ESTIMATIVA DA PRODUTIVIDADE DA SOJA POR SENSORIAMENTO REMOTO NA REGIÃO SUDOESTE DO PIAUÍ

Palavras-chave: Previsão de safra. Regressão múltipla.

Resumo

Pesquisas recentes apontam resultados promissores da integração de dados orbitais utilizando o índice de vegetação NDVI, para monitorar e estimar a produtividade da soja. O objetivo do trabalho foi avaliar a proposição de modelos de regressão linear múltipla para estimativa da produtividade de grãos com uso do índice NDVI. A pesquisa foi realizada na Fazenda Celeiro, município de Monte Alegre do Piauí, PI, sendo a área de estudo de 200 ha. Foram utilizadas cinco imagens durante o ciclo de cultivo da soja, sendo uma do Landsat 8 e quatro do Sentinel 2. Efetuou-se análises de regressão entre dados de produtividade de grãos (variável predita), extraídos dos mapas de colheita, e dados espectrais de (variáveis preditoras) oriundos dos índices de vegetação (NDVI) de diferentes estádios de desenvolvimento da soja. A seleção dos modelos promissores foi efetuada pelo critério de informação de Akaike (AIC). Para validação dos modelos utilizou-se a raiz quadrada do erro quadrado médio (RMSE) e a raiz quadrada do erro quadrado médio normalizado (nRMSE) pela média da produtividade da soja no talhão. O modelo de regressão linear gerado com o índice de vegetação NDVI nos estádios de desenvolvimento V5-V6 e R2, mostrou-se promissor na predição da produtividade de grãos de soja, com erro médio de estimativa da ordem de 153,9 kg ha-1, o que representa 4,2% em relação aos dados medidos em campo.

 

Referências

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.

Publicado
2021-12-22
Seção
Agronomia