UNIVERSIDADE FEDERAL DE MATO GROSSO
CAMPUS UNIVERSITÁRIO DE SINOP
INSTITUTO DE CIÊNCIAS AGRÁRIAS E AMBIENTAIS
ENGENHARIA AGRÍCOLA E AMBIENTAL
CORRELAÇÃO LINEAR ENTRE OS ÍNDICES DE
VEGETAÇÃO NDVI E NDRE COM A
PRODUTIVIDADE DO MILHO SEGUNDA SAFRA
LETYCIA HASS BLOSFELD
SINOP
MATO GROSSO – BRASIL 2018
LETYCIA HASS BLOSFELD
CORRELAÇÃO LINEAR ENTRE OS ÍNDICES DE VEGETAÇÃO NDVI
E NDRE COM A PRODUTIVIDADE DO MILHO SEGUNDA SAFRA
Orientador(a): LIGIA MANCCINI BARROS DEMARQUI
Trabalho
de
Curso
apresentado
à
Universidade Federal de Mato Grosso -
UFMT - Campus Universitário de Sinop,
como parte das exigências para obtenção
do Título de Engenheiro Agrícola.
SINOP 2018
SUMÁRIO
RESUMO ... 3
ABSTRACT ... 4
1.
INTRODUÇÃO ... 5
2.
OBJETIVOS ... 7
2.1.
Objetivo Geral ... 7
2.2.
Objetivos Específicos ... 7
3.
REVISÃO DE LITERATURA ... 8
3.1.
Milho ... 8
3.1.1. Estádios Fenológicos ... 8
3.2.
Geoprocessamento ... 9
3.2.1. Sensoriamento Remoto ... 9
3.2.2. Sentinel - 2... 10
3.3.
Sistema de Informação Geográfica (SIG) ... 11
3.3.1. Mapa de Produtividade ... 11
3.4.
Índice de Vegetação da Diferença Normalizada (NDVI) ... 12
3.4.1. Cálculo ... 12
3.5.
Diferença Normalizada na Banda do Vermelho (NDRE) ... 13
3.5.1.
Cálculo ... 13
4.
MATERIAL E MÉTODOS ... 14
4.1.
Área de Estudo ... 14
4.2.
Materiais ... 14
4.3.
Metodologia ... 15
4.3.1.
Aquisição e Organização dos Dados ... 15
4.3.2.
Processamento dos Dados de Produtividade ... 17
4.3.3.
Processamento da imagem ... 18
4.3.4.
Extração dos Dados Estatísticos... 21
5.
RESULTADOS E DISCUSSÃO ... 23
6.
CONCLUSÕES E RECOMENDAÇÕES ... 29
7.
REFERÊNCIAS BIBLIOGRÁFICAS ... 30
RESUMO
Com as exigências do agronegócio, os produtores rurais necessitam elevar o seu grau de especialização principalmente se tratando da cultura do milho por ser extremamente influenciada pelas condições meteorológicas. Deste modo o produtor procura adaptar-se às novas tecnologias de sensoriamento remoto, onde pequenas e médias propriedades também podem ser capazes de utilizar. Sendo assim, o objetivo deste trabalho é calcular a correlação linear da produtividade do milho segunda safra com os índices NDRE (Índice de Vegetação por Diferença Normalizada na Banda de Borda Vermelha) e NDVI (Índice de Vegetação por Diferença Normalizada), através do uso de softwares livres e imagens de satélite gratuitas. O cálculo da correlação foi feito a partir de dados de produtividade e imagens Sentinel- 2 de uma propriedade ao noroeste de Mato Grosso, no município de Tabaporã. Utilizou-se o software QGIS para a criar o mapa de produtividade, a correção atmosférica das imagens (pelo método Dark Object Subtraction) e os índices de vegetação (NDVI e NDRE). Para fins de comparação, foi realizada uma extração destes valores pixel a pixel, por meio de grade amostral. Todos os cálculos estatísticos foram realizados no software Microsoft Excel. Verificou-se que entre os dois índices, o NDRE mostrou-se mais representativo que o NDVI, onde quando ocorre alta variabilidade espacial da produtividade, há uma tendência a coeficientes de correlação maiores, estando também fortemente relacionado a baixa produtividade, evidenciando a relação entre os índices de vegetação e as condições de sanidade do milho. Através de tais resultados, observou-se que com a utilização de recursos gratuitos é possível obter e processar dados para a geração de mapas de produtividade e índices de vegetação.
ABSTRACT
Due to the agribusiness demand, the rural producers need to increase their level of expertise, mainly with the maize crop, that its extremely influenced by weather conditions. In this way, the producer seeks to adapt to the new remote sensing technologies, which can also be used for small and medium-sized agricultural properties. Therefore, the aim of this paper is to estimate the linear correlation between the yeld of interim-harvest and the NDVI (Normalized Difference Vegetation Index) and NDRE (Normalized difference red edge) indexes, using free resources as free-code software and sattelite imagery. Productivity data and Sentinel-2 imagery of a property in the Tabaporã municipality, at northwest of Mato Grosso, were used. It was used the Quantum Gis software to create the productivity map, the atmospheric correction of images (through the Dark Object Subtraction method) and the vegetation indexes (NDVI and NDRE). For comparison purpose, a pixel-to-pixel extraction in a amostral regular grid was done. All statistic calculation were perfomed in Microsoft Excel. It was verified that between the two indexes, the NDRE was more representative than the NDVI, when there is a high spatial variability of the productivity, there is a trend to higher correlation coefficients, being also strongly related to the low productivity, evidencing the relation between the vegetation indexes and corn sanitation conditions. Through these results, it was observed that with the use of free resources it is possible to obtain and process data for the generation of productivity maps and vegetation indexes.
1. INTRODUÇÃO
A agricultura moderna tornou-se uma atividade de alta competitividade devido às ligeiras transformações que vem passando nas últimas décadas. Com as exigências do agronegócio e buscando a ampliação da capacidade gerencial, os produtores rurais necessitam elevar o seu grau de especialização (NUNES, 2016). Um exemplo disso é a cultura do milho por ser uma cultura extremamente influenciada pelas condições meteorológicas, principalmente o milho safrinha, ou milho de segunda safra, já que a época em que é realizado o seu plantio (até dia 15 de fevereiro) ocorre a redução de precipitação e temperatura, assim sendo uma cultura extremamente sujeita a riscos (MACEDO; RUDORFF, 2003). À partir dessa busca em aumentar sua capacidade, o produtor procura adaptar-se às novas tecnologias de sensoriamento remoto, já que a aquisição de dados referente à sua propriedade rural é fundamental para garantir o sucesso de sua atividade (NUNES, 2016).
Os produtos de sensoriamento remoto disponibilizam informações que auxiliam no monitoramento de culturas, como do milho segunda safra, permitindo identificar alterações naturais e antrópicas que podem comprometer o solo e a produção (SILVA et al., 2011; MABILANA et al., 2012).
Algumas das propriedades brasileiras que utilizam tecnologias de ponta já fazem o uso de informações relacionadas à variabilidade espacial e temporal de atributos, o que permite um manejo não uniforme e aprimorado das áreas. Entretanto, pequenas propriedades também podem ser capazes de utilizar estes dados sem necessitar de tecnologias inviáveis economicamente, bastando apenas o uso de conhecimento e manejo de seus recursos disponíveis (softwares livres e imagens gratuitas) (FILHO, 2009; MERCANTE et al., 2003).
Algumas imagens disponibilizadas gratuitamente em sites por instituições como INPE, IBGE, Word View, dentre outras, possuem aspectos multiespectrais e multitemporais, que aliadas a diversas técnicas de geoprocessamento, possibilitam um devido monitoramento sistemático e individual de áreas agrícolas. (MACEDO; RUDORFF, 2003; NUNES, 2016).
Através do processamento das imagens, é possível obter informações agrometeorológicas, como evapotranspiração, albedo e diversos índices de vegetação (SEIXAS et al., 2010). O NDVI (Índice de Vegetação por Diferença Normalizado), que se destaca por relacionar os parâmetros biofísicos da cobertura vegetal infere diretamente sobre os fatores ambientais (PONZONI et al., 2012). E o NDRE (Normalized difference red edge - Diferença Normalizada na Banda de Borda Vermelha), que é um índice capaz de fornecer uma melhor analise de colheitas permanentes ou de estágio posterior, com a possibilidade de (diferentemente do NDVI) medir mais a fundo no dossel (TAIPALE, 2018).
Sendo assim, tendo em vista a importância do estudo da variabilidade espacial, o potencial da utilização de técnicas de geoprocessamento e o uso de recursos gratuitos para pequenas
e médias propriedades, o objetivo deste trabalho é calcular a correlação linear da produtividade do milho segunda safra com os índices NDRE e NDVI, através do uso de softwares livres e imagens de satélite gratuitas.
2. OBJETIVOS
2.1. Objetivo Geral
Determinar os valores correspondentes de NDVI e NDRE para o milho segunda safra, comparando estes índices através de uma correlação linear com o mapa produtividade, utilizando softwares livres e imagens de satélite.
2.2. Objetivos Específicos
• Calcular os valores de NDVI e NDRE para o milho segunda safra de uma propriedade no noroeste do Mato Grosso.
• Estabelecer a correlação linear dos índices de vegetação com o mapa produtividade. • Avaliar qual dos dois índices estudados representam melhor a produtividade.
3. REVISÃO DE LITERATURA
3.1. Milho
O milho (Zea mays L.) apresenta um período de crescimento e desenvolvimento limitado pela disponibilidade de água, temperatura e radiação solar. Para atingir uma produtividade elevada, o milho necessita de níveis ótimos dos fatores climáticos, como a precipitação pluviométrica, foto período e especialmente a temperatura (EMBRAPA, 2010).
Um dos parâmetros de extrema importância para a cultura do milho, é a radiação solar, que influencia no processo fotossintético da planta, já que provém desse processo a fixação de CO2. O milho por ser uma planta do grupo C4, possui alta eficiência na utilização de luz, dessa forma uma redução da intensidade luminosa por vários períodos atrasa a produção podendo ocasionar uma queda na produtividade (EMBRAPA, 2010).
Geralmente o milho é plantado no mês de outubro, já que essa época favorece para que o estágio em que a planta apresenta maior área foliar coincida com os dias mais longos do ano (EMBRAPA, 2006). Mas, a semeadura do milho também pode ser realizada em outra época como segunda cultura, conhecida como “safrinha”. O uso desta segunda safra é significativo no estado no Mato Grosso, em 2011 representando 40% da produção de milho segunda safra no Brasil (NASCIMENTO et al., 2011).
O milho safrinha pode ser definido como um milho de sequeiro que geralmente é plantado após a colheita da soja. No centro-Oeste o plantio ocorre entre os meses de janeiro até 15 de fevereiro, já que a soja geralmente é semeada de outubro a novembro. É recomendado para este período, plantar o milho o mais cedo possível, assim garantindo o menor tempo de seca durante o ciclo e aproveitando a maior quantidade de chuvas. (CRUZ et al,201?; HOLANDA, 2017)
3.1.1. Estádios Fenológicos
Os estádios fonológicos do milho são agrupados em duas grandes fases, uma vegetativa e uma reprodutiva. O estádio vegetativo varia até o momento anterior ao pendoamento, sendo cada etapa desse estádio definido como a última folha completamente expandida. Após o pendoamento se inicia a fase reprodutiva que ocorre até a maturação fisiológica. A maturação fisiológica pode ser determinada quando os grãos apresentarem uma camada preta, entre o grão e o sabugo. Esta última fase indica o começo da perda de água, já que não ocorre mais a entrada de nutrientes, fazendo com que se inicie o processo de senescência natural das folhas, onde a planta perde gradativamente sua coloração esverdeada (PIONNER, 201?; WEISMANN, 2007).
A fase reprodutiva que ocorrem anteriormente a maturação fisiológica é consideradas um período crítico para a produtividade do milho, já que em termos de dependência de água,
afeta diretamente o desenvolvimento da cultura. Assim, esta fase pode ser correlacionada com a variação de produtividade (MACEDO; RUDORFF, 2003).
3.2. Geoprocessamento
O geoprocessamento pode ser entendido como o conjunto de técnicas matemáticas e computacionais, usadas para o processamento da informação geográfica (que engloba o Sistemas de Informações Geográficas) e a aquisição de informações de dados (sensoriamento remoto), obtidos referentes a objetos e fenômenos geograficamente identificados (MOREIRA, 2005).
Diversas áreas como Análise de Recursos Naturais, Cartografia, Comunicações e Transportes vêm sendo crescentemente influenciadas pelo geoprocessamento, já que dados locais podem ser obtidos e analisados por geotecnologias de custo relativamente baixo e principalmente, pelo fato de o Brasil possuir uma extensa dimensão, o que o torna carente de informações referentes a questões urbanas, rurais e ambientais (CÂMARA; DAVIS; MONTEIRO, 2001).
Dentre as diversas técnicas computacionais utilizadas no processamento de dados, evidencia-se, no setor rural, a utilização de ferramentas para o processamento digital de imagens, no estudo das vegetações (PONZONI et al., 2012).
3.2.1. Sensoriamento Remoto
O sensoriamento remoto pode ser definido como uma geotecnologia que proporciona a obtenção de dados sobre os objetos, sem contato físico com os mesmos (SOUZA et al., 2007). Assim, ao utilizar sensores e equipamentos, é possível captar a radiação solar que interage com as várias coberturas da superfície terrestre, de forma característica e individual, descrevendo o comportamento espectral do alvo (NOVO,1989; MACEDO; RUDORFF, 2003).
Nos dias atuais o sensoriamento remoto apresenta uma série de vantagens. Uma delas é o pequeno custo por área específica (AZEVEDO; MANGABEIRA, 2001), visto que a obtenção de dados relacionados ao balanço de radiação, por exemplo, pode ser obtida por saldo radiômetros que são instalados em campo, mas em escala regional, além de apresentar limitação espacial essas medidas possuem um alto custo para serem implementadas (SILVA et al., 2011). Assim a utilização do sensoriamento remoto, como ferramenta para estimar o saldo de radiação, apresenta baixo custo e dados mais próximos do encontrado em campo, além de permitir dados com variação espacial e temporal. (OLIVEIRA et al., 2012).
Já as vantagens do sensoriamento remoto multiespectral estão relacionadas a aspectos diacrônicos (grande frequência da repetição da tomada de imagens); sincrônicos da captação de imagens; aparência de imagens multiespectrais; caráter digital dos dados e fácil relação das bases de dados geocodificados, que podem ser cartográfico ou numérico, obtido
através do SIG (AZEVEDO e MANGABEIRA, 2001). Em se tratando de imagens digitais, obtidas por sensoriamento remoto, diversas características podem ser observadas, como os: tipos de sensores; local e cobertura da área de captura; a qualidade referente a quantidade de imagens; datas disponíveis; período do ano ou a obtenção através de programação (MOREIRA, 2005).
Através da análise e interpretação de imagens de sensoriamento remoto, é possível compreender a variação da radiação refletida ao longo do tempo, por culturas agrícolas em várias fases de desenvolvimento e vigor. A partir desta variação, padrões podem ser estabelecidos e relacionados ao potencial de produtividade agrícola. Entretanto, limitações são encontradas, como a presença de nuvens na aquisição das imagens e o fato de que as imagens captam de forma coletiva as variáveis que inferem no crescimento da cultura, podendo não estar relacionadas á produtividade (MACEDO; RUDORFF, 2003).
3.2.2. Sentinel - 2
As imagens podem ser originárias de diversos satélites, com características diferentes, tudo a depender da resolução esperada. Uma forma de avaliar o satélite a ser utilizado é a partir de seus sensores a bordo que seguem os seguintes critérios: resolução espectral e resolução espacial. A resolução espectral é a capacidade dos sensores espectrorradiômetros em registrar a radiação em diferentes regiões do espectro, ou seja, em um comprimento de onda específico, sendo utilizada para detectar diferentes reflectâncias, em bandas específicas para diversas superfícies. A resolução espacial ou geométrica, que seria o campo de visão ou a menor área possível de captação que o sistema sensor individualiza, pode ser bem referenciada como sendo o tamanho do pixel, onde apenas objetos que são maiores que ele podem ser identificados (AZEVEDO e MANGABEIRA, 2001; CÂMARA et al, 2001).
Outras resoluções que também podem ser utilizadas para avaliar um satélite são a Resolução Radiométrica e Temporal: a resolução radiométrica definida como a radiação que reflete ou é emitida por diferentes alvos com valores de intensidade variados, estes valores são associados ao número de dígitos binários usado para o armazenamento do valor máximo de cada pixel, assim quanto maior a resolução radiométrica, maior será a quantidade de detalhes da superfície; a resolução temporal refere-se como a freqüência que o sensor capta uma determinada área e também a repetição de cada captura ( AZEVEDO e MANGAREIRA, 2001).
O satélite SENTINEL-2, lançado como parte do programa Copernicus da Comissão Européia em 23 de junho de 2015, foi projetado especificamente para fornecer uma riqueza de dados e imagens. O satélite é equipado com um sensor multiespectral optoeletrônico para levantamento com resolução de 10 a 60 m nas zonas espectrais visível, infravermelho próximo (VNIR) e infravermelho de ondas curtas (SWIR), incluindo 13 canais espectrais, o que garante
a captura de diferenças no estado da vegetação, incluindo mudanças temporais, e também minimiza o impacto na qualidade da fotografia atmosférica (EOS, 2015).
Dentre os 13 canais espectrais há 4 bandas no visível e no infravermelho, 6 bandas no “red edge” e no infravermelho de ondas curtas e 3 bandas para correções atmosféricas, sendo que cada um desses conjuntos corresponde respectivamente a 10, 20 e 60 metros de resolução espacial. Possui uma resolução radiométrica de 12 bits por pixel e uma resolução temporal de 5 dias com a constelação de 2 satélites Sentinel 2A e 2B, no equador (ENGESAT, 2015).
3.3. Sistema de Informação Geográfica (SIG)
Os SIGs podem ser definidos como um conjunto de ferramentas computacionais, que permitem executar análises complexas ao correlacionar diversos dados geo-referenciados Ele torna possível o controle não só de eventos, atividades e coisas, mas também onde eles ocorrem, se uma determinada questão ou problema, depende de um “onde” para ser resolvido, levar em consideração o uso de um SIG é o ideal (LONGLEY et al, 2013; CÂMARA et al, 2001).
Os SIGs disponibilizam excelentes ferramentas para o apoio e decisão,relacionando suas vantagens quanto, à versatilidade para o processamento de dados georreferenciados, baixo custo ao operar em certas plataformas e as suas diversas operações simplificadas. Assim, torna possível a tomada de decisões a partir de critérios definidos, de uma maneira participativa e sustentável (SHIMABUKURO et al., 2015).
No quesito de resolução de problemas,o uso do SIG está relacionado a localização, e pode ser denominado como problemas geográficos. Um meio de resolver problemas geográficos relacionados ao meio rural por exemplo, é empregar novas tecnologias da informação, que pode ser usada na tomada de decisão como forma de determinar a quantia de fertilizantes e pesticidas, a serem aplicados em diferentes partes da propriedade. (LONGLEY et al., 2013)
3.3.1. Mapa de Produtividade
Um dos conjuntos de dados mais completos para se visualizar a variabilidade espacial e temporal, é o mapa de produtividade. (MOLIN, 2002). Existem vários métodos para se monitorar a produtividade, alguns menos sofisticados, como no caso da simples pesagem da produção de um talhão, e outros um pouco mais aprimorados, como pesar cada tanque graneleiro da colhedora. Já o método para geração de mapas mais detalhados, geram um conjunto de diversos pontos por talhão, cada ponto representa uma determinada área em que foi colhido uma quantidade de grãos e a sua posição. Um dado também importante a ser levantado é a umidade dos grãos, já que a produtividade é informada com base em grãos
secos, e também pelo fato da umidade ser uma fonte de variabilidade espacial. (MOLIN, 2000).
Segundo Lyle et al. (2014), existem 4 causas principais de erros em mapas de produtividade, sendo eles; a dinâmica de colheita da colhedora, a medição contínua de umidade e produtividade, a precisão das informações de posicionamento e erros induzidos pelo operador da colhedora. Estes erros devem ser removidos, de forma a evitar que o mapa de produtividade tenha sua qualidade afetada, indicando possíveis intervenções inadequadas.
3.4. Índice de Vegetação da Diferença Normalizada (NDVI)
A vegetação apresenta um comportamento antagônico de refletância dentro de duas regiões espectrais, a visível e o infravermelho próximo. Na região do visível ocorre baixa refletância das folhas decorrente da absorção da radiação; já na região do infravermelho próximo ocorre alta refletância devido ao espalhamento da radiação no interior das folhas. Desta forma são estabelecidos índices de vegetação que relacionam estes parâmetros biofísicos da cobertura vegetal (PONZONI et al., 2012)
O monitoramento de culturas pode ser feito por meio destes índices de vegetação, como: o Índice de área foliar (LAI), Índice de Vegetação da Diferença Normalizada (NDVI), Índice de vegetação ajustado ao solo (SAVI), entre vários outros. Um dos mais utilizados é o NDVI, que pode determinar a densidade de fitomassa foliar fotossinteticamente ativa por unidade de área (DEMARCHI et al., 2011).
O valor de NDVI varia de -1 a +1, onde o solo sem cobertura é representado por valores próximos de 0, e as nuvens por valores negativos. Já o número acima de 0 indica a presença de cobertura vegetal. Assim ao analisar o que corresponde à vegetação é possível observar que quanto maior for o valor de NDVI, maior é o grau de verde da cultura e consequentemente infere se ela está mais densa ou em pleno vigor de crescimento, onde neste último, os valores podem alcançar o máximo, mas nunca ultrapassando 0,84 (CÂMARA et al., 2001).
3.4.1. Cálculo
Em respeito a alvos terrestres, os valores do índice no limite inferior chegam próximo a zero e o limite superior a quase 0,80 (PONZONI et al., 2012). Assim, segundo Moreira (2005), o índice normalizado pode ser obtido pela seguinte expressão:
NDVI = (IVP – Ver) / (IVP + Ver)
Sendo IVP a energia refletida no infravermelho próximo e Ver a energia refletida no vermelho do espectro eletromagnético.
3.5. Diferença Normalizada na Banda do Vermelho (NDRE)
Assim como o NDVI o NDRE ou diferença normalizada na banda de borda vermelha (Normalized difference red edge), é constituído da combinação de duas frequências distintas de luz, ou seja, pela divisão da soma das faixas de forte absorção de luz vermelha de clorofila (~ 720 nm) e a banda altamente reflexiva do infravermelho próximo (~ 760 nm). Região de comprimento de onda mais conhecida como “red edge”. (BERNARDI, 201?). Segundo Gates et al. (1965), conforme existe uma maior quantia de clorofila, o comprimento de onda do red edge se torna maior.
Uma das grandes vantagens da utilização do NDRE é que ele é capaz de medir mais a fundo do dossel das plantas, além de ser menos propenso a saturação. Desta forma, fornece uma melhor resposta quando se trata de culturas permanentes ou de estágio posterior, sendo possível, às vezes, apresentar uma medição de variabilidade melhor que o NDVI (TAIPALE, 2018).
3.5.1. Cálculo
Segundo Barnes et al. (2000) o índice de borda vermelha (NDRE) de diferença normalizada é expresso pela seguinte equação:
NDRE= (IVP – RE) (IVP + RE)
Sendo IVP a energia refletida no infravermelho próximo e RE a energia refletida no intervalo de onda “red edge” do espectro eletromagnético.
4. MATERIAL E MÉTODOS
4.1. Área de Estudo
A área de estudo compreende uma propriedade ao noroeste de Mato Grosso, localizada nas coordenadas (Latitude: 10° 48' 27'' Sul, Longitude: 56° 37' 14'' Oeste), no município de Tabaporã, a localização do município pode ser observada na Figura 1. Segundo Souza et al., (2013), essa região possui duas estações climáticas bem definidas, com chuvas concentradas no verão (estação chuvosa de outubro a abril) e seca no inverno (estação seca de maio a setembro), com precipitações de até 2000 mm.
Figura 1- Localização da cidade de Tabaporã no estado do Mato Grosso.
Na propriedade em questão analisada os talhões trabalhados no ano de 2017, não são os mesmos do ano de 2018.
4.2. Materiais
• Software QGIS 2018, Sistema de Informação Geográfica (SIG) de Código Aberto disponível no link https://www.qgis.org/pt_BR/site/.
• Imagens Sentinel - 2, do município de Tabaporã – MT na data de 07/05/2017 e 22/04/2018, com banda 04 (Vermelho), 08 (Infravermelho próximo) e 05 (red edge 1) obtidas no site https://earthexplorer.usgs.gov/ .
• Dados de produtividade do milho em formato shapefile originalmente obtido através de sistema de monitoramento embarcado em uma colhedora STS 9770 (planilha de atributos no Anexo 1).
4.3. Metodologia
A metodologia aplicada neste trabalho pode ser organizada em quatro etapas principais, conforme esquematizado no Fluxograma 1 abaixo.
Fluxograma 1- Esquema sequencial da metodologia.
4.3.1. Aquisição e Organização dos Dados
Os passos desenvolvidos nesta etapa podem ser observados no Fluxograma 2 a seguir.
Fluxograma 2- Esquema sequencial da primeira etapa da metodologia.
Para o processo de aquisição de imagens, foi realizada uma pesquisa de imagens do satélite Sentinel – 2 no site EarthExplorer, afim de selecionar imagens que possuíssem janelas atmosféricas na região de interesse no período correspondente entre os meses de abril e maio, e nos anos compatíveis com os dados de produtividade. Tais considerações, relevantes na pesquisa das imagens, se devem ao fato de que porcentagens altas de cobertura de nuvem inviabilizam a análise territorial de imagens multiespectrais, e os meses definidos estão relacionados à época da lavoura do milho segunda safra e seu período de maior estádio vegetativo.
Devido ao período de elevada precipitação na época, a maior parte das imagens estavam fortemente influenciadas pela cobertura de nuvens. Apesar da boa resolução temporal do sensor, apenas duas imagens puderam ser selecionadas dentro das condições estabelecidas:
• 2017_07maio2017.tif (bandas 04, 05 e 08) • 2018_22abril2018.tif (bandas 04, 05 e 08)
Juntamente com a seleção das imagens foram adquiridos os dados de produtividade, os quais foram cedidos pela Fazenda Gobi no formato shapefile. Verificou-se que dados de um mesmo talhão estavam distribuídos em mais de um arquivo vetorial, isso ocorre devido a
oscilação de talhões colhidos em cada dia. Deste modo, foi necessário a unificação dos arquivos, realizada por meio da ferramenta do QGIS chamada “mesclar camadas vetoriais”. Gerando assim um arquivo vetorial para cada ano:
• Produtividade2017.shp • Produtividade2018.shp
Com todos os dados de um mesmo ano em um único arquivo, então foi feita a separação dos dados por talhão, criando assim um vetor por talhão para cada ano.
4.3.2. Processamento dos Dados de Produtividade
Os passos desenvolvidos nesta etapa podem ser observados no Fluxograma 3 a seguir.
Fluxograma 3- Esquema sequencial da segunda etapa da metodologia.
A fim de remover dados inconsistentes (outliers), foi realizada uma filtragem utilizando a metodologia proposta por Taylor et al. (2007). Para tanto, utilizou-se a ferramenta “calculadora de campo” para calcular a média e o desvio padrão dos dados na tabela de atributos, então utilizou-se a ferramenta “filtro de feições” a fim de localizar e eliminar os dados cujos valores fossem maiores que 2,5 vezes o desvio padrão, acima e abaixo da média.
Com os dados livres de outliers, foi realizada uma segunda filtragem a fim de classificar os pontos em relação a diferença de magnitude entre cada ponto e seus vizinhos. Essa filtragem foi feita utilizando o aplicativo MapFilter, porém antes fizeram-se necessários alguns ajustes: criar duas colunas no início da planilha de atributos que correspondessem a latitude e longitude de cada ponto e converter os arquivos do formato shapefile para o formato CSV (comma separeted values - “valor separado por vírgula”).
No Map Filter, seguindo a metodologia de Zanela et al, (2017) cada talhão foi filtrado utilizando um raio de busca de 10 metros e um coeficiente de variação de 15% para a média. Estes valores são para que o software identifique os pontos que apresentem variação superior que a estabelecida dentro do raio de busca. Por fim, os pontos são classificados como inadequados, duvidosos e consistentes, onde foi removido os dados classificados como inadequados.
Com a utilização da ferramenta de “criar camada de texto delimitado”, cada talhão filtrado foi aberto novamente no QGIS, e posteriormente convertido em arquivo Shapefile (.shp).
Por fim, foram gerados os mapas de produtividade pelo método de interpolação por IDW (peso pelo inverso da distância) com a utilização da ferramenta “interpolação”.Utilizou-se o tamanho de pixel de 10x10 para compatibilizar o resultado com os mapas de índices de vegetação, cuja resolução espacial está ligada ao sensor.
4.3.3. Processamento da imagem
Os passos desenvolvidos nesta etapa podem ser observados no Fluxograma 4 a seguir.
Antes de realizar o cálculo dos índices, é necessário aplicar a correção atmosférica, uma vez que a atmosfera pode influenciar no registro da energia eletromagnética em relação ao contraste entre superfícies e brilho de cada ponto na imagem. A correção dessas influencias permite recuperar o percurso da radiação, recuperando as características espectrais da superfície terrestre (EDUARDO; SILVA, 2013). A partir do que foi proposto por Chavez (1988), a correção foi realizada pelo método DOS (Dark Object Subtraction), onde é corrigido apenas o espalhamento atmosférico, porém é de fácil aplicação. O DOS foi realizado pela ferramenta “preprocessing” de um complemento do software QGIS chamado “Semi
Automatic Classification”, o resultado da correção atmosférica pode ser observado na 2, com
uma ilustração do antes e depois da imagem da banda 08 (NIR) correspondente a data de 2018.
2a
2b
Figura 2- A figura 2a representa a imagem antes da correção atmosférica e a figura 2b depois da correção.
Uma vez que todas as imagens foram corrigidas atmosfericamente, foi feito o cálculo do NDVI com a utilização da ferramenta “band calc” do mesmo complemento citado anteriormente. O NDVI é calculado a partir das bandas do vermelho (B04) e do infravermelho próximo (B08) de acordo com a equação:
NDVI = (B08 – B04) / (B08 + B04) O resultado pode ser observado na Figura 3.
Figura 3 - Resultado do cálculo do NDVI para imagens Sentinel-2 de 07/05/2017.
Utilizando a mesma ferramenta (“band calc”), foi calculado o NDRE a partir das bandas do infravermelho próximo (B08) e do Red Edge (B05) de acordo com a equação:
NDRE= (B08 – B05) / (B08 + B05) O resultado pode ser observado na Figura 4.
Figura 4- Resultado do cálculo NDRE para imagens Sentinel-2 de 07/05/2017.
NDVI
4.3.4. Extração dos Dados Estatísticos.
Os passos desenvolvidos nesta etapa podem ser observados no Fluxograma 5 a seguir.
Fluxograma 5- Esquema sequencial da quarta etapa da metodologia.’
Para extração dos dados, criou-se uma grade amostral de pontos, através da ferramenta “Pontos regulares”. Esta ferramenta cria uma grade sobre toda a imagem de pontos igualmente espaçados (grade regular), no caso foi utilizado o espaçamento de 10 metros.
Como esse processo é feito na imagem como um todo, e como o próximo passo é extrair os valores das áreas de interesse, foi necessário realizar a vetorização da área de cada talhão, a fim de poder recortar os limites dessas áreas para especificar e facilitar o processamento. Para a vetorização foi levado em consideração o efeito de borda ocasionado pela mistura espectral na borda do talhão. Além disso foi necessário eliminar as nuvens aparentes nas áreas de interesse.
Com os pontos sobre cada um dos pixels das imagens, utilizou-se o complemento “Point Sampling tool”. Este plugin coleta valores raster (NDVI, NDRE e mapa de produtividade) de várias camadas em pontos de amostragem especificados (grade regular). Ao fim, gerou-se uma nova camada de pontos com localizações dadas pelos pontos de amostragem e atributos tirados de todas as células raster. Sendo assim, no novo arquivo Shapefile de pontos criado, a tabela de atributos é carregada com os valores dos índices de vegetação e sua correspondente produtividade.
Para realizar as análises estatísticas, exportou-se os dados da tabela de atributos para o formato CSV. Esse arquivo foi aberto no software Microsoft Excel.
Assim foram realizados os cálculos de média, desvio padrão (DP) e coeficiente de variação (CV) dos índices de vegetação. Com as análises de correlação, obteve-se a medida das relações entre as variáveis através dos coeficientes de correlação, relacionando NDVI e NDRE com a produtividade.
5. RESULTADOS E DISCUSSÃO
A análise de correlação linear entre as variáveis foi realizada levando em consideração os valores pixel a pixel, entre a produtividade e os índices de vegetação. Pode-se observar os valores do coeficiente de correlação do ano 2017 e 2018 na Tabela 1.
Tabela 1. Resultado da correlação linear (r) entre produtividade de cada talhão e índices de vegetação para os anos de 2017 e 2018. 2017 NDRE (r) NDVI (r) TALHÃO 1 0.527026 0.250547 TALHÃO 2 0.508746 0.301158 TALHÃO 3 0.267082 0.137682 TALHÃO 4 0.26629 0.207492 TALHÃO 5 0.514872 0.387831 TALHÃO 6 0.425147 0.326126 TALHÃO 7 0.422273 0.261776 TALHÃO 8 0.487941 0.28866 TALHÃO 9 0.62041 0.533172 TALHÃO 10 0.544173 0.585229 TALHÃO 11 0.237825 0.141608 TALHÃO 12 0.191424 0.171327 TALHÃO 13 0.571306 0.41476
Em praticamente todas as análises realizadas o NDRE se mostrou superior ao NDVI, com a única exceção do TALHÃO 10 de 2017. É importante destacar que o NDRE é capaz de medir mais a fundo do dossel das plantas, desta forma, como o trabalho realizado foi com a cultura do milho, a qual apresenta várias camadas de folhas, esta pode ser a razão pela qual o índice se mostra bem mais representativo que o NDVI.
Ao verificar a diferença dos índices entre os anos, observa-se que no ano de 2017 a diferença entre a correlação dos índices se mostrou superior quando comparados com 2018, possivelmente pelo fato do NDRE se mostrar mais representativo que o NDVI em fases posteriores do desenvolvimento do milho, já que a imagem utilizada em 2017 (07/05/2017) foi de cerca de 15 dias de diferença da utilizada em 2018 (22/04/2018). Desta forma, com base na janela de plantio da região (até 15 de fevereiro) em 2017, possivelmente todos os talhões
2018 NDRE (r) NDVI (r) TALHÃO 1 0.29959 0.2485 TALHÃO 2 0.37678 0.32653 TALHÃO 3 0.25057 0.23467 TALHÃO 4 0.80536 0.66627 TALHÃO 5 0.73101 0.69483 TALHÃO 6 0.28756 0.25005 TALHÃO 7 0.25347 0.03007 TALHÃO 8 0.47147 0.40255 TALHÃO 9 0.42665 0.31287
já haviam iniciado a fase de desenvolvimento reprodutivo, podendo apresentar influências nas suas respostas espectrais devido a alteração de sua coloração.
Através da comparação entre os dois índices, um resultado similar foi encontrado em Sharma et al (2015), em que também verificou que a resposta do NDRE (chamado por ele de NDVI de borda vermelha) mostrou-se mais significativo nos últimos estágios do crescimento vegetativo do milho, enquanto nos primeiros estágios, o NDVI e o NDRE se mostraram semelhantes.
A estatística descritiva dos dados de produtividade dos anos 2017 e 2018 podem ser observados nas Tabelas 2 e 3 respectivamente.
Tabela 2. Análise descritiva da produtividade para o ano de 2017.
Média Desvio CV (%) TALHÃO 1 144.8064 9.114667 6.294382 TALHÃO 2 150.9552 9.759027 6.464848 TALHÃO 3 150.0919 7.514172 5.006382 TALHÃO 4 151.9858 5.498559 3.61781 TALHÃO 5 150.2827 6.919822 4.604536 TALHÃO 6 145.4188 8.001567 5.502429 TALHÃO 7 144.0971 7.592702 5.269155 TALHÃO 8 147.1712 7.814851 5.310042 TALHÃO 9 155.4918 6.896202 4.435091 TALHÃO 10 156.8154 7.926618 5.054745 TALHÃO 11 150.9096 7.714455 5.11197 TALHÃO 12 141.0361 7.021943 4.978826 TALHÃO 13 156.8806 6.372301 4.061881
Tabela 3. Análise descritiva da produtividade para o ano de 2018.
Média Desvio CV (%) TALHÃO 1 172.592287 5.957096 3.451543 TALHÃO 2 169.473578 5.766432 3.402555 TALHÃO 3 172.404387 4.004221 2.322575 TALHÃO 4 153.615811 18.76183 12.21348 TALHÃO 5 151.777033 16.56768 10.9158 TALHÃO 6 165.005693 7.095762 4.300314 TALHÃO 7 152.91037 8.708882 5.695416 TALHÃO 8 168.929343 7.140288 4.22679 TALHÃO 9 170.798796 6.510217 3.811629
Pode-se observar que no ano de 2018, os talhões 4 e 5 se destacam com um maior coeficiente de variação, em comparação com os demais, isso explicaria o fato destes mesmos
talhões apresentarem os maiores coeficientes de correlação, já que a alta variabilidade espacial foi um indicativo de talhões menos sadios, com médias de produtividade mais baixas. De forma geral, os demais talhões de 2018 apresentaram coeficientes de variação relativamente menores quando comparados a 2017, o que implicou na baixa variabilidade espacial e consequentemente nos menores índices de correlação. Em 2017 a relação entre o coeficiente de variação e o de correlação não é tão aparente e suas variações apresentam pouca diferença de um talhão para o outro, porém ao comparar as médias de produtividade, verificamos que em 2017 a produtividade foi menor que em 2018.
Os resultados da análise descritiva dos índices de vegetação do ano de 2017 e 2018 podem ser observados nas Tabelas 4 e 5 respectivamente.
Tabela 4. Análise descritiva dos índices de vegetação para o ano de 2017.
Média DP CV (%)
NDRE NDVI NDRE NDVI NDRE NDVI TALHÃO 1 0.66934 0.80405 0.02742 0.03192 4.0967699 3.96949928 TALHÃO 2 0.72301 0.83153 0.02878 0.03008 3.9799456 3.61744 TALHÃO 3 0.71456 0.82866 0.01844 0.02186 2.5808647 2.63786965 TALHÃO 4 0.7178 0.83339 0.02174 0.02561 3.0286102 3.07310975 TALHÃO 5 0.70898 0.83154 0.02277 0.02403 3.2121196 2.88956684 TALHÃO 6 0.70997 0.83163 0.02426 0.0294 3.4166651 3.53526292 TALHÃO 7 0.70298 0.82464 0.02388 0.02279 3.3973126 2.76305838 TALHÃO 8 0.68848 0.81366 0.02357 0.02508 3.4236582 3.08279285 TALHÃO 9 0.64431 0.79963 0.02065 0.01442 3.2055788 1.80389233 TALHÃO 10 0.67007 0.80864 0.03668 0.0304 5.4739661 3.75897894 TALHÃO 11 0.64384 0.80157 0.00892 0.00708 1.3850084 0.88320312 TALHÃO 12 0.74459 0.85123 0.02062 0.02346 2.7694379 2.75546015 TALHÃO 13 0.7417 0.8441 0.01809 0.01709 2.4391354 2.02495744 TALHÃO 14 0.61761 0.79457 0.01543 0.00937 2.4980774 1.17959487
Tabela 5. Análise descritiva dos índices de vegetação para o ano de 2018.
Média DP CV (%)
NDRE NDVI NDRE NDVI NDRE NDVI TALHÃO 1 0.77566 0.8701 0.01016 0.01084 1.30991 1.24597 TALHÃO 2 0.77199 0.8662 0.01411 0.01595 1.82751 1.84091 TALHÃO 3 0.77403 0.86862 0.00875 0.00885 1.13043 1.01897 TALHÃO 4 0.73938 0.85334 0.02406 0.0102 3.25469 1.19487 TALHÃO 5 0.75968 0.86678 0.03797 0.01893 4.99801 2.18351 TALHÃO 6 0.7718 0.86604 0.01326 0.0082 1.71742 0.9467 TALHÃO 7 0.76738 0.86246 0.01236 0.00879 1.61131 1.01965 TALHÃO 8 0.77402 0.87012 0.00661 0.00515 0.85426 0.59147 TALHÃO 9 0.76963 0.86842 0.01245 0.01049 1.61758 1.20758
Analisando as tabelas 4 e 5 podemos observar que em 2018, devido ao fato da cultura se encontrar em estágio de desenvolvimento bem anterior a 2017 na data da passagem da imagem, e devido à menor variação de produtividade na maioria dos talhões, a amplitude das médias dos índices, o coeficiente de variação e desvio padrão, de modo geral apresentaram valores baixos para este ano (2018), evidenciando a baixa variabilidade dos índices. Também é possível verificar que o comportamento das médias com a correlação dos índices, seguem da mesma forma em ambos os anos, pois os talhões que apresentaram maiores coeficientes de correlação, possuíram as menores médias.
Araújo et al (2004) observaram a tendência de maior correlação entre o NDVI e a produtividade quando ocorre maior coeficiente de variação (CV), o que significa que a imagem se correlaciona significativamente quando há uma variabilidade entre os pixels. Isso pode ser verificado claramente nos coeficientes do NDRE de 2018, onde os TALHÕES 4 e 5 (que obtiveram maior correlação), possuem CV bem superiores dos demais.
Em 2017 a relação entre o coeficiente de variação e de correlação não é tão aparente quanto 2018, porém alguns dos talhões se mostram correlacionados, como no caso dos TALHÕES 1, 2 e 10 que apresentaram os maiores coeficientes de variação e também elevados coeficientes de correlação.
Pode-se observar o TALHÃO 9 de 2017 na Figura 5, onde marcas no talhão são visivelmente significativas, sendo ainda mais evidente no NDRE, desta forma mostrando a elevada correlação entre os índices e a produtividade. Já no TALHÃO 13 de 2017 da Figura 6, apesar da evidente variabilidade espacial do índice, ao analisar como um todo, não condiz inteiramente com as marcações do mapa de produtividade.
Figura 5 - Índices de Vegetação NDRE mapa 5a, NDVI mapa 5b e Mapa de produtividade 5c para o Talhão 9 do ano de 2017.
Figura 6 - Índices de Vegetação NDRE mapa 6a, NDVI mapa 6b e Mapa de produtividade 6c para o Talhão 13 do ano de 2017.
Nos mapas do TALHÃO 4 de 2018 na Figura 7, é possível verificar que, apesar da baixa variação dos índices na parte superior do mapa, as marcas presentes na faixa inferior condizem com as encontradas no mapa de produtividade, já na Figura 8 que representa o
NDVI NDRE
Produtividade (sc/há)
NDRE NDVI Produtividade (sc/há)
5a
5b
5c
TALHÃO 6 de 2018, fica evidente a baixa variabilidade do índice em todo o talhão, não coincidindo com as marcas do mapa de produtividade.
Figura 7 - Índices de Vegetação NDRE mapa 7a, NDVI mapa 7b e Mapa de produtividade 7c para o Talhão 04 do ano de 2018.
Figura 8 – Índices de Vegetação NDRE mapa 8a, NDVI mapa 8b e Mapa de produtividade 8c para o Talhão 06 do ano de 2018. Produtividade (sc/há) NDVI NDRE Produtividade (sc/há) NDVI NDRE
8a
7a
7b
7c
8b
8c
6. CONCLUSÕES E RECOMENDAÇÕES
O NDRE mostrou-se mais representativo que o NDVI, possivelmente devido ao fato que ele é capaz de medir mais a fundo do dossel e como a cultura do milho apresenta várias camadas de folhas, esta pode ser a razão pela qual o índice se mostra bem mais representativo que o NDVI.
Quando ocorre alta variabilidade espacial da produtividade, há uma tendência a coeficientes de correlação maiores, estando também fortemente relacionado a baixa produtividade, evidenciando a relação entre os índices de vegetação e as condições de sanidade do milho.
Através da utilização de recursos gratuitos é possível obter e processar dados para a geração de mapas de produtividade e índices de vegetação. O manejo destes recursos gratuitos, torna possível que pequenas e médias propriedades possam inferir sobre as condições de sua propriedade e avaliar sua variabilidade espacial sem o uso de tecnologias inviáveis economicamente.
A pouca disponibilidade de imagens dificulta este tipo de trabalho, principalmente pela elevada precipitação na área, que impossibilita analisar os índices em períodos ideais do desenvolvimento da cultura.
Mesmo o NDRE se mostrando em alguns estudos superior ao NDVI na maioria das condições, há uma carência de informações do NDRE em estudos brasileiros, possivelmente pelo fato de haver poucas tecnologias voltadas para a banda da borda vermelha.
7. REFERÊNCIAS BIBLIOGRÁFICAS
ARAÚJO, J. C.; VETTORAZZI, C. A.; MOLIN, J. P.. Estimativa da produtividade e
determinação de zonas de manejo, em culturas de grãos, por meio de
videografía aérea multiespectral. Acta Scientiarum. Agronomy. v. 27. p. 437-447.
2004.
AZEVEDO, E.C.; MANGABEIRA, J.A.C. Mapeamento de uso das terras utilizando
processamento digital de imagem de Sensoriamento Remoto. Campinas, SP:
MAPA, 2001. 12p. (Comunicado Técnico, ISSN 1415-2118).
BARNES, E. M. et al. Coincident detection of crop wáter stress, nitrogen status
and canopy density using ground-based multispectral data. In:
INTERNATIONAL CONFERENCE ON PRECISION AGRICULTURE, 2000,
Bloomington. Madison: ASA: CSSA: SSSA, 2000.
BERNARDI, A.C.C. et al. Variabilidade de propriedades do solo, indices de
vegetação e produtividade de pastagem sob manejo intensivo. São Carlos, SP,
Embrapa Pecuária Sudeste.
CÂMARA, G.; DAVIS, C.; MONTEIRO, A.M. Introdução à ciência da
geoinformação. São José dos Campos, INPE, 2001. 324p
CHAVEZ Jr., P.S. An improved dark-object subtraction technique for
atmospheric scattering correction of multispectral data. Remote Sensing of
Environment, New York, v.24, p.459-479, 1988.
CRUZ, J. C; FILHO, I. A. P; DUARTE, A. P, Milho Safrinha, EMBRAPA - Parque
Estação Biológica, Brasília, DF – Brasil, 201?. Disponível em:
<http://www.agencia.cnptia.embrapa.br/gestor/milho/arvore/CONT000fya0krse02wx5
ok0pvo4k3mp7ztkf.html#> Acesso em: 04/05/2018.
DEMARCHI, J. C.; PIROLI, E. L.; ZIMBACK, C. R. L. Analise temporal do uso do
solo e comparação entre os índices de vegetação NDVI e SAVI no município de
Santa Cruz do Rio Pardo – SP usando imagens LANDSAT-5. RA´E GA, v. 21, p.
234-271, 2011.
EDUARDO, B. F. S.; SILVA, A. J. F. M. Avaliação da influência da correção atmosférica
no cálculo do índice de vegetação NDVI em imagens Landsat 5 e RapidEye. In:
SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 16,. 2013. Anais... São José dos Campos: INPE, 2013. p. 1442-1449.
EMBRAPA - Centro Nacional de Pesquisas de Solos. Indicações técnicas para o
cultivo de milho e de sorgo no Rio Grande do Sul - 2006/2007. Passo Fundo,
Embrapa Trigo. 184p.
EMBRAPA – Sistema de Produção. Cultivo de milho. 6. ed. Embrapa Milho e
Sorgo. – set./ 2010. Disponível em:
<http://www.cnpms.embrapa.br/publicacoes/milho_6_ed/manejomilho.htm> Acesso
em: 11/07/2017.
ENGESAT - Soluções em imagens de satélite e geoprocessamento (2015) Sentinel
- 2. Disponível em: <http://www.engesat.com.br/sentinel-2/> Acesso em: 28/01/2019
EOS - Earth Observing System (2015) Sentinela - 2. Disponível em:
<https://eos.com/sentinel-2/> Acesso em: 28/01/2019
FILHO, O, G. Variabilidade espacial e temporal de mapas de colheita e
atributos do solo em um sistema de semeadura direta.. 97f. Dissertação
(Mestrado em Agronomia) - Instituto Agronômico - IAC, Campinas, 2009.
GATES, D. M., H. J. KEEGAN, J. C. SCHLECTER, and V. R. WEIDNER. Spectral
Properties of Plants. Applied Optics v.4, x1, p.11-20, 1965.
HOLANDA. H, Você sabe o que é Milho Safrinha?, Galpão Centro-Oeste,
Brasilia/DF, 2017. Disponível em: <
https://galpaocentrooeste.com.br/blog/voce-sabe-o-que-e-milho-safrinha/> Acesso em: 04/05/2018
LONGLEY, P. , GOODCHILD, M., MAGUIRE, D., & RHIND,D. Sistemas e ciência
de informação geográfica. 3. ed, Porto Alegre : Bookman, 2013.
LYLE, G.; BRYAN, B. A.; OSTENDORF, B. Postprocessing methods to eliminate
erroneous grain yield measurements: Review and directions for future development. Precision Agriculture, v. 15, n. 4, p. 377– 402, 2014.
MABILANA, H. A.; FONTANA, C. D.; FONSECA, L. E. Desenvolvimento de
modelo agrometeorológico espectral para estimativa de rendimento do milho
na Província de Manica-Moçambique. Revista Ceres, Viçosa, v. 59, n.3, p.
337-349, mai/jun, 2012.
MACEDO, M. A.; RUDORFF, B. F. T. Geotecnologias no seguro agrícola do
milho safrinha. Agricultura em São Paulo, São Paulo, v. 50, n. 1, p. 43-52, 2003
MERCANTE, E.; URIBE-OPOZO, M. A.; SOUZA, E. G. Variabilidade espacial e
temporal da resistência mecânica do solo à penetração em áreas com e sem
manejo químico localizado. Revista Brasileira Ciência do Solo, v.27, n.6.
p.1149-1159, 2003.
MOLIN, J. P. Definição de unidades de manejo a partir de mapas de
produtividade. Engenharia Agrícola, v.22, n.1, p.83-92, 2002.
MOLIN, J. P. Geração e interpretação de mapas de produtividade para
agricultura de precisão. In: Borém, A.; Giúdice, M. P.; Queiroz, D. M.; Mantovani,
E. C.; Ferreira, L. R.; Valle, F. X. R.; Gomide, R. L. (Orgs.). Agricultura de Precisão.
Viçosa: Universidade Federal de Viçosa, 2000. p.237-258
MOREIRA, M. A. Fundamentos do Sensoriamento Remoto e metodologias de
aplicação. 3. ed. atual. ampl. Viçosa : Ed. UFV, 2005.
NASCIMENTO, F.M et al. Produtividade de genótipos de milho em resposta à
época de semeadura. Rev. Ceres, Viçosa, v. 58, n.2, p. 193-201, mar/abr, 2011.
NOVO; E.L.M. Sensoriamento remoto: princípios e aplicações. São Paulo: Edgar
Blucher, 1989. p.1-8.
NUNES, J. L. S (2016), Agrolink. Agricultura de precisão. Disponível em:
<https://www.agrolink.com.br/georreferenciamento/agricultura-de-precisao_361504.html>. Acesso em: 25/05/2017.
NUNES, J. L. S (2016), Agrolink. Sensoriamento Remoto. Disponível em:
<https://www.agrolink.com.br/georreferenciamento/agricultura-de-precisao_361504.html>. Acesso em: 25/05/2017.
OLIVEIRA, L. M. M. et al. Análise quantitativa de parâmetros biofísicos de bacia
hidrográfica obtidos por sensoriamento remoto. Pesquisa Agropecuária
Brasileira, v. 47, p. 1209-1217, 2012.
PIONNER. Quais estágios fenológicos do milho?. Disponível em: <
http://www.pioneersementes.com.br/milho/pioneer-responde/90/quais-os-estadios-fenologicos-do-milho> Acesso em: 11/07/2017.
PONZONI, J. SHIMABUKURO, Y. E. KUPLICH, T.M. Sensoriamento Remoto da
Vegetação. 2. ed. atual. ampl. São Paulo : Oficina de Textos, 2012.
QGIS. Development Team. QGIS Geographic Information System. Open Source
Geospatial Foundation Project. http://qgis.osgeo.org
SEIXAS, G. B. et al. Estimativa do albedo em área de cambarazal no pantanal
norte utilizando o algoritimo SEBAL e imagens TM/LANDSAT 5. In: SIMPÓSIO
DE GEOTECNOLOGIAS. 2010.
SHARMA, L.K.; Bu, H.; DENTON, A.; FRANZEN, D.W. Active-optical sensors
using red NDVI compared to red edge NDVI for Prediction of corn grain yield in
North Dakota, USA. Sensors 2015, v. 15, p. 27832–27853.
Sistemas de Informações Geográficas aplicados ao estudo dos recursos
agronômicos e florestais. Ceres. v. 56, n. 4, p. 399-409, 2015.
SILVA, B. B. da; BRAGA, A. C.; BRAGA, C. C. Balanço de radiação no perímetro
irrigado São Gonçalo- PB mediante imagens orbitais. Revista Caatinga, v.24,
p.145-152, 2011.
SOUSA, C.C; et al. Técnicas de sensoriamento remoto como subsídios aos
estudos de florestas implantadas no brasil – uma revisão bibliográfica. Ciência
Florestal, Santa Maria, v. 17, n. 4, p. 409-417, out-dez, 2007
SOUZA, A. P.; MOTA, L. L.; ZAMADEI, T.; MARTIN, C. C.; ALMEIDA, F. T.;
PAULINO, J. Classificação climática e balanço hídrico climatológico no estado
de Mato Grosso. Nativa – Pesquisas Agrárias e Ambientais, v. 1, n. 1, p. 34-43,
2013.
TAIPALE, E, Sentera. NDVI vs. NDRE: What's the Difference? (2018). Disponível
em: <https://sentera.com/ndvi-vs-ndre-whats-difference/> Acesso em: 28/01/2019
TAYLOR, J. A., MCBRATNEY, A. B., & WHELAN, B. M. Establishing management
classes for broad acre agricultural production. Agronomy Journal, 2007.
WEISMANN, M. Fases de desenvolvimento da cultura do milho. In:
TECNOLOGIA e produção milho safrinha e culturas de inverno - 2007. Maracajú:
Fundação MS, 2007.
ZANELLA, M. A.; PORTES, M. F.; MARTINS, R. N.; QUEIROZ, D. M.; Utilização do
software livre QGIS para obtenção de mapas de produtividade e geração de
zonas de manejo. In: XXI Encontro Latino Americano de Iniciação Científica, XVII
Encontro Latino Americano de Pós-Graduação e VII Encontro de Iniciação à
Docência – Universidade do Vale do Paraíba. 26 - 27 de outubro, 2017.
8. ANEXO
