RENATA RIBEIRO DO VALLE GONÇALVES
DESENVOLVIMENTO DE MODELOS NUMÉRICOS BASEADOS EM SÉRIES TEMPORAIS DE DADOS AGROCLIMÁTICOS E ESPECTRAIS APLICADOS AO
PLANEJAMENTO REGIONAL DE PRODUÇÃO DE CANA-DE-AÇÚCAR
CAMPINAS 2014
UNIVERSIDADE ESTADUAL DE CAMPINAS Faculdade de Engenharia Agrícola
RENATA RIBEIRO DO VALLE GONÇALVES
“DESENVOLVIMENTO DE MODELOS NUMÉRICOS BASEADOS EM SÉRIES TEMPORAIS DE DADOS AGROCLIMÁTICOS E ESPECTRAIS APLICADOS AO
PLANEJAMENTO REGIONAL DE PRODUÇÃO DE CANA-DE-AÇÚCAR”
Orientador: Prof. Dr. JURANDIR ZULLO JUNIOR
Co-Orientador: Dra. LUCIANA ALVIM SANTOS ROMANI
C
CAMPINAS 2014
Tese apresentada à Faculdade de Engenharia Agrícola da Universidade Estadual de Campinas como parte dos requisitos exigidos para a obtenção do título de Doutora em Engenharia Agrícola, na área de Concentração de Planejamento e Desenvolvimento Rural Sustentável.
ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL DA TESE DEFENDIDA PELA ALUNA RENATA RIBEIRO DO VALLE GONÇALVES E ORIENTADA PELO PROF. DR. JURANDIR ZULLO JUNIOR
RESUMO
A produção de cana-de-açúcar no Brasil possui função cada vez mais estratégica na economia do país devido ao interesse da substituição de combustíveis fósseis por fontes de energia renováveis, como o etanol, com o propósito de diminuir as emissões de gases de efeito estufa (GEEs). Nesse sentido, é importante a proposição de soluções inovadoras e tecnologicamente viáveis para auxiliar a geração de modelos mais eficientes, objetivos, precisos, antecipados e adequados ao monitoramento e previsão das safras nacionais. Esse trabalho teve o objetivo principal de desenvolver modelos numéricos que avaliam a tendência da produção de cana-de-açúcar em escala regional utilizando dados agroclimáticos e espectrais de baixa resolução espacial. Áreas produtoras de cana-de-açúcar foram selecionadas e dados de produção, área e produtividade referentes ao período de 2001 a 2010 foram utilizados. As imagens do satélite AVHRR/NOAA foram processadas e corrigidas automaticamente permitindo a obtenção de perfis temporais mensais do índice de vegetação NDVI, temperatura de superfície e albedo. As condições agroclimáticas, ao longo do período de análise, foram descritas pelo índice agroclimático ISNA. As séries de dados foram avaliadas por meio de técnicas de análise de séries temporais multivariadas utilizando os métodos de agrupamentos K-Means, K-Medoids e Clarans. Com estes métodos de agrupamentos, foi possível identificar e mapear áreas de plantio de cana-de-açúcar e sua expansão. Modelos de previsão de produção da cultura foram gerados pelo método de regressão linear múltipla utilizando dados de área plantada e dos índices NDVI e ISNA. A partir dos modelos gerados, foi possível avaliar o comportamento da variação da produção para o modelo regional de mudanças climáticas ETA/CPTEC em um cenário de alta emissão de gases de efeito estufa para o ano de 2020. Ao utilizar satélites de baixa resolução espacial, é mais difícil evidenciar a diferença entre tipos de plantios de cana-de-açúcar, mas neste trabalho, realizado com a técnica de agrupamento de dados, mesmo ocorrendo mistura espectral, foi possível acompanhar a evolução da cultura ao longo das safras identificando regiões com padrões semelhantes. Desta maneira, a análise de agrupamentos pode melhorar a compreensão do desenvolvimento da cana-de-açúcar e sua expansão para outras regiões do país. Os modelos gerados para estimar a produção de cana-de-açúcar em relação aos dados de área plantada e dos índices NDVI e ISNA apresentaram coeficientes de correlação (R2) em torno de 0,9 e conseguiram estimar os valores de produção para todo estado de São Paulo com precisão. Os modelos gerados para anos mais secos, no
período de dezembro a março, indicaram que a produção de cana-de-açúcar tende a aumentar em torno de 3,5%. Para anos mais chuvosos, no mesmo período, a produção tende a aumentar em torno de 1,6% no ano de 2020, independentemente da área plantada. Os resultados obtidos são úteis para o planejamento agrícola em escala regional, pois permitem acompanhar o desenvolvimento e a produção da cana-de-açúcar de forma objetiva e sistemática a partir de dados fornecidos por sensores remotos, estações agroclimáticas e modelos de mudanças climáticas.
Palavras-chave: sensoriamento remoto, NDVI, ISNA, série temporal, mineração de dados, análise multivariada, monitoramento de safras.
ABSTRACT
The sugarcane production in Brazil has increasingly strategic role in the economy due to the interest of replacing fossil fuels with renewable energy sources such as ethanol, in order to reduce emissions of greenhouse gases (GHGs). In this sense, it is important to propose innovative and technologically feasible solutions to assist the generation of more efficient, objective, accurate, anticipated and appropriate models to the monitoring and forecasting of national crop. The main objective of this work was to develop numerical models that assess the trend of sugarcane production on a regional scale using agroclimatic and spectral data of lower spatial resolution. Producing areas of sugarcane were selected and data production, area and yield were used for the period 2001-2010. The images from satellite AVHRR/NOAA were processed and automatically corrected and subsequently were obtained monthly temporal profiles of NDVI vegetation index, surface temperature and albedo. The climatic conditions during the period of analysis, were described by WRSI agroclimatic index. The data sets were analyzed by techniques of multivariate time series analysis using the methods of clusters K-Means, K-Medoids and Clarans. With these clustering methods, it was possible to identify and map the expansion of areas planted with sugarcane. Predictive models of crop production were generated by multiple linear regression analysis using data from cropland and NDVI and WRSI indices. From the generated models, it was possible to evaluate the behavior of the variation in production for regional climate change model ETA/CPTEC in a scenario of high emission of greenhouse gases for the year 2020. It is more difficult to highlight the difference between types of plantings of sugarcane using low spatial resolution satellites, but this work with technical data clustering, even occurring spectral mixture, it was possible to follow the evolution of the culture over the crops identifying regions with similar patterns. Thus, the cluster analysis can improve understanding of the development of sugarcane and its expansion to other regions of the country. The models for estimating the production of sugarcane with the data of planted area and NDVI and WRSI indices showed a correlation coefficient (R2) around 0.9 and were able to estimate the values of production for the entire state of São Paulo accurately. The models for the driest years in the period from December to March, indicated that the production of sugarcane tends to increase around 3.5%. Wettest years in the same period, production tends to increase around 1.6% in 2020, regardless the cultivated area. The results are useful for agricultural planning at the regional scale because they allow to monitor
the development and production of sugarcane objectively and systematically from data provided by remote sensors, agroclimatic stations and climate change models.
Keywords: remote sensing, NDVI, WRSI, time series, data mining, multivariate analysis, crop monitoring.
SUMÁRIO
RESUMO ...vii
ABSTRACT ... ix
SUMÁRIO ... xi
AGRADECIMENTOS ...xvii
LISTA DE FIGURAS ... xix
LISTA DE TABELAS ... xxv
LISTA DE SIGLAS ...xxvii
1 INTRODUÇÃO ... 1 1.1 JUSTIFICATIVA ... 2 1.2 HIPÓTESE CIENTÍFICA ... 4 1.3 OBJETIVO ... 4 1.3.1 Objetivo Geral ... 4 1.3.2 Objetivos Específicos ... 4 2 REVISÃO DA LITERATURA ... 5 2.1 CANA-DE-AÇÚCAR ... 5 2.2 AVHRR/NOAA ... 8 2.3 DADOS AGROCLIMÁTICOS ... 13
2.4 CENÁRIOS FUTUROS DE MUDANÇAS CLIMÁTICAS ... 16
2.4.1 Modelo ETA/CPTEC ... 18
2.4.2 Mudanças Climáticas e a Cana-de-açúcar ... 19
2.5 MINERAÇÃO DE DADOS ... 20
3 METODOLOGIA ... 25
3.2 DADOS ESPECTRAIS ... 27 3.3 DADOS AGROCLIMÁTICOS ... 30 4 ANÁLISE DOS DADOS ... 33
4.1 AVALIAÇÃO DA RELAÇÃO ENTRE A RESPOSTA ESPECTRAL, DADOS
AGROCLIMÁTICOS E VALORES DE PRODUÇÃO DE CANA-DE-AÇÚCAR ... 33 4.2 MONITORAMENTO E MAPEAMENTO DA CANA-DE-AÇÚCAR ... 35 4.2.1 Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante o ano-safra a partir da maior área produtora... 35 4.2.2 Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante o ano-safra com base na área total produtora ... 38 4.2.3 Agrupamento do NDVI para acompanhamento anual da cana-de-açúcar no período de 2001 a 2010 ... 40 4.2.4 Agrupamento do NDVI, temperatura de superfície e albedo para mapeamento da cana-de-açúcar. ... 41 4.3 MODELOS NUMÉRICOS DE PREVISÃO DA PRODUÇÃO DE SAFRAS DE
CANA-DE-AÇÚCAR NA ESCALA REGIONAL ... 43 4.4 ESTIMATIVA DA PRODUÇÃO DE CANA-DE-AÇÚCAR UTILIZANDO O
MODELO REGIONAL DE MUDANÇAS CLIMÁTICAS ETA/CPTEC ... 45 5 RESULTADOS E DISCUSSÕES ... 47
5.1 RESULTADOS DA AVALIAÇÃO DA RELAÇÃO ENTRE A RESPOSTA
ESPECTRAL, DADOS AGROCLIMÁTICOS E VALORES DE PRODUÇÃO DE CANA-DE-AÇÚCAR ... 47 5.2 RESULTADOS DO MONITORAMENTO E MAPEAMENTO DA
CANA-DE-AÇÚCAR ... 67 5.2.1 Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante o ano-safra a partir da maior área produtora... 67 5.2.2 Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante o ano-safra com base na área total produtora ... 83
5.2.3 Agrupamento do NDVI para acompanhamento anual da cana-de-açúcar no período
de 2001 a 2010 ... 90
5.2.4 Agrupamento do NDVI, temperatura de superfície e albedo para mapeamento da cana-de-açúcar ... 116
5.3 RESULTADOS DOS MODELOS NUMÉRICOS DE PREVISÃO DA PRODUÇÃO DE SAFRAS DE CANA-DE-AÇÚCAR NA ESCALA REGIONAL ... 130
5.3.1 Modelo numérico 2001/2002 ... 130 5.3.2 Modelo numérico 2002/2003 ... 133 5.3.3 Modelo numérico 2003/2004 ... 136 5.3.4 Modelo numérico 2004/2005 ... 138 5.3.5 Modelo numérico 2005/2006 ... 141 5.3.6 Modelo numérico 2006/2007 ... 143 5.3.7 Modelo numérico 2007/2008 ... 146 5.3.8 Modelo numérico 2008/2009 ... 148
5.4 RESULTADOS DA ESTIMATIVA DA PRODUÇÃO DE CANA-DE-AÇÚCAR UTILIZANDO O MODELO REGIONAL DE MUDANÇAS CLIMÁTICAS ETA/CPTEC. ... 151
6 CONCLUSÕES ... 163
REFERÊNCIAS ... 167
Aos meus queridos pais, Aloísio e Flávia, Ofereço.
Ao Renato, minha vida, sabedoria, alegria, meu amor!
AGRADECIMENTOS
Gostaria de agradecer a todas as pessoas que de alguma forma me ajudaram a desenvolver minha tese.
Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico, CNPq, pelo apoio financeiro.
Ao Professor Jurandir Zullo Junior, pela orientação, aprendizado, incentivos e apoio ao longo do trabalho.
À Pesquisadora Luciana Alvim Santos Romani, pela co-orientação, convivência, aprendizado e incentivos.
Ao Centro de Pesquisas Meteorológicas e Climáticas Aplicadas à Agricultura pela infraestrutura disponível. Agradeço ao Professor Hilton Silveira Pinto, Edilene Carneiro, Claudir Rodrigues, Solange Kahl, Joaquim Toledo, Gustavo Coral e bolsistas pela ajuda recebida.
À Faculdade de Engenharia Agrícola pela oportunidade de qualificação e aprendizado profissional e à Coordenadoria de Pós-Graduação.
Aos membros da Banca Examinadora, Eduardo Delgado Assad, Nelson Jesuz Ferreira, Maria Angela Fagnani e Vania Rosa Pereira, pelas críticas e sugestões que contribuíram para a melhoria do meu trabalho.
Às amigas Ana Ávila, Camila Dourado, Andrea Koga, Michele Cristina, e em especial a Priscila Coltri e Wal Alfonsi pelas palavras amiga, convivência e aprendizado.
Ao pessoal do ICMC/USP São Carlos, em especial, ao Bruno Amaral, Daniel Chino, Elaine Sousa e Agma Traina, pela implementação do SatImagExplorer e pela ajuda no processamento e mineração dos dados.
Ao pessoal da Embrapa Informática Agropecuária, Tais Peron, João Paulo da Silva, Silvio Evangelista e Adriano Otavian, pela ajuda computacional e estatística dos dados.
Ao pessoal da Embrapa Meio Ambiente, Tadeu Lana e Elias Almeida, pela ajuda no processamento do balanço hídrico. À Pesquisadora Emília Hamada, de maneira especial, pelos ensinamentos, encorajamento, apoio e conselhos na minha vida profissional e pessoal.
Ao Canasat pelos dados do mapeamento da cana-de-açúcar.
Ao Agritempo pelos dados climáticos de estação meteorológica e do sistema TRMM do estado de São Paulo.
Ao CPTEC/INPE pelos dados do modelo regional de mudanças climáticas ETA/CPTEC.
E principalmente, à minha querida família, meu pai, Aloísio, minha mãe, Flávia, meus irmãos Guilherme e Raquel, meus avós queridos, tios (as), primos (as) e Renato, pelo amor, paciência, compreensão e dedicação constante. Cada página desta tese foi escrita com incentivo de cada um de vocês.
LISTA DE FIGURAS
Figura 1: Mapa das áreas onde se concentram as plantações e usinas de cana-de-açúcar. Fonte: UNICA (2011). ... 6 Figura 2: Gráfico de produção de cana-de-açúcar em São Paulo, no Sudeste e no Brasil de 1993 a 2011. Fonte: IBGE (2013). ... 6 Figura 3: Imagens do AVHRR/NOAA processadas para o estado de São Paulo contendo dados de Composição Máxima de NDVI (A), Albedo (B) e Temperatura de Superfície (C), em março de 2009. ... 12 Figura 4: Processo de mineração de séries temporais de dados climáticos e imagens de satélite. Adaptado de ROMANI (2010). ... 22 Figura 5: Cinquenta municípios maiores produtores de cana-de-açúcar do estado de São Paulo no período 2001-2011 (IBGE, 2013). ... 25 Figura 6: Fluxograma geral das etapas do trabalho. ... 26 Figura 7: Área de plantio de cana-de-açúcar no estado de São Paulo em 2010 segundo o projeto Canasat/INPE. ... 28 Figura 8: Municípios com dados de estação meteorológica no período 2001-2011 do estado de São Paulo segundo o Agritempo. ... 31 Figura 9: Agrupamento dos municípios similares em relação ao NDVI, clima, produtividade e área plantada. ... 34 Figura 10: Quatro etapas do monitoramento e mapeamento das áreas de plantio de cana-de-açúcar no estado de São Paulo utilizando séries temporais de dados espectrais, agroclimáticos, de área plantada e de produção da cultura. ... 36 Figura 11: Etapa 1 - Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante o ano-safra 2002/2003 na maior área produtora de São Paulo. ... 37 Figura 12: Maior região produtora de cana-de-açúcar no estado, destacando o mapeamento dos talhões de cana-de-açúcar. ... 38 Figura 13: Etapa 2 - Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante o ano-safra em toda área produtora de São Paulo. ... 39 Figura 14: Etapa 3 - Agrupamento do NDVI para o acompanhamento anual da cana-de-açúcar no período de 2001 a 2010. ... 41
Figura 15: Etapa 4 - Agrupamento do NDVI, temperatura de superfície e albedo para
mapeamento da área plantada de cana-de-açúcar. ... 42 Figura 16: Etapas do processamento das séries temporais visando o desenvolvimento de modelos numéricos aplicados ao planejamento regional da cana-de-açúcar. ... 43 Figura 17: Dendrograma com ligação simples e coeficiente de correlação de distância das variáveis. ... 48 Figura 18: Agrupamento das variáveis área plantada, produtividade e NDVI máximo para os 50 municípios maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009. ... 51 Figura 19: Gráfico com número de municípios produtores em cada classe do agrupamento. .. 52 Figura 20: Agrupamento das variáveis produtividade e NDVI máximo para os 50 municípios maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009. ... 55 Figura 21: Gráfico com número de municípios produtores em cada classe do agrupamento. .. 56 Figura 22: Agrupamento das variáveis área plantada, produtividade e NDVI máximo e clima para 16 municípios produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009. ... 59 Figura 23: Gráfico com número de municípios produtores em cada classe do agrupamento. .. 61 Figura 24: Agrupamento das variáveis produtividade e NDVI máximo e clima para 16
municípios maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009. ... 64 Figura 25: Gráfico com número de municípios produtores em cada classe do agrupamento. .. 66 Figura 26: Imagens MVC mensal de NDVI e agrupamento de NDVI (2 grupos) da maior região produtora de cana-de-açúcar de São Paulo para os meses de Abril de 2002 a Março de 2003. ... 82 Figura 27: Agrupamento de NDVI (5 grupos) da cana-de-açúcar de São Paulo para os meses de Abril de 2004 a Março de 2005. ... 89 Figura 28: Perfil temporal dos agrupamentos de NDVI (5 grupos) da cana-de-açúcar de São Paulo para os meses de Abril de 2004 a Março de 2005. ... 90 Figura 29: Agrupamentos pelo K-Means com função de distância DTW e perfis temporais de cada grupo para cada ano-safra no período de 2001/2002 a 2009/2010. ... 100 Figura 30: Agrupamentos pelo K-Medoids com função de distância DTW e perfis temporais de cada grupo para cada ano-safra no período de 2001/2002 a 2009/2010. ... 110 Figura 31: Agrupamento pelo K-Means com função de distância DTW para década (2001-2010). ... 114
Figura 32: Perfis temporais de cada grupo do agrupamento feito com o K-Means com função de distância DTW para a década de (2001-2010)... 114 Figura 33: Agrupamento pelo K-Medoids com função de distância DTW para década (2001-2010) ... 115 Figura 34: Perfis temporais de cada grupo do agrupamento feito com o K-Medoids com função de distância DTW para a década (2001-2010). ... 115 Figura 35: Agrupamentos de NDVI, temperatura de superfície e albedo pelo K-Means com função de distância DTW para cada ano-safra no período de 2001/2002 a 2009/2010. ... 122 Figura 36: Perfis temporais de cada grupo do agrupamento do NDVI pelo K-Means com função de distância DTW para a década de 2000. ... 122 Figura 37: Perfis temporais de cada grupo do agrupamento da temperatura de superfície pelo K-Means com função de distância DTW para a década de 2000. ... 123 Figura 38: Perfis temporais de cada grupo do agrupamento do albedo pelo K-Means com função de distância DTW para a década de 2000. ... 123 Figura 39: Agrupamentos de NDVI, temperatura de superfície e albedo pelo Clarans com função de distância DTW para cada ano-safra no período de 2001/2002 a 2009/2010. ... 128 Figura 40: Perfis temporais de cada grupo do agrupamento do NDVI pelo Clarans com função de distância DTW para a década de 2000... 128 Figura 41: Perfis temporais de cada grupo do agrupamento da temperatura de superfície pelo Clarans com função de distância DTW para a década de 2000... 129 Figura 42: Perfis temporais de cada grupo do agrupamento do albedo pelo Clarans com função de distância DTW para a década de 2000... 129 Figura 43: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2002. ... 132 Figura 44: Relação entre os valores observados e estimados de produção em toneladas de cana-de-açúcar de 2002. ... 133 Figura 45: Relação entre os valores observados e estimados de produção de cana-de-açúcar de 2003. ... 134 Figura 46: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2003. ... 135 Figura 47: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2004. ... 137 Figura 48: Relação entre os valores observados e estimados de produção de cana-de-açúcar de 2004. ... 138
Figura 49: Relação entre os valores observados e estimados de produção de cana-de-açúcar de 2005. ... 139 Figura 50: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2005. ... 140 Figura 51: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2006. ... 142 Figura 52: Relação entre os valores observados e estimados de produção de cana-de-açúcar de 2006. ... 143 Figura 53: Relação entre os valores observados e estimados de produção de cana-de-açúcar de 2007. ... 144 Figura 54: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2007. ... 145 Figura 55: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2008. ... 147 Figura 56: Relação entre os valores observados e estimados de produção de cana-de-açúcar de 2008. ... 148 Figura 57: Relação entre os valores observados e estimados de produção de cana-de-açúcar de 2009. ... 149 Figura 58: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2009. ... 150 Figura 59: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de 2009. ... 155 Figura 60: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de 2009 e acréscimo de 5%. ... 157 Figura 61: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de 2009 e acréscimo de 10%. ... 159 Figura 62: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de 2009 e acréscimo de 15%. ... 161 Figura 63: Tela inicial do sistema SatImagExplorer. ... 181 Figura 64: Agrupamentos de área plantada do conjunto #1. ... 181 Figura 65: Agrupamentos de produtividade do conjunto #1. ... 182 Figura 66: Agrupamentos de NDVI máximo do conjunto #1. ... 182 Figura 67: Agrupamentos de Produtividade do conjunto #2. ... 183 Figura 68: Agrupamentos de NDVI máximo do conjunto #2. ... 183 Figura 69: Agrupamentos de área plantada do conjunto #3. ... 184 Figura 70: Agrupamentos de produtividade do conjunto #3. ... 184
Figura 71: Agrupamentos de NDVI máximo do conjunto #3. ... 185 Figura 72: Agrupamentos de precipitação do conjunto #3. ... 185 Figura 73: Agrupamentos de temperatura máxima do conjunto #3. ... 186 Figura 74: Agrupamentos de temperatura mínima do conjunto #3. ... 186 Figura 75: Agrupamentos de produtividade do conjunto #4. ... 187 Figura 76: Agrupamentos de NDVI máximo do conjunto #4. ... 187 Figura 77: Agrupamentos de precipitação do conjunto #4. ... 188 Figura 78: Agrupamentos de temperatura máxima do conjunto #4. ... 188 Figura 79: Agrupamentos de temperatura mínima do conjunto #4. ... 189 Figura 80: Intervalos mínimo, médio e máximo mensais do agrupamento K-Means (grupos 1 e 2) de NDVI do ano-safra 2002/2003. ... 189 Figura 81: Principais componentes obtidas pela análise de PCA no SOM no período de
2001/2002 a 2009/2010 (A a I)... 200 Figura 82: Gráfico de deficiência hídrica máxima anual de cana-de-açúcar para a década de 2000. ... 201 Figura 83: Gráfico de excedente hídrico máximo anual de cana-de-açúcar para a década de 2000. ... 201 Figura 84: Gráfico de ISNA médio anual de cana-de-açúcar para a década de 2000. ... 202 Figura 85: Gráfico de precipitação total anual de cana-de-açúcar para a década de 2000. ... 202 Figura 86: Gráfico de temperatura média anual de cana-de-açúcar para a década de 2000. ... 203 Figura 87: Gráfico de NDVI máximo anual de cana-de-açúcar para a década de 2000. ... 203
LISTA DE TABELAS
Tabela 1: Características dos satélites da série AVHRR/NOAA. Fonte: KAMPEL, 2004... 9 Tabela 2: Valores dos centroides dos agrupamentos 1, 2, 3 e do centroide da análise das varáveis área plantada (ha), produtividade (ton/ha) e NDVI máximo. ... 51 Tabela 3: Número de municípios produtores em cada classe do agrupamento. ... 53 Tabela 4: Valores dos centroides dos agrupamentos 1, 2, 3 e do centroide da análise das varáveis produtividade (ton/ha) e NDVI máximo. ... 55 Tabela 5: Número de municípios produtores em cada classe do agrupamento. ... 57 Tabela 6: Valores dos centroides dos agrupamentos 1, 2, 3 e do centroide da análise das varáveis área plantada (ha), produtividade (ton/ha), NDVI máximo, precipitação (mm/ano) e temperatura máxima e mínima (°C). ... 59 Tabela 7: Número de municípios produtores em cada classe do agrupamento. ... 62 Tabela 8: Valores dos centroides dos agrupamentos 1, 2, 3 e do centroide da análise das
varáveis produtividade (ton/ha), NDVI máximo, precipitação (mm/ano) e temperatura máxima e mínima (°C). ... 64 Tabela 9: Número de municípios produtores em cada classe do agrupamento. ... 66 Tabela 10: Intervalos mensais dos agrupamentos de NDVI (ano-safra 2002/2003). ... 69 Tabela 11: Correlação de Pearson entre os valores de produção e os agrupamentos pelo K-Means com DTW. ... 112 Tabela 12: Correlação de Pearson entre os valores de produção e os agrupamentos pelo K-Medoids com DTW. ... 112 Tabela 13: Classes e porcentagens de pixels de cana-de-açúcar determinadas pelo Canasat para cada grupo do K-Means com DTW. ... 113 Tabela 14: Classes e porcentagens de pixels de cana-de-açúcar determinadas pelo Canasat para cada grupo do K-Medoids com DTW. ... 113 Tabela 15: Coeficientes do modelo gerado pela regressão linear múltipla de 2002. ... 131 Tabela 16: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2002. ... 131 Tabela 17: Coeficientes do modelo gerado pela regressão linear múltipla de 2003. ... 134 Tabela 18: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2003. ... 134 Tabela 19: Coeficientes do modelo gerado pela regressão linear múltipla de 2004. ... 136 Tabela 20: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2004. ... 136
Tabela 21: Coeficientes do modelo gerado pela regressão linear múltipla de 2005. ... 139 Tabela 22: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2005. ... 139 Tabela 23: Coeficientes do modelo gerado pela regressão linear múltipla de 2006. ... 141 Tabela 24: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2006. ... 141 Tabela 25: Coeficientes do modelo gerado pela regressão linear múltipla de 2007. ... 144 Tabela 26: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2007. ... 144 Tabela 27: Coeficientes do modelo gerado pela regressão linear múltipla de 2008. ... 146 Tabela 28: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2008. ... 146 Tabela 29: Coeficientes do modelo gerado pela regressão linear múltipla de 2009. ... 149 Tabela 30: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2009. ... 149 Tabela 31: Variação da produção (%) observada em relação à estimada a partir da área com e sem acréscimo e pelo modelo 2002 e NDVI 2001. ... 152 Tabela 32: Variação da produção (%) observada em relação à estimada a partir da área com e sem acréscimo e pelo modelo 2002 e NDVI 2009. ... 153 Tabela 33: Variação da produção (%) observada em relação à estimada a partir da área com e sem acréscimo e pelo modelo 2009 e NDVI 2001. ... 153 Tabela 34: Variação da produção (%) observada em relação à estimada a partir da área com e sem acréscimo e pelo modelo 2009 e NDVI 2009. ... 153 Tabela 35: Coeficientes de correlação de Spearman em relação ao NDVI. ... 190 Tabela 36: Coeficientes de correlação de Spearman em relação a área plantada de cana-de-açúcar. ... 190 Tabela 37: Coeficientes de correlação de Spearman em relação a produção de cana-de-açúcar. ... 191 Tabela 38: Coeficientes de correlação de Spearman em relação a produtividade de cana-de-açúcar. ... 191 Tabela 39: Coeficientes de correlação de Spearman em relação temperatura do ar. ... 192 Tabela 40: Coeficientes de correlação de Spearman em relação a precipitação. ... 192 Tabela 41: Coeficientes de correlação de Spearman em relação ao ISNA. ... 193 Tabela 42: Coeficientes de correlação de Spearman em relação a deficiência hídrica. ... 193 Tabela 43: Coeficientes de correlação de Spearman em relação ao excedente hídrico. ... 194 Tabela 44: Coeficientes de correlação de Spearman em relação ao albedo. ... 194 Tabela 45: Coeficientes de correlação de Spearman em relação a temperatura de superfície.195
LISTA DE SIGLAS
A1B – Cenário de Mudanças Climáticas da Família A1.
AGRITEMPO – Sistema de Monitoramento Agrometeorológico da Embrapa Informática Agropecuária e Cepagri/Unicamp
ARM – Armazenamento de Água no Solo
ATMET – Atmospheric, Meteorological and Environmental Technologies
AVHRR/NOAA – Advanced Very High Resolution Radiometer / National Oceanic and Atmospheric Administration
BRAMS – Brazilian Developments on the Regional Atmospheric Modelling System CAD – Capacidade de Água de Disponível
CANASAT – Monitoramento da Cana-de-açúcar via Imagens de Satélite
CBERS/WFI – Satélite Sino-Brasileiro de Recursos Naturais / Wide Field Imager CCAR – Colorado Center for Astro Dynamics Research
CEPAGRI – Centro de Pesquisas Meteorológicas e Climáticas Aplicadas à Agricultura CLARANS – Clustering Large Applications Based on Randomized Search
CONAB – Companhia Nacional de Abastecimento
CPTEC – Centro de Previsão de Tempo e Estudos Climáticos
CSIRO – Australian Commonwealth Scientific and Research Organization CTC – Centro de Tecnologia Canavieira
DEF – Deficiência Hídrica
DGI – Divisão de Geração de Imagens DM – Data Mining
DTW – Dynamic Time Warping
ETA/CPTEC – Modelo Regional de Mudanças Climáticas ETM – Evapotranspiração Máxima
ETP – Evapotranspiração Potencial ETR – Evapotranspiração Real EVI – Enhanced Vegetation Index EXC – Excedente Hídrico
GEEs – Gases de Efeito Estufa
GEOEYE – Satélites de Observação da Terra GES – Goddard Earth Science
HadCM3 – Global Model - Hadley Centre for Climate Prediction and Research HadRM3P – Modelo Climático Regional
HRPT – High Resolution Picture Transmissions IAF – Índice de Área Foliar
IAG/USP – Instituto de Astronomia, Geofísica e Ciências / Universidade de São Paulo IBGE – Instituto Brasileiro de Geografia e Estatística
IKONOS – Satélites de Observação da Terra
IME/USP – Instituto de Matemática e Estatística / Universidade de São Paulo INPE – Instituto Nacional de Pesquisas Espaciais
IPCC – Intergovernmental Panel on Climate Change ISNA – Índice de Satisfação das Necessidades de Água KC – Coeficiente de Cultura
KDD – Knowledge Discovery in Databases LANDSAT – Satélites de Observação da Terra MCC – Máxima Correlação Cruzada
MODIS – Moderate Resolution Imaging Spectroradiometer MVC – Composições de Valor Máximo
NASA – National Aeronautics and Space Administration
NAVPRO – Sistema Automático de Processamento e Geração de Produtos de Imagens AVHRR/NOAA
NCAR – National Center for Atmospheric Research
NDVI – Normalized Difference Vegetation Index (Índice de Vegetação da Diferença Normalizada)
PBMC – Painel Brasileiro de Mudanças Climáticas PCA – Análise de Componentes Principais
QUICK-BIRD – Satélites de Observação da Terra RCMs – Modelos Climáticos Regionais
ROI – Região de Interesse
SIDRA – Sistema IBGE de Recuperação Automática SOM – Self-Organizing Maps
SPOT – Satélites de Observação da Terra SRES – Special Report on Emissions Scenarios TRMM – Tropical Rainfall Measuring Mission UNICA – União da Indústria de Cana-de-açúcar UNICAMP – Universidade Estadual de Campinas
1 INTRODUÇÃO
De acordo com a CONAB (2013), a produção de cana-de-açúcar no Brasil tem crescido nos últimos anos, sendo que os maiores índices de aumento da área plantada são encontrados em São Paulo, Mato Grosso do Sul, Goiás e Mato Grosso. Ressalta-se que a área de cana-de-açúcar colhida, destinada à atividade sucroalcooleira, foi de aproximadamente 8.485 mil hectares, distribuída em todos os estados produtores, na safra 2012/2013. O estado de São Paulo é o maior produtor com 52,07% (4.419,48 mil hectares) da área plantada total sendo que a existência de safras alternadas pode manter a presença do país no mercado mundial ao longo do ano. Nesse sentido, é importante a proposição de soluções inovadoras e tecnologicamente viáveis para auxiliar a geração de métodos e modelos mais eficientes, precisos, antecipados e adequados ao monitoramento e previsão das safras nacionais.
A utilização de dados de sensoriamento remoto é importante, neste contexto, tanto na estimativa da área plantada, quanto da produtividade das culturas agrícolas, que, atualmente, é feita predominantemente por meio de levantamentos estatísticos junto a produtores e setores do agronegócio. A utilização de imagens de satélites é viável porque há diversidade de sistemas sensores disponíveis atualmente, com as mais variadas resoluções espaciais, temporais, espectrais e radiométricas, adequadas para utilização em aplicações agrícolas, como é o caso do monitoramento e previsão de safras, com baixo custo de aquisição e de processamento das imagens. As informações obtidas a partir das imagens de satélites, associadas a informações meteorológicas e climáticas, podem indicar e antecipar a ocorrência de fenômenos que já ocorreram no passado e levaram a uma boa safra ou a uma quebra na produção.
Séries temporais de imagens de satélites meteorológicos, como os da série AVHRR/NOAA (Advanced Very High Resolution Radiometer / National Oceanic and Atmospheric Administration), têm sido utilizadas no monitoramento da vegetação em escalas regional e global. Vários estudos vêm sendo realizados visando o aumento da utilização efetiva das imagens deste tipo de sensor no monitoramento agrícola, devido à sua alta resolução temporal, garantia de cobertura global e gratuidade dos dados, pois é elevada a probabilidade de obtenção de imagens em boas condições de utilização ao longo do ciclo de desenvolvimento da cultura.
Os satélites da série NOAA geram duas imagens diárias para cada um em operação sendo cada vez mais acessível para estudos o volume de dados, nos últimos anos. São necessários, desta forma, métodos computacionais que automatizem desde a correção geométrica das imagens até a análise da enorme quantidade de dados extraídos delas para utilização nas aplicações de interesse. Para extrair e analisar dados destas séries temporais pode-se utilizar, por exemplo, técnicas de mineração de dados. Tarefas importantes de mineração de séries temporais incluem análise de tendência, busca por similaridade, mineração sequencial e de padrões periódicos.
De acordo com a literatura (ADAMI et al., 2012b; VIEIRA et al., 2012, GONÇALVES et al., 2012a; GONÇALVES et al., 2011a e 2011b; ROMANI, et al., 2011a; AMARAL et al., 2011), o acompanhamento e monitoramento da cultura de cana-de-açúcar, bem como a evolução da produtividade e área plantada, podem ser analisados por meio de métodos de mineração de séries. Por exemplo, para avaliar o impacto do clima na produção vegetal, utilizam-se índices de vegetação espectral, tais como o NDVI (Índice de Vegetação da Diferença Normalizada) e índices agroclimáticos, como o ISNA (Índice de Satisfação das Necessidades de Água), neste caso, pode-se utilizar métodos de associação e agrupamento, que permitam a extração de padrões úteis e aplicados a grande quantidade de dados.
O conhecimento das diferentes áreas produtoras de cana-de-açúcar e o clima, numa determinada região, são informações necessárias para obtenção de modelos que sejam aplicáveis, simultaneamente, a vários municípios produtores de cana-de-açúcar para avaliação das relações entre o NDVI e o ISNA (GONÇALVES et al., 2009), a estimativa da produtividade (NASCIMENTO et al., 2009) e a detecção da similaridade entre os municípios por meio de funções de distância (ROMANI et al., 2010).
1.1 JUSTIFICATIVA
A cultura da cana-de-açúcar possui função cada vez mais estratégica na economia do país devido ao interesse da substituição de combustíveis fósseis por fontes de energia renováveis, como o etanol, com o propósito de diminuir as emissões de gases de efeito estufa (GEEs). O aumento da concentração desses gases, resultante da intensificação das atividades antrópicas, tem causado alterações significativas no clima (IPCC, 2013). Algumas regiões do
Brasil poderão ter seus padrões de temperatura e precipitação alterados, com o aquecimento global. Junto com a mudança dos padrões anuais de precipitação, ou mesmo onde não houver alteração do total anual, deverão ocorrer intensificações dos eventos extremos (PBMC, 2013). Esse fato ilustra a importância da cultura para o país e evidencia a necessidade da existência de sistemas de monitoramento e previsão de safras que auxiliem o planejamento envolvido na produção e comercialização de produtos estratégicos para os mercados interno e externo, como são o açúcar e o etanol.
As safras no Brasil são estimadas, predominantemente, por meio de formulários e entrevistas realizadas com agricultores, cooperativas e agroindústria. Essas pesquisas são feitas, normalmente, seis vezes por ano em várias regiões brasileiras (CONAB, 2013). Para ser mais preciso sobre a extensão das culturas agrícolas, deve ser realizado mais frequentemente um inventário das culturas. Além disso, dados completos sobre as culturas agrícolas podem ser estratégicos para monitorar uma safra. No entanto, estes inventários periódicos são díficeis de serem realizados devido à grande extensão do território brasileiro.
Para evolução do monitoramento e previsão de safras da cana-de-açúcar no país é necessário conhecer a região de plantio, a fenologia da cultura e o clima, pois a cultura é influenciada pela variação das condições meteorológicas durante um ano inteiro, sendo que,
durante a fase de crescimento, é necessário um período quente e úmido, enquanto na época de maturação e colheita, um período seco. Uma das formas de avaliar o impacto do clima na produção vegetal pode ser por meio do cálculo do balanço hídrico dos climas atual e futuro. Desta maneira, o aumento da temperatura causa um aumento da evapotranspiração e, consequentemente, um aumento na demanda hídrica, com reflexo direto no risco climático para a cultura.
A utilização de séries temporais de imagens de satélites meteorológicos, como os da série AVHRR/NOAA, e de dados agroclimáticos pode ser de grande utilidade no desenvolvimento de métodos de monitoramento e previsão de safras da cana-de-açúcar no país, pois são baseadas na detecção de mudanças do comportamento espaço-temporal. A utilização de métodos computacionais auxilia a detecção de padrões e geração de conhecimento a fim de aprimorar o monitoramento agrometeorológico e a obtenção de
modelos que sejam aplicáveis, simultaneamente, a vários municípios produtores de cana-de-açúcar.
1.2 HIPÓTESE CIENTÍFICA
A hipótese científica deste trabalho é que a utilização de técnicas estatísticas e de mineração de séries temporais de dados agroclimáticos, espectrais e de produção permite gerar métodos e técnicas que possam identificar a tendência da produção da cana-de-açúcar nas condições climáticas atuais e futuras.
1.3 OBJETIVO 1.3.1 Objetivo Geral
Desenvolver técnicas e modelos numéricos aplicados ao monitoramento e planejamento regional da produção de cana-de-açúcar com base em séries temporais de dados agroclimáticos e espectrais e a partir dos modelos numéricos gerados, avaliar a variação da produção em 2020 no cenário de alta emissão do modelo regional de mudanças climáticas ETA/CPTEC.
1.3.2 Objetivos Específicos
1) Avaliar a relação entre a resposta espectral (descrita pelo índice NDVI), dados agroclimáticos (representados pelo índice ISNA) e valores de produção da cana-de-açúcar;
2) Monitorar e mapear a cultura da cana-de-açúcar por técnicas de agrupamentos;
3) Obter modelos numéricos de previsão da produção de safras futuras de cana-de-açúcar em escala regional;
4) Estimar a produção de cana-de-açúcar utilizando o modelo regional de mudanças climáticas ETA/CPTEC em um cenário de alta emissão de gases de efeito estufa para o ano de 2020.
2 REVISÃO DA LITERATURA
A revisão da literatura abordará os principais tópicos discutidos no trabalho e está subdivida em: 1) cana-de-açúcar; 2) sensor AVHRR/NOAA e índice NDVI; 3) dados agroclimáticos e balanço hídrico; 4) cenários de mudanças climáticas para a cana-de-açúcar, enfatizando o modelo regional ETA/CPTEC e, 5) mineração de dados e de séries temporais.
2.1 CANA-DE-AÇÚCAR
A produção de cana-de-açúcar se concentra nas regiões Centro-Sul e Nordeste do Brasil. O mapa, apresentado na Figura 1, mostra em vermelho as áreas onde se concentram as plantações e usinas produtoras de açúcar, etanol e bioeletricidade, segundo dados oficiais do IBGE, UNICAMP (Universidade Estadual de Campinas) e CTC (Centro de Tecnologia Canavieira), apresentado por UNICA (2011). A cana-de-açúcar ocupa cerca de 8,5 milhões de hectares ou cerca de 2,5% de toda a terra arável do país. O Brasil é o maior produtor e exportador mundial de açúcar e o segundo maior produtor de etanol. Com o advento dos carros “flex fuel” em 2003, a área plantada e, consequentemente, a produção de cana-de-açúcar dobrou no período de 2001 a 2011 no Brasil (Figura 2). As regiões de plantio, localizadas no Sudeste, Centro-Oeste, Sul e Nordeste, permitem o cultivo de duas safras por ano. Portanto, durante todo o ano, o país produz açúcar e etanol para abastecer os mercados interno e externo (UNICA, 2011).
Segundo a UNICA (2013), a produção de cana-de-açúcar na região Centro-Sul na safra 2012/2013 foi de aproximadamente 532 milhões de toneladas, sendo que em 2013/14 foi de aproximadamente 587 milhões de toneladas, com uma variação positiva de 10%. A Figura 2 apresenta um gráfico da produção de cana-de-açúcar no Brasil, na região Centro-Sul e no estado de São Paulo de 1993 a 2011.
Figura 1: Mapa das áreas onde se concentram as plantações e usinas de cana-de-açúcar. Fonte: UNICA (2011).
Figura 2: Gráfico de produção de cana-de-açúcar em São Paulo, no Sudeste e no Brasil de 1993 a 2011. Fonte: IBGE (2013).
Embora pesquisas científicas tenham propiciado o aumento da produtividade dos cultivares de cana-de-açúcar, o aumento na produção deve-se, em grande parte, à expansão da área plantada da cultura, principalmente no estado de São Paulo, maior produtor brasileiro (MARTINELLI e FILOSO, 2008). Outro fator importante para a indústria sucroalcooleira é a manutenção da colheita durante o ano todo para garantir a produção de etanol e outros derivados. Com isso, embora as datas de plantio não variem tanto, a data de corte em algumas regiões pode ser estendida gerando as chamadas cana soca (ano) e cana planta (ano e meio) (SCARPARI e BEAUCLAIR, 2004). A cana-de-açúcar para produção de etanol e açúcar é cultivada, em média, por quatro a cinco cortes. Assim, a cana soca pode representar cerca de 85% da área cultivada.
A cultura apresenta seu melhor desempenho quando ocorre um período quente e úmido, com radiação solar intensa, durante a fase de crescimento, seguido por um período seco na época de maturação e colheita. A extensão territorial do Brasil e as várias condições climáticas existentes no país permitem a obtenção de duas colheitas anuais: de setembro a abril, nas regiões norte e nordeste, e de maio a dezembro, no centro-sul. Nos dois casos, a safra é colhida nos períodos de seca (PINTO e ASSAD, 2008).
A influência da água para a cana-de-açúcar é importante, principalmente na fase de desenvolvimento vegetativo da cultura, que pode chegar a um período de nove meses no ano. Se nessa fase de desenvolvimento houver escassez de água, pode ocorrer queda na produtividade da cana-de-açúcar. Geralmente, essa fase vai de novembro a abril, para a cana de ano e cana soca, e de setembro a abril, para a cana de ano e meio (ALFONSI et al., 1987). Porém, devido à diferença entre os tipos de solos, a produtividade é menos afetada por déficits hídricos em solos argilosos do que em solos arenosos devido à diferença na capacidade de retenção de água desses solos.
A cana-de-açúcar apresenta taxas máximas de crescimento e acúmulo de biomassa para temperaturas entre 22°C e 30°C. Acima de 38°C, esses índices tornam-se praticamente nulos e com menos de 19°C, começam a surgir restrições térmicas (DOORENBOS e KASSAM, 1979). A elevação da temperatura prevista para as próximas décadas pode ser, em geral, adequada para a cana-de-açúcar, sendo que a área com menor risco climático ao plantio da cultura poderá aumentar (PINTO e ASSAD, 2008). Uma das vantagens da cana-de-açúcar
no caso das mudanças climáticas é que a planta se beneficia de altos níveis de CO2 na
atmosfera sem ser afetada significativamente por temperaturas mais elevadas. Como por exemplo, a produção de folhas e colmos pode aumentar 13,5% e 55,5%, respectivamente, e o teor de açúcar total pode aumentar de 15% a 26%, isso pode decorrer em função do aumento previsto da concentração de CO2 para 720ppm, que atualmente é de 360ppm (VU et al., 2006).
2.2 AVHRR/NOAA
Imagens de sensoriamento remoto têm sido utilizadas para avaliar a substituição de culturas, como café e citros, por lavouras de cana-de-açúcar. RUDORFF et al. (2009) utilizaram séries de imagens EVI do MODIS para identificar o uso da terra e o avanço da cana-de-açúcar em todo o Brasil. RUDORFF et al. (2010) e GONÇALVES et al. (2012b e 2012c) confirmaram que imagens de satélite são eficientes para auxiliar a avaliação de características importantes do cultivo da cana-de-açúcar, proporcionando resultados relevantes para o debate sobre a produção sustentável de etanol. Em um estudo mais recente, ADAMI et al. (2012a) avaliaram a precisão do mapeamento temático da cana-de-açúcar por meio de imagens de satélites. A avaliação realizada indicou estimativas precisas da área de cana-de-açúcar para fins de estatísticas agrícolas para o monitoramento da expansão de cultura no país. Existem inúmeros satélites comerciais de observação da Terra em órbita de interesse da agricultura, com diferentes características de resolução e periodicidade. Dentre eles, destacam-se os de alta resolução espacial (Ikonos, Quick-Bird, Geoeye e Rapideye), os de média resolução espacial (Landsat, Spot e CBERS), e os de baixa resolução espacial, mas com alta periodicidade temporal (AVHRR/NOAA, MODIS e CBERS/WFI). A série de satélites AVHRR/NOAA, embora sejam destinados primeiramente para fins meteorológicos, também é importante na proposição de soluções inovadoras e tecnologicamente viáveis para auxiliar o monitoramento e previsão de safras nacional, a partir do monitoramento regional de vegetação natural e áreas agrícolas (GONÇALVES et al., 2013).
O sensor AVHRR apresenta características (Tabela 1) que permitem a utilização em estudos terrestres, com resolução espacial próxima a um quilômetro e disponibilidade de canais nas bandas correspondentes ao vermelho e infravermelho próximo, que são úteis em estudos de cobertura vegetal. Devido à sua alta resolução temporal e garantia de cobertura
global, é elevada a possibilidade de obtenção de imagens em boas condições, isto é, com pouca nebulosidade e baixa inclinação de visada, ao longo do ciclo de desenvolvimento da cultura comercial.
Tabela 1: Características dos satélites da série AVHRR/NOAA. Fonte: KAMPEL, 2004. Características dos satélites da série AVHRR/NOAA
Órbita Síncronas com o Sol (heliossíncronas), quase-polares (inclinação média de 98,82°)
Altitude média 850km
Período orbital Aproximadamente 102 minutos; 14,1 órbitas por dia Campo de observação Entre 78° de latitude norte e 78° de latitude sul Satélites em operação (2014) NOAA-15, NOAA-18 e NOAA-19
Largura da faixa de imageamento 2.700km
Resolução espacial 1,1km ao nadir
6 bandas nas faixas do espectro de radiação eletromagnética
Visível (1), infravermelho próximo (2 e 3A),
infravermelho médio (3B) e infravermelho termal (4 e 5)
A principal vantagem do AVHRR/NOAA é sua alta frequência de imageamento associada à grande faixa imageada. Isto possibilita o acompanhamento da variação fenológica da vegetação ao longo das estações do ano, ou das variações devidas a eventos em escalas regional e global (SEILER e GLOAGUEN, 2012). Embora haja um registro das plantações com ciclos vegetativos diferentes (tais como a cana de ano e de ano e meio), essa diferença não é evidente em imagens de satélites de baixa resolução espacial, por causa da mistura espectral existente. No entanto, como a cana-de-açúcar é cultivada em grandes extensões territoriais (campos grandes e contíguos), satélites de baixa resolução espacial, como o AVHRR/NOAA, têm sido utilizados para estimar a produtividade da cana-de-açúcar (NASCIMENTO et al., 2009) e avaliar a influência das condições climáticas no seu desenvolvimento (GONÇALVES et al., 2012).
A série de satélites AVHRR/NOAA produz coberturas globais diárias a partir de pelo menos dois satélites devidamente sincronizados, gerando duas imagens diárias para cada um em operação, fazendo com que o volume de dados disponível tenha crescido muito nos
últimos anos. São necessários, então, métodos computacionais que automatizem desde a correção geométrica das imagens até a análise da enorme quantidade de dados extraídos delas. O NAVPRO é um exemplo destes métodos computacionais, sendo um sistema destinado ao processamento e à geração automática de produtos baseados nas imagens do AVHRR/NOAA, desenvolvido parcialmente por pesquisadores do Colorado Center for Astro dynamics Research (CCAR), Aerospace Engineering Sciences, da Universidade do Colorado (Boulder/EUA), conforme descrição feita por ANTUNES (2005) e ESQUERDO (2007). O sistema é compatível com a plataforma Linux e executado em “script Shell”, fazendo a conversão de formatos, calibração radiométrica, correção geométrica (isto é, o georreferenciamento preciso) e geração de produtos tais como, índice de vegetação NDVI, albedo e temperatura de superfície das imagens do AVHRR/NOAA de forma automática (ESQUERDO et al., 2006), como ilustra a Figura 3.
Para o estudo da cobertura vegetal, índices de vegetação são bastante utilizados no sensoriamento remoto, sendo que o Índice de Vegetação da Diferença Normalizada (NDVI) é o mais estudado e utilizado, tendo sido definido por ROUSE et al. (1973) por meio da Equação 1.
(1) onde, ρIV é o fator de refletância no infravermelho próximo e ρV no vermelho.
Os valores do NDVI variam de -1 a +1, sendo maior quanto maior for a diferença entre o fator de refletância no infravermelho próximo e no vermelho. Os valores menores e próximos de zero significam superfícies sem vegetação. A Figura 3A contém áreas do estado de São Paulo com NDVI próximos a 1 apresentadas pela cor vermelha, representando áreas agrícolas e de vegetação natural, e valores próximos a zero pela cor azul, que correspondem a áreas urbanas e recursos hídricos. O NDVI tem sido utilizado no monitoramento de vegetações naturais e áreas agrícolas por apresentar correlação com os seguintes parâmetros agronômicos: biomassa (JUSTICE e HIERNAUX, 1986; ANYAMBA e TUCKER, 2005), índice de área
foliar (PRINCE, 1993; WANG et al., 2005), peso da vegetação úmida, peso da vegetação seca e porcentagem de cobertura vegetal (SENAY e ELLIOT, 2002).
(A)
(C)
Figura 3: Imagens do AVHRR/NOAA processadas para o estado de São Paulo contendo dados de Composição Máxima de NDVI (A), Albedo (B) e Temperatura de Superfície (C), em março de 2009.
Dentre os produtos do AVHRR/NOAA, a temperatura de superfície (Figura 3C), está associada à emissividade da superfície terrestre. Os sensores a bordo dos satélites medem a radiância espectral, e para o cálculo da temperatura de superfície são utilizados as bandas do infravermelho termal. Na região do infravermelho, a temperatura de brilho é equivalente à temperatura do corpo negro. A temperatura de brilho correspondente a radiância, que é calculada pela equação inversa de Planck (1900). Existem diversos métodos para estimar a temperatura de superfície com dados de satélites, tais como, SOBRINO et al. (1997), ULIVIERI et al. (1994) e OUAIDRARI et al. (2002). Estes métodos utilizam a técnica Split-Window para amenizar os efeitos atmosféricos e, tornar a estimativa da temperatura de superfície mais precisa e útil.
O albedo (Figura 3B) representa a quantidade de radiação incidente que é refletida pela superfície, sendo um parâmetro do balanço de radiação e de energia da superfície. O albedo é o valor médio da refletância de uma superfície na faixa espectral que vai de 0,3µm a 3µm (domínio espectral do sol) aproximadamente. O balanço de energia da superfície é a
representação dos diferentes tipos de interação da energia com a superfície. A principal fonte de energia para a superfície é a radiação solar (radiação de ondas curtas), além da energia radiante, existe também a energia emitida pela superfície e pela atmosfera (radiação de ondas longas). Conforme a Lei de Stefan-Boltzmann (1879 e 1884), essa energia é proporcional à temperatura e emissividade do corpo.
O saldo de radiação exerce um papel fundamental nos processos de troca de calor e massa na baixa troposfera, ou seja, a energia disponível é responsável pelo aquecimento do ar, processos de evapotranspiração e aquecimento do solo. Desta maneira, para determinar o saldo de radiação é necessário o cômputo do albedo, que pode ser realizado pelo cálculo das bandas do vermelho e infravermelho próximo do AVHRR/NOAA, pelo método proposto por WYDICK et al. (1987). Há outros métodos que utilizam equações de transformação da refletância de diferentes bandas espectrais, com correção atmosférica, em albedo superficial, como HUCEK e JACOBOWITZ (1995); SONG e GAO (1999); LIANG (2002), para diversos sensores (AVHRR, MODIS, ETM+).
Os produtos gerados pelo AVHRR/NOAA, como NDVI, temperatura de superfície e albedo, são utilizados para monitoramento e mapeamento das variabilidades sazonal e espacial das condições climáticas, agrícolas e urbanas (TRISHCHENKO, 2009; BARBOSA et al., 2006; BLOK et al., 2011).
2.3 DADOS AGROCLIMÁTICOS
As culturas destinadas à produção de açúcar, como a cana-de-açúcar, são exigentes em relação às condições climáticas, precisando de condições ideais de temperatura e umidade para o seu desenvolvimento. Segundo GOUVÊA (2008), o ambiente ideal é aquele onde a precipitação é bem distribuída durante o período de crescimento da planta, seguido por um período relativamente seco antes da colheita, com bastante luminosidade durante toda a estação.
Para identificar a necessidade de água da cultura para o seu crescimento e desenvolvimento é importante determinar o seu balanço hídrico. Um dos métodos mais utilizados para calcular o balanço hídrico é o de THORNTHWAITE e MATHER (1955). Esse
método requer dados de evapotranspiração, coeficiente de cultura (Kc) ao longo do período de desenvolvimento da cultura, precipitação, temperatura e capacidade de água disponível (CAD) para o período considerado. No entanto, fornece resultados como dados de evapotranspiração real (ETR), deficiência hídrica (DEF), excedente hídrico (EXC) e armazenamento de água no solo (ARM).
PEREIRA et al. (2002) descrevem o balanço hídrico como um sistema contábil de monitoramento da água do solo, que resulta da aplicação do princípio da conservação de massa para a água num volume de solo vegetado. A variação do armazenamento, num intervalo de tempo, representa o balanço entre entradas e saídas de água do volume de controle. Basicamente, são seis entradas possíveis (precipitação, orvalho, escoamento superficial, drenagem lateral, ascensão capilar e irrigação) e quatro saídas (evapotranspiração, escoamento superficial, drenagem lateral e drenagem profunda).
No balanço hídrico, com cômputo da precipitação e evapotranspiração, é possível quantificar a deficiência hídrica e sua época de ocorrência. Maiores deficiências hídricas ocorrem com maior frequência quando há aumento da temperatura e consequente elevação das taxas de evapotranspiração da cultura. Sob estresse hídrico, o vegetal é induzido a adaptações fisiológicas e morfológicas que levam ao fechamento dos estômatos, havendo queda da fotossíntese, do crescimento da cultura e de sua produtividade (DOORENBOS e KASSAN, 1994).
Para obter um bom indicador das necessidades de água da planta e do solo, pode-se utilizar o Índice de Satisfação das Necessidades de Água (ISNA), calculado a partir dos parâmetros obtidos na simulação do balanço hídrico ao longo do ciclo da cultura, por meio da Equação 2.
(2) onde, ETR é a evapotranspiração real e ETM é a evapotranspiração máxima.
O ISNA expressa a relação entre a quantidade de água que a planta consumiu e a que seria desejável a fim de garantir sua produtividade máxima (ASSAD et al., 1998). Esse índice
varia de zero a um, sendo máximo quando a quantidade de água armazenada no solo é adequada para obtenção da produtividade máxima.
A evapotranspiração real (ETR) é a quantidade de água realmente utilizada por uma superfície extensa vegetada com grama, em crescimento ativo, cobrindo totalmente o solo, porém, com ou sem restrição hídrica. Quando não há restrição hídrica, a evapotranspiração real é igual a evapotranspiração potencial (PEREIRA et al., 2002). A evapotranspiração máxima (ETM) ou de cultura é a evapotranspiração que a planta deve conseguir para potencializar a produção e obter o rendimento máximo. Isto é, é a quantidade de água utilizada por uma cultura, em qualquer fase de seu desenvolvimento, desde o plantio até a colheita, quando não houver restrição hídrica. Ela pode ser obtida a partir da evapotranspiração potencial, de acordo com a Equação 3, proposta por JENSEN (1968).
(3) onde, ETM a evapotranspiração máxima, Kc o coeficiente de cultura e ETP a evapotranspiração potencial.
A evapotranspiração potencial (ETP) ocorre numa superfície vegetada com grama com disponibilidade suficiente de água no solo, em fase de crescimento ativo, cobrindo completamente a superfície do solo (OMETTO, 1988). A evapotranspiração potencial ou de referência é um valor indicativo da demanda evapotranspirativa da atmosfera de um local em um período (PEREIRA et al., 2002). O coeficiente de cultura (Kc) é o fator de ajuste entre a evapotranspiração máxima e a evapotranspiração potencial e varia de acordo com as fases fenológicas e também entre espécies e variedades cultivares, sendo em função do índice de área foliar (IAF).
BRUNINI et al. (2001), MALUF et al. (2001), FARIAS et al. (2001) e SANS et al. (2001) utilizaram o ISNA com o objetivo de determinar as melhores datas de plantio e revelaram a importância da espacialização dos índices climáticos para o zoneamento de riscos climáticos de culturas agrícolas. Sabe-se que o ISNA é um índice relacionado com a oferta pluviométrica e o armazenamento de água no solo, com isso, é possível observar duas
situações: uma, apresenta áreas com o ISNA elevado que representam chuva mais estável e, portanto, armazenamento de água no solo ainda elevado. Outra, apresenta áreas com ISNA baixo que correspondem a áreas onde ocorre maior diferença na distribuição das chuvas e maiores diferenças no armazenamento de água. Estas situações permitem avaliar o alto, médio e baixo risco para o plantio, permitem reduzir o erro na tomada de decisão no momento do plantio e auxiliam na montagem da matriz de risco espacial, a partir de parâmetros agrometeorológicos.
2.4 CENÁRIOS FUTUROS DE MUDANÇAS CLIMÁTICAS
Os cenários futuros de mudanças climáticas são representações que descrevem como o clima do planeta poderá ser modificado em decorrência de uma determinada alteração da composição da atmosfera, resultante das atividades humanas e condições naturais (CAMILLONI e BIDEGAIN, 2005). Essas representações do clima futuro são baseadas em um conjunto de suposições, que incluem tendências futuras de demanda energética, emissões de gases de efeito estufa, mudanças no uso do solo e aproximações nas leis que regem o comportamento do sistema climático sobre grandes períodos de tempo.
Devido à natureza caótica da dinâmica da atmosfera e dos mecanismos de retroalimentação entre o oceano e a atmosfera, há muitas incertezas quanto aos resultados dos modelos que simulam os cenários futuros do clima. Cada modelo gera cenários futuros de acordo com suas premissas físicas e matemáticas, sendo que para cada cenário são atribuídas diferentes concentrações de gases de efeito estufa, avanços tecnológicos, desenvolvimento social e demográfico, gerando cenários próprios, com suas divergências e incertezas (IPCC, 2007).
Os modelos climáticos são ferramentas de planejamento para projeções de mudanças do clima, em consequência de cenários futuros de forçantes climáticas, causadas por gases de efeito estufa e aerossóis (MARENGO e SOARES, 2003). Segundo MARENGO (2001), são modelos de clima de baixa resolução espacial e de alta qualidade, em que os processos atmosféricos, oceânicos e terrestres são representados da melhor forma possível, dado o conhecimento científico atual e os meios computacionais existentes.
Modelos climáticos globais (GCMs) são as ferramentas principais para estudar a variabilidade climática de longo prazo. Estes modelos têm resolução espacial baixa, e a técnica mais aceita para transpor a baixa resolução espacial dos modelos climáticos globais para escalas mais refinadas é a regionalização (downscaling) das projeções dos modelos globais utilizando modelos climáticos regionais (RCMs) de alta resolução espacial sobre a área de interesse, tendo, como condições de contorno, dados provenientes de um modelo climático global (AMBRIZZI et al., 2007).
O desenvolvimento de cenários de mudanças climáticas em escala regional talvez seja o primeiro passo para compreensão dos impactos do aquecimento global, os quais fornecem informações úteis para avaliação da vulnerabilidade e concepção de medidas e estratégias para adaptação das mudanças do clima. Além disso, a mudança climática pode mostrar variabilidade regional, o que poderia sugerir diferentes distribuições geográficas dos impactos climáticos dentro de um país (MARENGO et al., 2011).
Há vários modelos de área limitada adaptados ou desenvolvidos para estudos de mudanças climáticas. As principais limitações teóricas dessas técnicas são erros sistemáticos oriundos dos modelos globais, que são comuns em toda a metodologia que utiliza os resultados desses modelos. No Brasil, há disponível, até o momento, três modelos regionais:
ETA - a letra grega eta (η) dá o nome ao modelo desenvolvido pela Universidade de Belgrado e Instituto Hidrometeorológico da antiga Iugoslávia, posteriormente operacionalizado pelo National Center for Environmental Prediction (NCEP) (MESINGER et al., 1988; BLACK, 1994), instalado no Centro de Previsão de Tempo e Estudos Climáticos, do Instituto Nacional de Pesquisas Espaciais (CPTEC/INPE) em 1996 (CHOU, 1996);
BRAMS (Brazilian developments on the Regional Atmospheric Modelling System) - é um projeto originalmente desenvolvido pela ATMET, IME/USP, IAG/USP e CPTEC/INPE, com objetivo de fornecer um único modelo para centros meteorológicos regionais brasileiros. O modelo BRAMS é um modelo de previsão numérica projetado para simular circulações atmosféricas.
RegCM3 (Regional Climate Model – version 3) - originário do NCAR (National Center for Atmospheric Research) (GIORGI et al., 1993a-b); e
HadRM3P - cujas simulações regionais utilizaram as mesmas condições de contorno do modelo global HadCM3 (Hadley Centre for Climate Prediction and Research), desenvolvido no Hadley Centre, UK Meteorological Office, da Inglaterra (IPCC, 2007).
2.4.1 Modelo ETA/CPTEC
O modelo climático regional ETA/CPTEC (MESINGER et al., 1988; BLACK, 1994; CHOU, 1996), desenvolvido pela Universidade de Belgrado, Instituto Hidrometeorológico da antiga Iugoslávia e CPTEC/INPE, vem apresentando desempenho satisfatório na simulação do clima presente, mostrando-se eficiente para estudos em escalas regionais. Além disso, o modelo apresenta projeções futuras de 2011 a 2099, sendo considerado um dos modelos regionais com séries futuras mais completas (CHOU et al., 2011; MARENGO et al., 2011). O modelo ETA/CPTEC foi submetido a um downscaling, isto é, mudança de uma resolução espacial baixa para resolução espacial alta, utilizando condições de contorno fornecidas pelo modelo inglês HadCM3, que é a terceira versão do modelo acoplado do Hadley Centre (GORDON et al., 2000). O modelo apresenta uma grade espacial de 40km por 40km e as projeções são geradas para o “clima presente” (baseline) de 1961 a 1990 (CHOU et al., 2011) e para o “clima futuro” de 2011 a 2099, projetado dentro da família A1B do IPCC SRES (Special Report on Emissions Scenarios).
Os resultados deste modelo são quatro valores diários de temperatura, precipitação, evapotranspiração e umidade relativa, que são utilizados para analisar a variabilidade em várias escalas, desde mudanças nas médias anuais até ciclos diários. Segundo CHOU et al. (2011), para estudo do clima presente, a concentração de gás carbônico (CO2) do ETA/CPTEC
foi definido para um valor constante de 330 ppm. Ele também foi definido para um calendário de 360 dias por ano, a fim de acompanhar a circulação geral dos calendários dos modelos do IPCC.
Nas rodadas dos cenários climáticos futuros, o modelo oferece quatro cenários de sensibilidade: alta, média, baixa e sem perturbação. O cenário sem perturbação utiliza a concentração constante de 330ppm de CO2. Os demais cenários utilizam três concentrações
