SOYBEAN YIELD PREDICTION USING REMOTE SENSING IN SOUTHWESTERN PIAUÍ STATE, BRAZIL
DOI:
https://doi.org/10.1590/1983-21252022v35n111rcKeywords:
Crop season forecast. Multiple regression.Abstract
Recent researches have shown promising results for the use of orbital data using the Normalized Difference Vegetation Index (NDVI) to monitor and predict soybean grain yield. The objective of this work was to evaluate propositions of multiple linear regression models to predict soybean grain yield using NDVI. The research was carried out at the Celeiro Farm, in Monte Alegre do Piauí, PI, Brazil, in an area of 200 ha. Five images were collected during the soybean crop cycle: one from the Landsat 8 and four from the Sentinel 2. Regression analyses were carried out between grain yield data (predicted variable) extracted from harvest maps and spectral data (predictor variables) from NDVI of soybean crops at different developmental stages. The promising models were selected by the Akaike Information Criterion (AIC). The models were validated using Root Mean Square Error (RMSE) and Normalized Root Mean Square Error (nRMSE), considering the mean of soybean yield of the plot. The linear regression models developed with NDVI for the V5-V6 and R2 developmental stages showed promising results for the prediction of soybean grain yield, with mean error of predictions of 153.9 kg ha-1, representing 4.2% when compared to the data from field measures.
Downloads
References
ALLEN, R. G.; PEREIRA, L. S. Estimating crop coefficients from fraction of ground cover and height. Irrigation Science, 28: 17-34, 2009.
ANDRADE JUNIOR, A. S. et al. Atlas Climatológico do Estado do Piauí. Teresina, PI: Embrapa Meio-Norte. 2004. 151 p.
ATZBERGER, C. et al. Advances in remote sensing of agriculture: context description, existing operational monitoring systems and major information needs. Remote Sensing, 5: 949-981, 2013.
AKAIKE, H. A. New Look at Statistical Model Identification. Transactions on Automatic Control, 19: 717-723, 1974.
BALBINOT JUNIOR, A. A. et al. Crescimento de plantas de soja em função da redução da densidade de semeadura e sua relação com a produtividade. Londrina, PR: Embrapa Soja, 2018. 18 p. Disponível em: <https://www.infoteca.cnptia.embrapa.br/infoteca/bitstream/doc/1099933 /1/BOLETIMPB18Alvadi.pdf> Acesso em: 05 mar. 2019.
BARIANI, C. et al. Monitoramento da fenologia da soja irrigada usando perfis de série temporal de NDVI. In: INOVAGRI INTERNATIONAL MEETING, 3., 2015, Fortaleza. Anais... Fortaleza: INOVAGRI, 2015. p. 1610-1618.
BERGER, R. et al. Índices de vegetação para a estimativa do índice de área foliar em plantios clonais de Eucalyptus saligna Smith. Ciência Florestal, 29: 885-889, 2019.
BERTOLIN, N. O. et al. Predição da produtividade de milho irrigado com auxílio de imagens de satélite. Revista Brasileira de Agricultura Irrigada, 11: 1627-1638, 2017.
CAMARGO, M. B. P.; BRUNINI, O.; MIRANDA, M. A. C. Modelo agrometeorológico para estimativa da produtividade para a cultura da soja no Estado de São Paulo. Bragantia, 45: 279-292, 1986.
CELEIRO SEMENTES. All Rights Reserved. Brasília, 2020. Disponível em: . Acesso em: 10 jul. 2020.
CRUSIOL, L. G. T. et al. NDVI de estádios de desenvolvimento da soja BRS 284 em condições de campo. In: JORNADA ACADÊMICA DA EMBRAPA SOJA, 8., 2013, Londrina. Anais... Londrina: Embrapa Soja, 2013. p. 87-91.
FORMAGGIO, A. R.; SANCHES, I. DEL A. Sensoriamento remoto em agricultura. São Paulo, SP: Oficina de Textos, 2017. 288 p.
GUEDES, J.; SILVA, S. M. P. Sensoriamento remoto no estudo da vegetação: princípios físicos, sensores e métodos. Acta Geográfica, 12: 127-144, 2018.
GUSSO, A. et al. Spectral model for soybean yield estimate using MODIS/EVI data. International Journal of Geosciences, 4: 1233-1241, 2013.
KULLBACK, S.; LEIBLER, R. A. On information and sufficiency. Annals of Mathematical Statistics, 22: 79-86, 1951.
MACEDO, C. E. S. et al. Detecção da variação de cobertura vegetal a partir da estimativa do índice de vegetação por diferença normalizada (NDVI) na unidade de conservação do Parque Estadual das Carnaúbas - CE com utilização de técnicas do sensoriamento remoto. Anuário do Instituto de Geociências, 43: 477-485, 2020.
MELO, R. W. et al. An agrometeorological spectral model to estimate soybean yield, applied to southern Brazil. International Journal of Remote Sensing, 29: 4013-4028, 2008.
MERCANTE, E. et al. Modelos de regressão lineares para estimativa de produtividade da soja no Oeste do Paraná, utilizando dados espectrais. Engenharia Agrícola, 30: 504-517, 2010.
MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicação. Viçosa, MG: Ed. Universidade de Viçosa, 2003. 307 p.
R CORE TEAM (2019). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Áustria. Disponível em: <https://www.R-project.org/>. Acesso em: 20 mar. 2019.
RODIGHERI, G. et al. Net primary productivity and dry matter in soybean cultivation utilizing datas of NDVI multi-sensors. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42: 431-436, 2020.
RODRIGUES, C. P. et al. NDVI e fluxo de CO2 em lavoura de soja no Rio Grande do Sul. Revista Brasileira de Meteorologia, 28: 95-104, 2013.
ROUSE, J. W. et al. Monitoring vegetation systems in the Great Plains with ERTS. NASA special publication, 351: 309, 1973.
SANTOS, H. G. et al. Sistema Brasileiro de Classificação de Solos. 5 ed. Brasília, DF: Embrapa, 2018. 356 p.
SARMIENTO, C. M. et al. A spectral agrometeorological model for estimating soybean grain productivity in Mato Grosso, Brazil. Engenharia Agrícola, 40: 405-412, 2020.
SCHIRMBECK, L. W. et al. Condições hídricas de lavoura de soja usando sensoriamento remoto terrestre. Agrometeoros, 27: 173-181, 2019.
SILVA, D. F. Uso de modelos agrometeorológicos de estimativa de produtividade e de risco climático para a soja no vale do médio Paranapanema - SP. 2011. 80 f. Dissertação (Mestrado em Agricultura Tropical e Subtropical: Area de concentração: Gestão de Recursos Agroambientais) - Instituto Agronômico de Campinas, Campinas, 2011.
SILVA, V. D. P. R. et al. Calibration and validation of the AquaCrop model for the soybean crop grown under different levels of irrigation in the Matopiba region, Brazil. Ciência Rural, 48: 1-8, 2018.
TRINDADE, F. S. et al. A. Relação espectro-temporal de índices de vegetação com atributos do solo e produtividade da soja. Revista de Ciências Agrárias, 62: 1-11, 2019.
Downloads
Published
Issue
Section
License
Os Autores que publicam na Revista Caatinga concordam com os seguintes termos:
a) Os Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons do tipo atribuição CC-BY, para todo o conteúdo do periódico, exceto onde estiver identificado, que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista, sem fins comerciais.
b) Os Autores têm autorização para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
c) Os Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
