. No contexto em que os mapas de área cultivada têm grande importância para fins de planejamento da produção e de estudos ambientais, o objetivo principal deste estudo foi desenvolver uma metodologia objetiva para identificar e mapear as áreas de soja em municípios da metade sul do RS a partir de imagens obtidas por sensores orbitais do padrão Landsat. Para tanto, utilizaram-se oito imagens referentes aos munícipios de Bagé e Hulha Negra durante a safra 2013/14. As áreas de soja foram mapeadas primeiramente por um processo de classificação automática não supervisionada seguido de uma criteriosa interpretação visual multiespectral e multitemporal, visando produzir um dado de referência. Em seguida, as quatro principais imagens foram interpretadas individualmente ou em conjunto, objetivando avaliar seu grau de precisão no mapeamento. Visando compreender o ciclo de desenvolvimento da cultura na região. O comportamento espectro-temporal da soja foi avaliado através do perfil do Enhanced Vegetation Index em imagens MODIS. O mapa de referência de soja também foi avaliado em combinação com mapas de solos, altitude e declividade. O maior acerto no mapeamento (~95%) foi obtido na combinação entre as imagens adquiridas no final de dezembro, em meados de janeiro e no início e no final de março e a imagem que mais contribuiu para o mapeamento da soja foi a adquirida no início de março. A análise das imagens Landsat e MODIS indicou que para o mapeamento de soja em municípios da metade sul do RS é necessário a utilização de pelo menos uma imagem adquirida livre de cobertura de nuvens a cada 40-50 dias, desde dezembro até abril, sendo muito importante uma imagem entre meados de fevereiro e meados de março. Os talhões de soja encontraram-se prioritariamente abaixo de 200 metros de altitude (55,7 e 48%, para Bagé e Hulha Negra, respectivamente). A maioria dos talhões encontrou-se localizado em
declividades acima de 3% (90 e 99,2%, para Bagé e Hulha Negra, respectivamente). As classes de solo NEOSSOLO LITÓLICO, PLANOSSOLO HÁPLICO e LUVISSOLO HÁPLICO contemplaram cerca de 70% dos talhões de soja mapeados em Bagé. Em Hulha Negra, quase 78% dos talhões de soja estiveram sobre os solos VERTISSOLO EBÂNICO, ARGISSOLO VERMELHO e CHERNOSSOLO ARGILÚVICO.
Palavras-chave: Sistemas de Informação Geográfica, multitemporal, Landsat, MODIS.
Abstract
LEMOS, G.S. Soybean crop mapping in municipalities of southern Rio Grande
do Sul State, Brazil, through Satellite images. 2016. 82f. Dissertação (Mestrado) -
Faculdade de Agronomia Elise Maciel, Universidade Federal de Pelotas, Pelotas, 2016.
Soybean cropped area rapidly increased over the last few years in southern Rio Grande do Sul State (RS), Brazil, which is very occupied by hydromorphic soils and irrigated rice. However, the soybean cultivation over those soils can greatly impact crop yield. The context in which cropped area maps are very important for agricultural planning purposes and environmental studies, the main aim of this study was to develop an objective methodology to identify and map soybean fields in municipalities of southern RS by using landsat-like images. Thus, eight images covering the municipalities of Bagé and Hulha Negra during 2013/14 crop year were used. In order to produce a reference map, soybean fields were first mapped by an unsupervised classification followed by a careful multispectral and multi-temporal visual interpretation. The four main images were simultaneous and individually analyzed to evaluate their mapping accuracy. To better understand the soybean crop season over the study area the spectro-temporal profile of MODIS Enhanced Vegetation Index was also assessed. Soybean reference map was also evaluated with soil, altitude and slope maps. Results showed that higher mapping accuracy (~95%) was obtained using images acquired in late December, mid-January, and early and late March and major contribution for soybean mapping was provided by the image acquired on early March. The analysis of Landsat and MODIS images indicated that for the soybean mapping in municipalities of southern RS it is necessary at least one cloud free image acquired every 40-50 days, from December to April and it is very important an image acquired between February and mid-March. The majority of soybean fields was below 200 meters (55.7 and 48% for Bagé and Hulha Negra, respectively) and above 3% slope (90 and 99.2%, for Bagé and Hulha Negra, respectively). In Bagé, NEOSSOLO LITÓLICO, PLANOSSOLO HÁPLICO and LUVISSOLO HÁPLICO comprised about 70% of the soybean fields. In Hulha Negra, almost 78% of soybean fields were on the VERTISSOLO EBÂNICO, ARGISSOLO VERMELHO and CHERNOSSOLO ARGILÚVICO.
Lista de Figuras
Figura 1 - Área de estudo, municípios de Bagé (a) e Hulha Negra (b) - RS. ... 30 Figura 2 - Órbita/ponto 223/82 à esquerda e 222/82 à direita, do WRS 2, sobre a área de estudo. ... 33 Figura 3: Fluxograma do processamento das imagens até a obtenção do mapa temático de referência. ... 37 Figura 4: Fluxograma da produção dos mapas temáticos referentes a cada uma das quatro principais imagens utilizadas no mapeamento. ... 39 Figura 5 - Resposta espectral típica das culturas da soja (a) e do arroz irrigado (c) em pleno desenvolvimento, bem como a água em uma barragem (b), em uma imagem Landsat/OLI, composição colorida RGB564. ... 46 Figura 6 – Característica espectral típica de talhões com arroz irrigado em pleno desenvolvimento na imagem de 27/12/13 à esquerda e 8/03/14 à direita, de água (a) e solo exposto (b), em imagens Landsat/OLI, composição colorida RGB564. ... 47 Figura 7 - Análise multitemporal das imagens adquiridas nas datas de 18/12/13, 19/01/14 e 24/03/14 onde “a” é uma área de soja e “b” uma área de arroz, em imagens Landsat/OLI, composição colorida RGB564. ... 48 Figura 8 - Talhão de soja com desenvolvimento desuniforme (a) e com características espectrais de pleno desenvolvimento (b), em imagens Landsat/OLI, composição colorida RGB564. ... 49 Figura 9 - Sequencia de imagens para a identificação de um talhão de soja semeado precocemente, em imagens Landsat/OLI, composição colorida RGB564. ... 49 Figura 10 - Sequencia de imagens Landsat para a identificação de um talhão de soja com semeadura em ciclo médio, em imagens Landsat/OLI, composição colorida RGB564... 50
Figura 11 - Sequencia de imagens Landsat para a identificação de um talhão de soja com semeadura tardia, em imagens Landsat/OLI, composição colorida RGB564. ... 50 Figura 12 - Sequencia de imagens para a identificação de um talhão de soja dúvida em imagens, Landsat/OLI, composição colorida RGB564. ... 51 Figura 13 - Mapa temático de referência (análise multitemporal) dos municípios de Bagé e Hulha Negra, com as classes Soja e Não-Soja. ... 52 Figura 14 - Mapas temáticos dos mapeamentos individuais nas datas 19/01/14, 08/03/14, 24/03/14 e 09/04/14, para o município de Bagé. ... 53 Figura 15 - Mapas temáticos dos mapeamentos individuais nas datas 19/01/14, 08/03/14, 24/03/14 e 09/04/14, para o município de Hulha Negra. ... 54 Figura 16 - Talhões de Soja dúvida para os municípios de Bagé e Hulha Negra. .... 56 Figura 17 - Perfil temporal médio do EVI do MODIS para as áreas de soja para os municípios de Bagé e Hulha Negra. ... 62 Figura 18 - Perfil temporal médio do EVI do MODIS para as áreas de soja no município de Bagé, identificável em cada data de obtenção das imagens e nas áreas de dúvida. ... 63 Figura 19 - Perfil temporal médio do EVI do MODIS para as áreas de soja no município de Hulha Negra, identificável em cada data de obtenção das imagens e nas áreas de dúvida. ... 63 Figura 20 - Perfil temporal médio do EVI do MODIS para as áreas de soja mais bem identificáveis em cada data de obtenção das imagens para o município de Bagé.... 65 Figura 21 - Perfil temporal médio do EVI do MODIS para as áreas de soja mais bem identificáveis em cada data de obtenção das imagens para o município de Hulha Negra. ... 66 Figura 22 - Mapa temático de altitude para os municípios de Bagé e Hulha Negra. . 67 Figura 23 - Mapa temático contendo os talhões de soja, de acordo com a classe de altitude, para os municípios de Bagé e Hulha Negra na safra 2013/14. ... 68 Figura 24 – a) Mapa temático contendo as classes de declividade; b) Mapa temático contendo os talhões de soja, de acordo com a classe de declividade para a safra 2013/14, para os municípios de Bagé e Hulha Negra. ... 69 Figura 25 - Mapa temático de reconhecimento dos solos dos Municípios de Bagé e Hulha Negra, na escala 1:750.000. ... 71 Figura 26 - Mapa temático contendo os talhões de soja, de acordo com a classe de solo, para os municípios de Bagé e Hulha Negra na safra 2013/14. ... 72
Lista de Tabelas
Tabela 1 - Principais características referentes aos sensores espectrais utilizados no trabalho. ... 26 Tabela 2 - Data de aquisição de imagens para o mapeamento da cultura da soja, a respectiva órbita/ponto e o município. ... 33 Tabela 3 – Análise da precisão do mapeamento através das combinações entre datas de aquisição de imagens Landsat. ... 40 Tabela 4 - Dias Julianos e respectivas datas de aquisição do produto EVI no calendário Gregoriano. ... 42 Tabela 5 - Área parcial, acerto parcial, área de dúvida solucionada, área total e acerto total em função das combinações entre as datas de aquisição de imagens no município de Bagé. ... 57 Tabela 6 - Área parcial, acerto parcial, área de dúvida solucionada, área total e acerto total em função das combinações entre as datas de aquisição de imagens no município de Hulha Negra. ... 58 Tabela 7 - Área de ocupação dos solos nos municípios de Bagé e Hulha Negra. .... 70 Tabela 8 - Área ocupada pelos talhões de soja de acordo com a classe de solo na safra 2013/14. ... 72
Lista de siglas e abreviaturas
CONAB - Companhia Nacional do Abastecimento
CTC - Capacidade de Troca de Cátions
EMBRAPA - Empresa Brasileira de Pesquisa Agropecuária
ETM+ - Enhanced Thematic Mapper Plus
EVI - Enhanced Vegetation Index
GLOVIS - Global Visualization Viewer
IBGE - Instituto Brasileiro de geografia e estatística
INPE - Instituto Nacional de Pesquisas Espaciais
IV - Índice de Vegetação
ITRF WGS 84 - International Terrestrial Reference Frame World Geodetic System
1984
LEGAL - Linguagem Espacial para Geoprocessamento Algébrico
MAPA - Ministério da Agricultura pecuária e Abastecimento
MODIS - MODerate resolution Imaging Spectroradiometer
MNT - Modelo Numérico do Terreno
NASA - National Aeronautics and Space Administration
NDVI - Normalized Difference Vegetation Index
NIR - Near InfraRed
OLI - Operational Land Imager
PDI - Processamento Digital de Imagens
R - Red
RGB - Red, Green e Blue
REM - Radiação Eletromagnética
RS - Rio Grande do Sul
SECEX - Secretaria do Comércio Exterior
SiBCS - Sistema Brasileiro de Classificação de Solos
SIG - Sistema de Informação Geográfica
SPRING - Sistema de Processamento de Informações Georeferenciadas
SRTM - Space Shuttle Radar Topography Mission
SWIR - Short Wave Infrared
USDA - United States Department of Agriculture
USGS - United States Geological Survey
Índice 1 Introdução ... 16 Hipótese ... 18 Objetivo Geral ... 18 Objetivos específicos ... 18 2 Revisão de Literatura ... 19
2.1 Origem da soja e introdução no Brasil ... 19
2.2 Características gerais da soja ... 20
2.3 Calendário agrícola da soja no Rio Grande do Sul ... 21
2.4 Panorama mundial e nacional do mercado da soja ... 21
2.5 Solos da região de estudo ... 23
2.6 Sensoriamento remoto ... 24
2.7 Geoprocessamento... 27
3 Metodologia ... 29
3.1 Área de estudo ... 29
3.2 Área do projeto ... 31
3.3 Aquisição das imagens ... 31
3.4 Processamento das Imagens ... 33
3.6 Avaliação do mapeamento multitemporal da soja... 39
3.7 Comportamento espectro-temporal da soja em imagens MODIS ... 41
3.8 Avaliação da distribuição dos talhões quanto à altitude e declividade ... 43
3.9 Avaliação da distribuição dos talhões quanto à classe de solo ... 44
4 Resultados e Discussão ... 45
4.1 Estimativa de área plantada ... 45
4.1.1 Classificação e interpretação das imagens Landsat ... 45
4.1.2 Estimativa de área cultivada com soja ... 51
4.1.3 Avaliação da estimativa da área de soja em cada data de aquisição de imagens... 52
4.1.4 Avaliação do mapeamento multitemporal da soja ... 56
4.2 Comportamento espectro-temporal da soja em imagens MODIS ... 61
4.3 Avaliação da distribuição dos talhões de soja quanto à altitude e declividade ... 66
4.4 Avaliação da distribuição dos talhões de soja quanto à classe de solo .... 70
Conclusões... 75
1 Introdução
A soja é uma das culturas agrícolas mais importantes para o Brasil. Segundo a Companhia Nacional de Abastecimento (CONAB) (CONAB, 2016a; 2016b), na safra 1990/91 o Brasil possuía uma área de cultivo de aproximadamente 9,74 milhões de ha. Já na safra 2014/15 o país alcançou 32 milhões de ha, com uma produção de 96,2 milhões de toneladas de grãos. Somente no Rio Grande do Sul (RS) a cultura ocupou aproximadamente 5,2 milhões de hectares na safra 2014/15, com uma produção de mais de 14,8 milhões de toneladas. Na safra de 1990/91 a cultura ocupava uma área de 3,26 milhões de ha, com produção de 2,35 milhões de toneladas de grãos, ou seja, é possível notar a grande expansão da soja tanto no Brasil quanto no RS.
Tradicionalmente, a porção norte do RS é a principal produtora do grão. Entretanto, nos últimos anos observou-se importante incremento do seu cultivo em regiões da metade Sul, possivelmente em função do seu preço de comercialização. Pois, analisando o preço histórico da saca de 60 kg de soja no RS, observa-se que em março de 2005 esta era vendida a R$ 30,60, em março de 2008 a R$ 45,08, e no mesmo período em 2014 a soja alcançou R$ 65,69, sendo que o seu maior preço histórico foi em setembro de 2012, chegando a R$ 74,25 (AGROLINK, 2015).
Atualmente o Instituto Brasileiro de Geografia e Estatística (IBGE) é responsável por realizar as estimativas oficiais relacionadas às culturas agrícolas em nível municipal, informando dados anuais de área cultivada, produção e produtividade. O método de levantamento de informações utilizado é o Levantamento Sistemático da Produção Agrícola (LSPA), baseado principalmente em opiniões de agentes envolvidos com o setor agrícola. Porém, as informações obtidas por esse método podem não corresponder à realidade do campo, além de
não serem disponibilizadas informações atualizadas nem o mapa com a distribuição espacial dos cultivos.
A forte expansão da soja no RS torna a demanda por informações a respeito da localização espacial dos talhões, bem como da dimensão da área cultivada uma informação muito importante. Tais informações podem servir de aporte a estudos que analisem ambientalmente a presença da cultura na região, sejam eles de manejo e conservação do solo, recursos hídricos, conservação de áreas de reserva legal e de preservação permanente etc., bem como para logística e comercialização. Neste sentido, a utilização das chamadas geotecnologias, que envolvem imagens de sensoriamento remoto e Sistemas de Informação Geográfica (SIG), podem auxiliar na obtenção dessas informações de forma rápida, precisa e com menor custo quando comparadas às geradas pelas técnicas subjetivas tradicionais. Como exemplo, tem-se o trabalho realizado por Rizzi et al. (2005), que mapearam a soja em 322 municípios do RS por meio da interpretação visual de imagens de sensoriamento remoto e constataram que a estimativa da área de soja mapeada foi 11,3% menor do que a informada pelo IBGE. Além disso, o mapeamento através das imagens fornece a localização espacial dos talhões. Como mencionado por Rudorff et al. (2005), os órgãos oficiais têm interesse em incorporar as tecnologias do sensoriamento remoto e do geoprocessamento em seus procedimentos para gerar previsão e estimativa de safra.
O mapeamento de culturas agrícolas por meio de imagens de sensoriamento remoto está baseado nas características particulares das culturas de interesse e da região em estudo, considerando-se, principalmente, o período de máximo desenvolvimento fenológico, pois é quando as culturas estão bem caracterizadas e, portanto, melhor discriminadas nas imagens (EBERHARDT et al., 2011). Devido à grande expansão da soja em municípios da metade sul do RS, propõe-se uma metodologia que dê subsídio ao mapeamento desse cultivo com base na interpretação visual de imagens multitemporais e multiespectrais de sensores a bordo dos satélites da série Landsat e similares. Já que a metodologia utilizada em outras regiões, como por exemplo, na metade norte do RS, pode não ser eficaz para caracterizar os talhões de soja na região sul, devido às diferentes épocas de semeadura e desenvolvimento da cultura, bem como da presença de outros cultivos que podem ser espectralmente semelhantes.
Hipótese
i) Partindo desses pressupostos, a hipótese central deste trabalho é que a análise multiespectral e multitemporal de imagens padrão Landsat adquiridas por sensores ópticos a bordo de satélites orbitais permite a definição de uma metodologia objetiva para identificar e mapear as áreas cultivadas com soja em municípios da metade sul do RS.
Objetivo Geral
Desenvolver uma metodologia objetiva para identificar e mapear as áreas de soja em municípios da metade sul do RS a partir de imagens obtidas por sensores orbitais do padrão Landsat.
Objetivos específicos
- Produzir um mapa temático que represente a localização espacial das áreas de soja para a safra 2013/14, para os municípios de Bagé e Hulha Negra, a partir da análise conjunta de imagens Landsat adquiridas em várias datas ao longo do ciclo da soja;
- Identificar e mapear as áreas de soja nas imagens Landsat adquiridas em diferentes períodos ao longo da safra, visando estimar percentualmente a área mapeada em cada imagem;
- Gerar o perfil médio do Enhanced Vegetation Index (EVI) das áreas de soja, obtido em imagens do sensor MODIS, visando fazer inferências sobre o ciclo da cultura na região;
- Definir as épocas e o número de imagens adequadas para identificar e mapear as áreas cultivadas com soja na região;
- Caracterizar a área de soja em função da classe de solo, de altitude e de declividade.
2 Revisão de Literatura
2.1 Origem da soja e introdução no Brasil
De acordo com Embrapa (2013), a soja (Glycine max (L) Merrill) que hoje cultivamos é muito diferente dos seus ancestrais, que eram plantas rasteiras que se desenvolviam na costa leste da Ásia, principalmente ao longo do Rio Yangtse, na China. Apesar de conhecida e explorada no Oriente há mais de cinco mil anos, sendo uma das mais antigas plantas cultivadas do Planeta, o ocidente ignorou o seu cultivo até a segunda década do século passado, quando os Estados Unidos (EUA) iniciaram sua exploração comercial, primeiro como forrageira e, posteriormente, como grãos (EMBRAPA, 2013).
A soja chegou ao Brasil via Estados Unidos, em 1882, Gustavo Dutra, então professor da Escola de Agronomia da Bahia, realizou os primeiros estudos de avaliação de cultivares introduzidas daquele país (COSTA, 1996). Em 1900 e 1901, têm-se registros do primeiro plantio de soja no RS, onde a cultura encontrou efetivas condições para se desenvolver e expandir, dadas as semelhanças climáticas do ecossistema de origem dos materiais genéticos (EUA), com as condições climáticas predominantes no RS (COSTA, 1996; EMBRAPA, 2013).
Com o estabelecimento do programa oficial de incentivo à triticultura nacional em meados dos anos 50, a cultura da soja foi igualmente incentivada, por ser tanto do ponto de vista técnico (leguminosa sucedendo gramínea), quanto econômico (melhor aproveitamento das máquinas, implementos, infraestrutura e mão-de-obra), a melhor alternativa de verão para suceder o trigo cultivado no inverno (EMBRAPA, 2013).
O primeiro registro de plantio de soja no Brasil data de 1914, no município de Santa Rosa, RS. Mas foi somente a partir dos anos 40 que ela adquiriu alguma importância econômica, merecendo o primeiro registro estatístico nacional em 1941, no Anuário Agrícola do RS (área cultivada de 640 ha, produção de 450 toneladas e rendimento de 700 kg ha-1). Em 1949, com produção de 25.000 toneladas, o Brasil figurou pela primeira vez como produtor de soja nas estatísticas internacionais (Embrapa, 2013).
2.2 Características gerais da soja
De acordo com Farias et al. (EMBRAPA, 2007) a soja se adapta melhor às regiões onde as temperaturas oscilam entre 20 e 30°C, sendo que a temperatura ideal para seu desenvolvimento está em torno de 30°C. Assim, recomenda-se que a semeadura não ocorra quando a temperatura do solo estiver abaixo dos 20°C, pois a germinação e a emergência da planta ficam comprometidas. Durante o cultivo, temperaturas superiores a 40°C tem efeito adverso na taxa de crescimento, provocam estragos na floração e diminuindo a capacidade de retenção de vagens. Estes problemas se acentuam com a ocorrência de déficits hídricos. Quanto ao fotoperíodo, cada cultivar possui sua exigência, com seu próprio fotoperíodo critico, acima do qual o florescimento é atrasado. A soja antecipa o florescimento quando ocorrem altas temperaturas, o que pode acarretar diminuição na altura da planta. Isto pode ser agravado se simultaneamente ocorrer insuficiência hídrica e/ou fotoperiódica durante a fase de crescimento (EMBRAPA, 2007). Temperaturas baixas ou alta umidade do ar podem provocar atraso na data da colheita, bem como haste verde e retenção foliar. A necessidade de água na cultura da soja vai aumentando com o desenvolvimento da planta, atingindo o máximo durante a floração-enchimento de grãos (7 a 8 mm dia-1) decrescendo após esse período. A necessidade total de água para a obtenção do seu máximo rendimento varia entre 450 e 800 mm, dependendo das condições meteorológicas, do manejo da cultura e da duração do seu ciclo (EMBRAPA, 2007).
2.3 Calendário agrícola da soja no Rio Grande do Sul
Segundo a portaria nº 179 do Ministério da Agricultura Pecuária e Abastecimento-MAPA (MAPA, 2015a), os municípios de Bagé e Hulha Negra encontram-se na macrorregião 1, para o cultivo da soja. Tais municípios têm o período recomendado para a semeadura de cultivares de ciclo precoce e médio entre 21 de outubro e 31 de dezembro, já para as de ciclo tardio o período é entre 11 de outubro e 20 de dezembro, desde que cultivadas abaixo de 400 metros de altitude. Nessa região, as cultivares recomendadas são precoces e médias, evitando as tardias devido a maior probabilidade de eventos meteorológicos adversos na colheita. A semeadura de cultivares precoces deve ser evitada ao final do período recomendado devido a soja ser uma planta de dias curtos, o que decorreria em um encurtamento do período vegetativo e uma baixa produtividade. Segundo CONAB (2016a), o período referente a colheita da soja no RS ocorre de março até maio.
Na metade sul do RS a cultura do arroz compete com a soja por área de cultivo e tempo no calendário agrícola, logo, é importante conhecer a sua época de semeadura. De acordo com a portaria nº 60 do MAPA (2015b), o período recomendado para a semeadura do arroz nos municípios de Bagé e Hulha Negra varia dependendo da cultivar, podendo ser semeada desde 21 de setembro até 20 de dezembro. Embora o frio dificulte a germinação, é recomendado semear a cultura do arroz o mais cedo possível, com o objetivo de evitar insetos pragas e doenças que ocorrem ao final do ciclo. De acordo com CONAB (2016a), para a cultura de arroz a colheita se estende de fevereiro até maio.
2.4 Panorama mundial e nacional do mercado da soja
A China é o maior importador de soja do mundo, com 78,35 milhões de toneladas de grãos na safra 2014/15 (USDA, 2016). Somente do Brasil, a China importou 40,7 milhões de toneladas do complexo soja de janeiro a novembro de 2015 (SECEX, 2015). Segundo a CONAB (CONAB, 2015), nesse mesmo período, o Brasil registrou incremento de embarques do complexo soja para o Irã (269,72%), Vietnã (69,53%), Indonésia (51,63%), Coreia do Sul (41,83%), Tailândia (15,05%) e França (6,96%). Isto totalizou US$ 27,1 bilhões e 68,8 milhões de toneladas
exportadas do complexo soja, em que só de grão foram exportadas 53,6 milhões de toneladas, aproximadamente 8,0 milhões a mais do que todo o ano de 2014 (SECEX, 2015).
De acordo com dados publicados pela CONAB (CONAB, 2016a) o Brasil produziu na safra 2014/15 96,2 milhões de toneladas de soja, com uma área plantada aproximada de 32 milhões de hectares. Este montante corresponde a 48,45% da área plantada total de grãos no Brasil, tornando a soja o principal cultivo de grãos no país, seguido pelo milho (39,03%) e pelo arroz (5,64%). Segundo o
United States Department of Agriculture (USDA, 2016) na mesma safra os Estados
Unidos produziram 106,88 milhões de toneladas do grão, sendo o maior produtor mundial, seguido pelo Brasil e pela Argentina com 61,40 milhões de toneladas.
O estado com maior área plantada de soja no Brasil é o Mato Grosso, com aproximadamente 9 milhões de hectares e com produção de 28 milhões de toneladas. Seguido por Paraná e Rio Grande do Sul, com área aproximada de 5 milhões de hectares em ambos, e com produções aproximadas de 17 e 15 milhões de toneladas, respectivamente (CONAB, 2015).
De acordo com estimativas do MAPA (MAPA, 2015c), para a safra 2024/25 a produção de soja do Brasil deve aumentar cerca de 34% em relação à 2014/15, refletindo um aumento de 30 milhões de toneladas. A área cultivada deve aumentar 9,7 milhões de hectares no mesmo período, chegando a 41,2 milhões de hectares em 2025, o que irá representar um acréscimo de 30,8%.
No Estado do Rio Grande do Sul na comparação entre as safras de 2013/14 e 2014/15 houve um incremento na produção de soja em 2 milhões de toneladas (16%) e na área cultivada de 310 mil hectares (6%) (CONAB, 2015; 2016a). Na safra 2014/15, o estado totalizou uma área de 5,2 milhões de hectares, com uma produção de 14,8 milhões de toneladas. O MAPA (MAPA, 2015c) estima para a safra de 2024/25 no RS uma produção em média de 18,6 milhões de toneladas e área plantada de 6 milhões de hectares, um acréscimo de 27 e 21%, respectivamente, em relação a 2014/15.
2.5 Solos da região de estudo
Para os municípios em estudo, o mapeamento de reconhecimento de solos do RS (Brasil, 1973) apresenta os seguintes solos: Argissolos, Chernossolos, Gleissolos, Neossolos, Planossolos, Vertissolos e Luvissolos. A seguir, serão apresentadas as características desses solos segundo o Sistema Brasileiro de Classificação de Solos (SiBCS) (EMBRAPA, 2013).
Os Argissolos possuem horizonte B textural, ou seja, de origem iluvial e/ou de formação in situ, o que significa que o horizonte B apresenta um grande incremento de argila com relação aos horizontes A ou E. Tais solos caracterizam-se também por apresentarem argila de atividade baixa ou alta conjugada com saturação por bases baixa ou caráter alítico. Podem ser de forte a imperfeitamente drenados e a textura varia de arenosa a argilosa no horizonte A e de média a muito argilosa no B textural.
Os Chernossolos apresentam horizonte A chernozêmico, que se caracteriza por ser espesso e de cor escura, rico em matéria orgânica. Podem possuir horizonte B textural ou incipiente (caracteriza-se por um grau de alteração não muito avançado, com espessura até 50 cm). Esses solos apresentam ainda saturação por bases acima de 65%, predomínio dos íons cálcio e magnésio, argilas do tipo 2:1 e de atividade alta. São solos moderadamente ácidos, com CTC (Capacidade de Troca de Cátions) que pode chegar a 100 cmolc kg-1 (centimol de carga por quilograma) de argila, e variam de bem a imperfeitamente drenados.
Os Gleissolos apresentam horizonte glei caracterizado pela redução de ferro, com cores de croma bastante baixa. Esses solos encontram-se permanente ou periodicamente saturados por água, que permanece estagnada internamente ou ocorre por fluxo lateral. Este tipo de solo caracteriza-se por um ambiente redutor em razão da saturação por longos períodos. Em qualquer circunstancia, a água do solo pode elevar-se por ascensão capilar e atingir a superfície. São solos que ocasionalmente podem ter textura arenosa (areia ou areia franca) somente nos horizontes superficiais, desde que seguidos de horizonte glei de textura franco arenosa ou mais fina. Apresentam, também, teores médios a altos de carbono orgânico.
Os Neossolos são pouco espessos por não apresentarem alterações expressivas em relação ao material originário, devido à baixa intensidade de atuação dos processos pedogenéticos. Seja em razão de características inerentes ao próprio
material de origem (resistência ao intemperismo ou composição químico-mineralógica), seja da influência dos demais fatores de formação (clima, relevo ou tempo). Apresentam, ainda, predomínio de características herdadas do material de origem.
Os Planossolos possuem permeabilidade lenta ou muito lenta, devido ao horizonte B plânico, que é um tipo de B textural. Tipicamente um ou mais horizontes subsuperficiais apresentam-se adensados e podem ter teores elevados de argila dispersa, condição que responde pela restrição à percolação da água, ocasionando sua retenção por algum tempo acima do horizonte B. Esse solo ocorre preferencialmente em terrenos planos ou suave ondulados.
Os Vertissolos apresentam horizonte vértico caracterizado pela expansão e contração, que geram superfícies de fricção. Esses solos apresentam pequena variação textural ao longo do perfil e demonstram pronunciadas mudanças de volume com o aumento do teor de água no solo. Apresentam fendas profundas na época da seca e evidências de movimento de massa do solo sob a forma de superfícies de fricção (slickensides). São solos de consistência muito plástica e muito pegajosa devido à presença comum de argilas expansíveis ou mistura dessas com outros argilominerais. Sua textura é normalmente argilosa ou muito argilosa, mas com conteúdo mínimo de argila de 300 g kg-1 nos horizontes superficiais. Possuem alta CTC e saturação por bases acima de 50%.
Os Luvissolos variam de bem a imperfeitamente drenados, sendo normalmente pouco profundos. Possuem horizonte B textural com argila de atividade e saturação por bases altas, apresentam quantidade variável, mas expressiva de argilominerais 2:1.
2.6 Sensoriamento remoto
Sensoriamento remoto é o registro da informação das regiões do ultravioleta, visível, infravermelho e microondas do espectro eletromagnético, sem contato físico direto, por meio de instrumentos tais como câmeras, escâneres, lasers, dispositivos lineares e/ou matriciais localizados em laboratório, plataformas tais como aeronaves ou satélites, e a análise da informação adquirida por meio visual ou processamento digital de imagens (JENSEN, 2011). De acordo com o mesmo autor, o
sensoriamento remoto é realizado usando um instrumento, frequentemente chamado de sensor, e que na sua maioria registra a radiação eletromagnética (REM). A REM representa um canal de comunicação muito eficiente e em alta velocidade entre o sensor e o fenômeno remoto. Mudanças na quantidade ou propriedade da REM são detectadas pelo sensor e representam uma valiosa fonte de dados para interpretar importantes propriedades dos fenômenos na superfície da Terra.
No entanto, entre os sensores orbitais e suborbitais e os alvos podem ocorrer interferências que dificultam o uso das imagens, causadas principalmente pela atmosfera. Para o estudo em questão, a principal interferência foi a presença de nuvens, esse tipo de interferência é chamado de espalhamento não-seletivo. Este fenômeno ocorre quando há partículas (gotículas de água e os cristais de gelo que formam as nuvens e os nevoeiros) maiores do que 10 vezes o comprimento de onda da REM incidente, sendo chamado de não-seletivo por espalhar igualmente todos os comprimentos de onda (JENSEN, 2011).
A respeito do comportamento da REM e a sua interação com a superfície terrestre, Jackson e Huete (1981) relatam que para a vegetação a maior parte da REM nos comprimentos de onda do infravermelho próximo (do inglês, Near InfraRed - NIR) é transmitida e refletida, com pouca absorção. Em contraste com os comprimentos de onda visíveis, em que a absorção é predominante, com pouca radiação refletida e transmitida. Segundo Ponzoni e Shimabukuro (2009), as folhas verdes e sadias absorvem energia radiante muito eficientemente nas porções do azul e do vermelho, utilizada na fotossíntese. Porém, as plantas refletem ou transmitem essa porção da REM na região do NIR. Isso acontece devido a um mecanismo das plantas para evitar o aquecimento excessivo. A região do infravermelho médio ou de ondas curtas (do inglês, Short Wave Infrared - SWIR) é altamente absorvida pela água da planta, de tal forma que quanto maior a turgidez das folhas, menor a reflectância nessa porção de espectro eletromagnético. Esse tipo de comportamento diferenciado com relação às distintas frações da REM auxilia a identificação dos diferentes alvos da superfície terrestre por sensoriamento remoto. Price (1994) sugere que os dados espectrais podem permitir a identificação da maioria dos alvos, desde que a resolução espacial das imagens seja suficiente para representar um único tipo de superfície para cada espectro. Porém, perfis espectrais de espécies vegetais podem ser muito similares entre si. Ademais, o perfil
espectral de uma espécie pode corresponder a uma mistura de perfis de outras espécies, o que pode dificultar sua identificação.
Atualmente, existem diversos tipos de sensores espectrais acoplados a plataformas orbitais, cada um desses sensores possui suas características particulares, projetadas para cumprir um determinado tipo de aplicação. No presente estudo foram utilizados os sensores Enhanced Thematic Mapper Plus (ETM+) e
Operational Land Imager (OLI) a bordo dos satélites Landsat-7 e -8,
respectivamente, além do sensor MODIS (MODerate resolution Imaging
Spectroradiometer; JUSTICE et al., 1998) a bordo do satélite Terra. As principais
características referentes aos sensores espectrais em questão são apresentadas na tabela 1.
Tabela 1 - Principais características referentes aos sensores espectrais utilizados no trabalho.
Sensor Resolução espacial (m) Resolução temporal (dias) Faixa de imageamento (km) Bandas utilizadas (μm) ETM 30 16 185 3 (0,63 - 0,69) 4 (0,77 - 0,90) 5 (1,55 - 1,75) OLI 30 16 185 4 (0,64 - 0,67) 5 (0,85 - 0,88) 6 (1,57 - 1,65) MODIS 250 1*-2 2.330 1 (0,62 - 0,67) 2 (0,841-0,876)
*Para latitudes acima de aproximadamente 30º.
Os sensores ETM+ e OLI são considerados de média resolução espacial (BELWARD e SKOIEN, 2014), e suas imagens são muito utilizadas na delimitação dos alvos da superfície em escala regional. Como consequência, possuem individualmente baixa resolução temporal, o que afeta a avaliação das mudanças diárias de uso e cobertura da superfície terrestre. Em contrapartida, o sensor MODIS possui uma frequência quase diária de revisita, porém, em função disso, há uma perda na resolução espacial. No entanto, a alta frequência temporal possibilita a geração de produtos que representam melhor a dinâmica de mudança da superfície
em intervalos de tempo constantes (por exemplo, 16 dias). Além de índices que estão melhor relacionados com o meio físico, como o índice de área foliar e outros índices que pretendem representar a vegetação, como o Enhanced Vegetation Index (EVI) (HUETE et al., 1997) e o Normalized Difference Vegetation Index (NDVI) (ROUSE et al. 1974). O produto do MODIS MOD13Q1 fornece, além de algumas bandas espectrais nas porções do visível e infravermelho refletido, imagens referentes ao EVI e ao NDVI, compostos teoricamente pelos pixels de melhor qualidade radiométrica e geométrica obtidos de imagens adquiridas em um período de 16 dias.
2.7 Geoprocessamento
Segundo Câmara e Davis (2001), o termo Geoprocessamento denota a disciplina do conhecimento que utiliza técnicas matemáticas e computacionais para o tratamento da informação geográfica e que vem influenciando de maneira crescente as áreas de cartografia, análise de recursos naturais, transportes, comunicações, energia e planejamento urbano e regional. As ferramentas computacionais para geoprocessamento são chamadas de Sistemas de Informação Geográfica (SIG) e permitem realizar análises complexas, ao integrar dados de diversas fontes e ao criar bancos de dados georreferenciados.
Os SIGs, segundo Câmara e Monteiro (2001), são projetados com objetivo de representar dentro do ambiente virtual os fenômenos ocorridos no ambiente natural, para isso é necessário categorizar os diferentes tipos de informação que representam o mundo real. Dessa forma, dentro do ambiente virtual as informações são incluídas nas categorias: Temática, Cadastral, Rede, Imagem e Modelos Numéricos do Terreno (MNT). Cada uma dessas categorias possui características inerentes dependendo do tipo de informação que representam no mundo real. Logo, esses dados são visto sobre uma forma hierárquica, onde primeiramente são classificados sob o ponto de vista do universo de representação, podendo ser dados vetoriais e matriciais. Acima nessa hierarquia os dados são classificados no conceito de espaço geográfico, como geo-campos ou geo-objetos.
Na representação matricial os dados que compõem a informação são dispostos na forma de linha e coluna formando uma matriz, onde em cada célula
desta há um valor. Na representação vetorial os dados são apresentados como pontos, linhas e polígonos, tendo o objetivo de melhor representar a localização geográfica de uma determinada informação. Avançando na hierarquia de representação de dados temos os geo-campos, que são compostos por dados vetoriais e matriciais. Já os geo-objetos são compostos apenas por dados vetoriais, não possuindo valores associados a uma matriz. No entanto, a informação associada ao vetor é representa por uma tabela de atributos, a qual armazena as diversas informações.
A categoria Temática contem informações de geo-campos, porém sua matriz (ou vetor) não é composta por valores, mas sim por classes temáticas que têm a função de classificar um fenômeno ou alvo de forma qualitativa e não quantitativa (por exemplo: floresta, pastagem ou lavoura). As categorias cadastral e rede armazenam os geo-objetos, ou seja, possuem tabelas onde as informações do objeto em questão são apresentadas, estando este representado por um vetor. A categoria Imagem armazena geo-campos, onde os valores dos pixels da matriz são geralmente utilizados para representar os números digitais de imagens adquiridas por um sensor remoto e que estão relacionados à reflectância dos alvos da superfície terrestre. Por fim, a categoria MNT contém geo-campos, em que cada valor da matriz representa a variação de um fenômeno na superfície terrestre, podendo ser altitude, declividade ou propriedades físicas e químicas do solo.
3 Metodologia
3.1 Área de estudo
O estudo foi realizado em dois municípios, Bagé e Hulha Negra, localizados na metade sul do Rio Grande do Sul, na região da Campanha Gaúcha (Figura 1). Estes municípios foram escolhidos por representarem uma região de grande expansão na área cultivada com soja nos últimos anos, de acordo com dados do IBGE (IBGE, 2014). Tal região é tipicamente produtora de arroz irrigado e pecuária extensiva de corte, o que contrasta com o cultivo da soja, principalmente em função dos solos hidromórficos, que se caracterizam por apresentarem um horizonte B impermeável. Isso facilita o manejo da irrigação do arroz inundado, mas, no caso da soja, pode causar estresse à cultura devido a longos períodos de saturação do solo.
Figura 1 - Área de estudo, municípios de Bagé (a) e Hulha Negra (b) - RS.
Bagé possui área territorial de 4.095,5 km², cultivando arroz (Oryza sativa L.) em uma área de 10.000 ha, com produção de 75.000 toneladas; na pecuária, o rebanho de corte do município é de 283.474 cabeças; para soja (Glycine max (L) Merrill), a área cultivada é de 20.000 ha e produção de 42.000 toneladas. Já o município de Hulha Negra, possui território de 822,9 Km2, com área cultivada de arroz de 1.100 ha e produção de 7.975 toneladas, possuindo um rebanho de corte de 42.410 cabeças; para a soja, a área de cultivo do município é de 8.300 ha e produção de 18.924 toneladas (IBGE, 2014).
Nos últimos anos o preço de venda da soja se tornou muito atrativo, fazendo com que o produtor opte por seu cultivo em alternativa ao arroz irrigado e a pecuária extensiva em campo nativo. Embora exista uma modificação abrupta e aparentemente descontrolada das áreas de expansão da soja, se houver planejamento com relação às áreas mais propicias ao seu cultivo, pode-se utilizar essa cultura como uma alternativa viável à rotação com o arroz. Pois, devido à baixa eficiência da pecuária extensiva que tradicionalmente substitui o arroz (EMBRAPA, 2002), a soja, por se tratar de uma Fabaceae, pode rotacionar com o arroz, além de utilizar a infraestrutura de irrigação já existente em anos de déficit hídrico (EMBRAPA, 2008).
3.2 Área do projeto
Como base cartográfica para a representação da área de estudo foi utilizado o mapa de municípios do RS, adquirido do banco de dados Atlas 2008, fornecido pelo Instituto Nacional de Pesquisas Espaciais (INPE) no site da instituição. Este mapa compõe o banco de dados do projeto e já é fornecido no formato de arquivo necessário à importação para o SIG, além de já estar georreferenciado, o que facilita a sua utilização. Pois não é necessário o procedimento de registro do mapa, sendo este inserido na categoria cadastral. A base cartográfica teve importância na delimitação dos municípios de estudo e foi utilizada sobreposta às imagens de satélite, que também foram adquiridas já georreferenciadas.
As coordenadas geodésicas que delimitaram a área do projeto foram: Longitudes 54° 43´ 39´´ O e 53° 25´ 16´´ O e Latitudes 30° 49´ 38´´ S e 31° 48´ 32´´ S. A projeção cartográfica utilizada foi a Policônica, por ser a mais indicada para o mapeamento temático em escalas municipais (D’Alge, 2001). Como modelo da Terra (Datum) foi escolhido o ITRF WGS 84 (International Terrestrial Reference Frame
World Geodetic System 1984).
3.3 Aquisição das imagens
Para a obtenção de imagens de sensoriamento remoto foram utilizados os sensores espectrais ETM+ a bordo do satélite Landsat-7 e o sensor OLI a bordo do satélite Landsat-8, que possuem separadamente uma resolução temporal de 16 dias. Porém, de acordo com Chen (1990), a cobertura por nuvens é um dos principais problemas no uso do sensoriamento remoto para o monitoramento da superfície terrestre, e que poderia ser minimizado através da utilização de dados de multissensores ou de multiplataformas. Assim, a utilização conjunta dos sensores ETM+ e OLI, permite uma frequência de aquisição de imagens de 8 dias, pois suas órbitas estão defasadas em 8 dias uma da outra, aumentando a probabilidade de aquisição de imagens com ausência de nuvens. No entanto, no ano de 2003 uma falha no Scan-Line Corrector (SLC) do ETM+ resultou em lacunas em forma de cunha nas margens esquerda e direita de cada imagem, causando uma perda de aproximadamente 25% da imagem (WILLIAMS et al., 2006), o que
consequentemente limita o uso destas apenas como auxiliares para interpretação visual. Dessa forma, as imagens Landsat-8 foram principalmente utilizadas para a identificação das lavouras de soja, sendo as do Landsat-7 utilizadas em uma única situação, devido à presença de nuvens nas imagens do Landsat-8 referente à órbita 222/82, no município de Bagé.
As imagens foram adquiridas para a safra de 2013/14 durante o período de cultivo da soja, que na metade sul do RS se estende de novembro até abril. O inicio do desenvolvimento vegetativo da cultura encontra-se na primeira quinzena de janeiro, tendo seu pico de desenvolvimento entre fevereiro e março, com alguns talhões tardios senescendo em abril. Eberhardt et al. (2011) comentam que o mapeamento de culturas agrícolas por meio de imagens de sensoriamento remoto está baseado nas características particulares das culturas de interesse e da região em estudo, considerando-se, principalmente, o período de máximo desenvolvimento fenológico, pois é quando as culturas estão bem caracterizadas e, portanto, melhor discriminadas nas imagens. Dessa forma, procuraram-se imagens que apresentassem as seguintes situações: pré-semeadura, pleno desenvolvimento do dossel e pós-colheita, sendo possível o acompanhamento completo do ciclo da cultura. Porém, devido à presença de nuvens que impossibilitam a visualização dos alvos em alguns momentos, foram adquiridas imagens apenas nas datas apresentadas na Tabela 2, destacando-se uma lacuna para o mês de fevereiro de 2014.
Os municípios de Bagé e Hulha Negra encontram-se sob as órbitas/ponto 222/82 e 223/82 do Worldwide Reference System-2 (Figura 2). As imagens do Landsat foram adquiridas no site da instituição United States Geological Survey em
glovis.usgs.gov. Das 8 imagens, 5 foram utilizadas para a análise do município de
Hulha Negra e 8 para o município de Bagé, sendo que, 5 pertencem à órbita/ponto 223/82 e 3 a 222/82. Embora exista uma baixa disponibilidade de imagens, a sobreposição entre as órbitas proporciona que ambas sejam utilizadas para os dois municípios. No entanto, a órbita 223/82 foi principalmente utilizada por apresentar as quatro principais imagens para a interpretação visual. Na tabela 2 constam as datas utilizadas no mapeamento de cada município e a respectiva órbita/ponto. Todas as imagens adquiridas e utilizadas na identificação das lavouras de soja pertencem ao Landsat-8, com exceção da data 09/03/14, que pertence ao Landsat-7.
Figura 2 - Órbita/ponto 223/82 à esquerda e 222/82 à direita, do WRS 2, sobre a área de estudo.
Tabela 2 - Data de aquisição de imagens para o mapeamento da cultura da soja, a respectiva
órbita/ponto e o município.
Municípios Órbita/Ponto Datas de aquisição das imagens
Hulha Negra 222/82 27/12/13
223/82 19/01/14; 08/03/14; 24/03/14; 09/04/14
Bagé 222/82 27/12/13; 28/01/14; 09/03/14*
223/82 18/12/13; 19/01/14; 08/03/14; 24/03/14; 09/04/14
*Imagem ETM+, as demais foram adquiridas pelo sensor OLI.
3.4 Processamento das Imagens
O processamento de imagens Landsat, assim como as demais operações que serão posteriormente mencionadas, foram realizadas através do programa SPRING (Sistema de Processamento de Informações Georeferenciadas; CÂMARA et al., 1996), na versão 5.2.7, disponibilizado gratuitamente pelo INPE no site
www.dpi.inpe.br/spring/. O SPRING possui ferramentas para o Processamento
Digital de Imagens (PDI) além de ser um SIG. Isto permite a utilização de apenas um programa para a execução de várias tarefas. Outro beneficio é a presença de uma linguagem própria (Linguagem Espacial para Geoprocessamento Algébrico -
LEGAL), que possibilita operações algébricas e em lotes entre os mapas, sendo essa uma ferramenta muito importante ao cruzamento de informações.
Com o objetivo de identificar talhões cultivados com soja e diferencia-los dos demais alvos da superfície terrestre, optou-se por uma análise multiespectral, em que as bandas do espectro eletromagnético utilizadas na interpretação de imagens pertencem às faixas espectrais do vermelho (do inglês, Red- R), NIR e SWIR, sendo que no sensor ETM+ essas faixas espectrais pertencem respectivamente às bandas 3, 4 e 5, ao passo que para o sensor OLI elas são respectivas às bandas 4, 5 e 6 (ROY et al., 2014).
Uma análise multiespectral é importante, pois os diferentes alvos da superfície terrestre (solo exposto, vegetação verde ou seca, áreas urbanas e corpos d’água) comportam-se de forma diferenciada nas diferentes faixas do espectro eletromagnético. Por exemplo, a vegetação verde tem resposta espectral característica nos comprimentos de onda do infravermelho refletido, sendo assim, são utilizadas duas bandas centradas nesta faixa do espectro eletromagnético, uma no NIR e outra no SWIR, para facilitar a diferenciação entre os diversos tipos de cobertura vegetal. Outra característica importante e que auxilia na diferenciação dos alvos é que a água pura absorve a REM em todos os comprimentos de onda (com uma pequena reflectância na porção do visível), havendo pouca resposta ao sensor, permitindo a identificação de áreas inundadas, típicas do arroz irrigado. Essa característica apresenta grande utilidade na diferenciação de talhões quando a soja e o arroz irrigado apresentam semelhança espectral, como mencionado no trabalho de D’Arco et al., (2006). Tais autores mapearam áreas de arroz na metade sul do RS utilizando datas precoces com o objetivo de identificar talhões inundados. Os autores comentam que em datas posteriores os talhões de arroz apresentavam confusão espectral com outros alvos.
Para gerar uma composição colorida falsa cor, as bandas espectrais centradas no R, NIR e SWIR foram associadas respectivamente as cores azul, vermelho e verde ou do inglês Red, Green e Blue (RGB) e que no sensor ETM+ corresponde a uma composição RGB453 e no OLI a RGB564. Essa mesma composição é utilizada por diversos autores (RIZZI e RUDORFF, 2005; BERNARDES et al., 2007; LAMPARELLI et al., 2008), pois proporciona uma boa diferenciação entre os alvos da cena e principalmente destaca os talhões de soja. Outro procedimento importante é o realce por contraste aplicado sobre cada banda,
em que o objetivo é concentrar a distribuição das cores nos números digitais dos pixels de maior frequência na imagem, dando assim, maior destaque aos alvos de interesse.
Em ambos os municípios estudados, as imagens adquiridas em 08 de março de 2014 apresentaram uma boa visibilidade decorrente da ausência de nuvens além da grande quantidade de talhões de soja em estádio vegetativo e/ou reprodutivo típico para uma boa identificação. Nestas condições a soja é bem caracterizada nas imagens e também se destaca dos demais alvos da cena, em função da sua típica resposta espectral, desde que as plantas estejam em pleno desenvolvimento (RIZZI; RUDORFF, 2005). Isto determinou que essa data fosse escolhida como principal para a produção de um mapa temático. Tal imagem foi então submetida a um processo de classificação digital não supervisionada, quando primeiramente realizou-se um procedimento de segmentação por crescimento de regiões, com parâmetros de 15 números digitais de similaridade e área de 30 pixels, ou seja, o programa analisa a imagem e procura pixels que se diferenciem no máximo em 15 números digitais, agrupando regiões de no mínimo 30 pixels, que corresponde a 2,7 ha nestas imagens. Segundo Berka e Rudorff (2003), limiares próximos a 10 ha acabam não englobando regiões menores aumentando a quantidade de pós-classificação. Posteriormente, utilizou-se o algoritmo classificador ISOSEG para agrupar as regiões criadas em classes temáticas aleatórias. Bernardes et al. (2007) citam que o ISOSEG é considerado como classificador por região, pois utiliza, além de informação espectral de cada pixel, a informação espacial que envolve a relação entre os pixels e seus vizinhos. Porém, relatam ter encontrado um coeficiente de exatidão Tau de 0,47, ou seja, um baixo índice de acerto entre a classificação automática e seu mapa de referência, tendo sido causado por uma similaridade entre os valores dos pixels dos diferentes alvos. Os resultados demonstram a necessidade de uma pós-classificação por interpretação visual.
O classificador automático geralmente cria mais classes temáticas do que as desejáveis, dessa forma, mesmo que se possa generalizar os alvos em Soja, Arroz, Campo nativo, floresta plantada, Mata nativa, Água e solo exposto, o classificador automático gerou aproximadamente 30 classes diferentes para cada município. Em decorrência disso, iniciou-se uma análise visual, com a finalidade de identificar quais das classes criadas realmente são representativas da soja, sendo essas
reclassificadas para a classe “Soja” e as demais classes para a “Não-Soja”, resultando em um mapa temático com apenas essas duas classes.
Em função de algumas similaridades espectrais, este procedimento é propenso a dois tipos de erros, sendo eles: o erro de inclusão, em que os alvos de
Não-Soja são incluídos na classe Soja e o erro de omissão, que exclui as áreas de
soja da classe Soja. Dessa forma, torna-se necessário um processo de correção a partir da interpretação visual das imagens, em que é fundamental o conhecimento do fotointérprete para alterar manualmente os alvos erroneamente corrigidos para a classe temática correta.
No entanto, um mapa temático que leva em consideração apenas uma imagem adquirida em uma data do mês de março não representa a totalidade das áreas cultivadas com soja nos municípios em estudo. Isso se deve à dinâmica temporal dos cultivos agrícolas, que depende das diferentes épocas de semeadura e dos diferentes ciclos das cultivares. Nesse caso, tornou-se necessário uma análise conjunta de imagens adquiridas em várias datas ao longo do ciclo de cultivo, podendo-se, dessa forma, realizarem-se inferências sobre o ciclo de crescimento e desenvolvimento da soja ao longo da safra. Esse tipo de análise é chamado de multitemporal, em que o objetivo é classificar corretamente tanto os talhões cultivados precocemente quanto os tardios, os quais podem não estar “visíveis” espectralmente por ocasião da aquisição da imagem principal.
Para uma análise multitemporal as imagens adquiridas ao longo da safra foram visualmente analisadas em conjunto com o mapa temático citado anteriormente. Dessa forma, acrescentou-se áreas da classe Soja pelo processo de interpretação visual, tanto aquelas mais precoces quanto as mais tardias e que não estavam visíveis na imagem adquirida em 08/03/14. Além disso, tal análise foi utilizada para identificar áreas de soja com resposta espectral que se assemelha a de outros alvos em determinada data, o que para muitos talhões não é possível com a interpretação visual de apenas uma data. Outro fator importante comentado por D’Arco et al. (2006) é que a experiência do intérprete e o seu conhecimento sobre a região de estudo são fundamentais para a correta identificação das áreas de interesse nas imagens.
Após a obtenção de um mapa temático com as classes Soja e Não-Soja para cada um dos dois municípios em estudo, estes foram tratados como referência, ou seja, considerou-se que estes representassem 100% das áreas de soja cultivadas
na safra 2013/14, posteriormente sendo utilizado como referência para todo o estudo subsequente. A Figura 3 apresenta um fluxograma que demonstra de forma resumida o processamento das imagens e produção do mapa temático de referência.
Figura 3: Fluxograma do processamento das imagens até a obtenção do mapa temático de
referência.
3.5 Avaliação da estimativa em cada data de aquisição de imagens
O pleno desenvolvimento da soja, momento considerado como o ideal à sua identificação por imagens de satélite, se distribui ao longo da safra para diferentes talhões, principalmente por dois fatores. O primeiro se refere a diferentes épocas de semeadura, que podem ser decorrentes de eventos meteorológicos que atrasam o preparo do solo e é muito comum na região sul do RS, em função da baixa drenagem dos solos. O segundo é função dos diferentes ciclos das cultivares, o que determina um desenvolvimento diferenciado ao longo do período de cultivo. Essa dinâmica, aliada a escassez de imagens livres de nuvens, dificulta o mapeamento de culturas com exatidão, pois, por exemplo, se apenas estiver disponível uma imagem adquirida em janeiro, as áreas de soja mais tardias ainda não estarão identificáveis espectralmente, obtendo-se, dessa forma, um mapa que não representa a realidade no campo. Da mesma forma, uma imagem adquirida no final da safra (abril) não apresentará as áreas mais precoces com seu comportamento espectral típico, pois estas já terão sido colhidas ou estarão senescentes. Tais fatos podem também ocorrer por ocasião da análise de uma imagem adquirida no meio da safra (entre
meados de fevereiro e março na região em estudo), em que, embora seja possível identificar a maioria dos talhões de soja, haverá uma perda de informação tanto dos talhões mais precoces quanto dos mais tardios.
Outra questão muito importante é a presença de talhões cultivados com soja, que em decorrência de estresses hídricos, doenças, pragas ou falhas na emergência apresentam características espectrais não típicas da soja e que dificultam a sua identificação com apenas uma imagem. Essas áreas foram chamadas de Soja-
Dúvida, que são aquelas muito difíceis de serem identificadas com apenas uma
imagem, mas que em uma análise multitemporal foram classificadas como Soja e que compõem o mapa de referência. Também fazem parte dessa classe áreas de soja com comportamento espectral muito parecido com as de arroz e que não podem ter a dúvida resolvida caso não houver imagens adicionais disponíveis.
Então, objetivando avaliar a contribuição individual de cada imagem ao correto mapeamento da soja, ou seja, o quanto se consegue mapear em comparação ao mapa de referência em uma situação em que apenas uma imagem estaria disponível para a safra em questão, produziu-se um mapa temático individual para cada uma das quatro datas ao longo da safra. Essa análise foi realizada para cada município, nas imagens consideradas como principais no mapeamento de referência, sendo elas, 19/01/14; 08/03/14; 24/03/14 e 09/04/14. As imagens de dezembro não foram avaliadas, dada a impossibilidade de visualizar as áreas de soja.
Para essa análise, cada uma das quatro imagens passou por uma nova interpretação visual, sendo avaliadas individualmente e não mais de forma multitemporal. Assim, o mapa de referência foi editado objetivando reclassificar os talhões que não se enquadravam nas características espectrais típicas para a identificação da soja na referida data, editando-os para a classe Não-Soja. Então, produziram-se quatro mapas temáticos, um para cada uma das datas principais ao mapeamento e que contém somente os talhões passíveis de identificação na imagem adquirida na respectiva data. A Figura 4 apresenta um fluxograma que resume o procedimento descrito acima.
Figura 4: Fluxograma da produção dos mapas temáticos referentes a cada uma das quatro principais
imagens utilizadas no mapeamento.
3.6 Avaliação do mapeamento multitemporal da soja
A partir dos quatro mapas temáticos para cada município e que representam a capacidade do correto mapeamento em cada data de aquisição em uma análise individual das imagens, buscou-se avaliar a existência dos talhões de soja que são visualizados em mais de uma data, uma vez que o pleno desenvolvimento do dossel, quando a soja é identificável, se estende por mais de um mês.
Para esta análise as classes temáticas foram convertidas em numéricas na categoria MNT. Para isso, foi atribuída à classe Não-Soja o valor zero (0) e à classe
Soja um valor diferente para cada uma das quatro datas, sendo: 1 para a data de
19/01/14; 10 para a data 08/03/14; 100 para a data 24/03/14 e 1000 para a data de 19/04/14.
Esses quatro novos planos de informação compõem os dados básicos utilizados para a álgebra numérica realizada através da linguagem LEGAL para as intersecções dos talhões de soja presentes em cada data. Essas intersecções são então representadas por uma soma entre os valores dos talhões nos diferentes mapas MNT. Assim, um talhão de soja presente nas datas 19/01/14 (valor 1) e 08/03/14 (valor 10), terá uma soma 11 e se estiver presente em 08/03/14 (Valor 10) e 24/03/14 (valor 100) esse talhão terá uma soma 110 no MNT. Destaca-se que a metodologia utilizada até então neste item foi baseada naquela descrita por Santos (1999). As combinações entre datas utilizadas na análise são apresentadas na tabela 3. Logo, sabendo das possíveis combinações entre datas e dos talhões que
as compõem, foi possível inferir também sobre a quantidade de soja corretamente mapeada se estivessem disponíveis apenas duas, três ou quatro datas para o mapeamento.
Com relação às combinações entre quatro datas, partiu-se do pressuposto de que o mapeamento de referência foi realizado usando-se as quatro principais imagens auxiliadas por imagens de dezembro, totalizando cinco imagens. Logo, para essa etapa da análise, foram realizadas combinações entre quatro destas imagens. Dessa forma, excluiu-se uma imagem por vez da análise multitemporal.
Tabela 3 – Análise da precisão do mapeamento através das combinações entre datas de aquisição
de imagens Landsat. Combinações entre 2 datas 19/01 e 08/03 08/03 e 24/03 24/03 e 09/04 19/01 e 24/03 19/01 e 09/04 08/03 e 09/04 Combinações entre 3 datas 19/01, 08/03 e 24/03 27/12, 19/01 e 08/03 *08/03, 24/03 e 09/04 --- --- --- Combinações entre 4 datas 27/12, 19/01, 08/03 e 24/03 27/12, 19/01, 08/03 e 09/04 27/12, 19/01, 24/03 e 09/04 19/01, 08/03, 24/03 e 09/04 --- --- *Quando a imagem de 19/01/14 é excluída da análise, a imagem de 27/12/13 também não é levada em consideração, pois esta apenas contribui com áreas de dúvidas solucionadas quando combinada a de janeiro.
É importante lembrar que as datas analisadas individualmente não contabilizam áreas consideradas dúvidas. Assim, já que uma análise conjunta entre duas ou mais imagens pode permitir a remoção de algumas dessas áreas, tornou-se necessária uma análise adicional que objetivou quantificar as dúvidas removidas em cada uma das seguintes combinações: 19/01 e 08/03, 19/01 e 09/03, 08/03 e 24/03, 08/03 e 09/04, 24/03 e 09/04, 19/01, 08/03 e 24/03. Para essa análise produziu-se um mapa temático representativo de todas as dúvidas não quantificadas nas análises individuais. Para tal, foi utilizado uma expressão booleana através da linguagem LEGAL entre os quatro mapas temáticos das análises individuais e o mapa de referência. Esse novo mapa temático representativo das áreas de dúvidas foi utilizado como máscara sobre as quatro imagens analisadas, deixando apenas visível os talhões dúvidas, cobrindo todo o resto com a classe Não-Soja.
Com o objetivo de compreender o quanto de dúvidas foi possível remover entre as combinações sugeridas, criaram-se mais sete classes temáticas, onde seis
