Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ – UNIOESTE
CAMPUS DE CASCAVEL
CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA AGRÍCOLA
UTILIZAÇÃO DE IMAGENS SINTÉTICAS PARA MONITORAMENTO AGRÍCOLA
BRUNO BONEMBERGER DA SILVA
CASCAVEL – PARANÁ – BRASIL
2019
BRUNO BONEMBERGER DA SILVA
UTILIZAÇÃO DE IMAGENS SINTÉTICAS PARA MONITORAMENTO AGRÍCOLA
Tese apresentada ao Programa de Pós-Graduação em Engenharia Agrícola, em cumprimento parcial aos requisitos para obtenção do título de Doutor em Engenharia Agrícola, área de concentração Engenharia de Sistemas Biológicos e Agroindustriais.
Orientador: Prof. Dr. Erivelto Mercante
CASCAVEL – PARANÁ – BRASIL
2019
Revisão do texto final e das normas de elaboração do PGEAGRI: Dhandara Capitani
BRUNO BONEMBERGER DA SILVA
UTILIZAÇÃO DE IMAGENS SINTÉTICAS PARA MONITORAMENTO AGRÍCOLA
Tese apresentada ao Programa de Pós-Graduação em Engenharia Agrícola, em
cumprimento parcial aos requisitos para obtenção do título de Doutor em Engenharia
Agrícola, área de concentração em Engenharia de Sistemas Biológicos e Agroindustriais,
APROVADA pela seguinte banca examinadora:
Orientador: Prof. Dr. Erivelto Mercante
Universidade Estadual do Oeste do Paraná, UNIOESTE
Dr. João Francisco Gonçalves Antunes
EMBRAPA
Prof. Dr. Eduardo Godoy de Souza
Universidade Estadual do Oeste do Paraná, UNIOESTE
Prof. Dr. Davi Marcondes Rocha
Universidade Técnológica Federal do Paraná, UTFPR
Prof. Dr. Marcio Antonio Vilas Boas
Universidade Estadual do Oeste do Paraná, UNIOESTE
CASCAVEL – PARANÁ – BRASIL
2019
ii
BIOGRAFIA
Bruno Bonemberger da Silva, graduado em Engenharia Agrícola pela Universidade Estadual
do Oeste do Paraná – UNIOESTE (2012). Possui mestrado em Engenharia Agrícola pela
mesma instituição (2014). Foi Professor Adjunto do Centro Universitário da Fundação Assis
Gurgacz (2016-2018), lecionando aulas no curso de Agronomia, e atualmente é Professor
temporário Assistente da Universidade Estadual de Maringá – UEM (2018-atual), atuando no
curso de Graduação de Engenharia Agrícola e Doutor em Engenharia Agrícola, área de
concentração: Engenharia de Sistemas Biológicos e Agroindustriais pela Universidade
Estadual do Oeste do Paraná.
iii
DEDICATÓRIA
Aos meus pais, que não mediram esforços para
que eu um dia tivesse oportunidade de estudo
e me apoiaram incondicionalmente.
DEDICO
iv
AGRADECIMENTOS
Em primeiro lugar agradeço a Deus pelo dom da vida e da sabedoria; por ter estado
do meu lado em todos os momentos, mesmo quando pensei em desistir, Ele sempre esteve
do meu lado me confortando;
Agradeço aos meus pais, Mauro Machado da Silva, por representar pra mim ainda a
figura de herói, mesmo após todos esses anos, e mesmo após eu conhecer todas as suas
fraquezas, ainda te considero o homem mais incrível que conheço. A minha mãe, Silvana de
Fátima Bonemberger da Silva, que sempre sonhou em ter um filho Doutor, e Deus permitiu
que eu pudesse contribuir para esse sonho. Não há palavras que traduzam minha gratidão e
o amor que sinto por vocês;
Ao meu irmão, Andrey Bonemberger da Silva, que com a benção de Deus estará se
casando no final deste ano e se formando em Agronomia, seguindo os passos do pai e
meus também, pela escolha da profissão na área agrícola. Minha futura cunhada Amanda e
você merecem toda a felicidade do mundo;
À minha verdadeira família LBBS: Biro, Lucas, Andy, Léo, Kito, Duh, Veto, Amauri,
Leandro, Lekão, Marin, Pedro, Daniel e Japa, que representaram para mim ao longo de
todos esses anos de amizade o verdadeiro significado de irmandade. Vocês compartilharam
comigo momentos de alegria e tristeza e ofereço a vocês a realização de mais essa etapa
da minha vida;
A minha melhor amiga, Fernanda Cristina Araújo, por me ajudar não importa a hora
ou local, com quem posso contar para absolutamente tudo nessa vida. Sua amizade é
inestimável para mim;
Aos colegas de Geolab: Cadu, Isaque, Lucas, Ivã e Victor, com quem tive mais
contato e que sempre estiverem dispostos a me ajudar com meus trabalhos. Contem
sempre comigo;
Ao Prof. Dr. Erivelto Mercante, agradeço pelo apoio, os puxões de orelha, a
compreensão com meu trabalho como professor sendo conciliado com a Tese, mas
principalmente pela amizade compartilhada desde os tempos de Mestrado. Minha sincera
gratidão;
Por fim, agradeço a todos aqueles que de alguma forma contribuíram para a
realização deste trabalho.
v
UTILIZAÇÃO DE IMAGENS SINTÉTICAS PARA MONITORAMENTO AGRÍCOLA
RESUMO
Esta tese tem por objetivo utilizar e avaliar as imagens sintéticas no monitoramento agrícola. Assim, no Artigo 1 o objetivo foi aplicar o algoritmo ESTARFM em imagens multiespectrais em uma área cobrindo o município de Cascavel, Paraná. As imagens do MODIS e Landsat 8 foram fusionadas para produzir 20 imagens Landsat 8 sintéticas, entre outubro de 2014 a setembro de 2015, sendo que a avaliação de acurácia dos resultados foi feita pela comparação dos valores de refletância entre valores das imagens sintéticas e reais do Landsat 8. Os resultados observados mostraram que a banda vermelha apresentou melhores resultados quando comparados a infravermellha, e que o NDVI gerado com estas imagens reproduziu bem a dinâmica das culturas de soja e milho. Em um segundo momento, para o Artigo 2 o objetivo do trabalho foi aplicar o modelo SEBAL e a metodologia do ESTARFM para estimar ET diária em uma propriedade agrícola do Município de Cascavel, Paraná. Imagens MODIS e Landsat 8 OLI/TIRS foram fusionadas para produzir imagens sintéticas entre outubro de 2014 e outubro de 2015. Os resultados obtidos indicaram boa concordância entre as ET estimadas com imagens Landsat 8 e as sintéticas, sendo os melhores resultados encontrados para a cultura da soja, e os piores em épocas em que a área agrícola continha resteva do milho. De maneira geral, o ESTARFM apresentou tendência a superestimar os resultados. Palavras-chave: Fusão de imagens, NDVI, ESTARFM
vi
USE OF SYNTHETIC IMAGES FOR AGRICULTURAL MONITORING
ABSTRACT
This doctoral thesis aims to use and evaluate synthetic images in agricultural monitoring. Thus, in Article 1 the objective was to apply the ESTARFM algorithm in multispectral images in an area covering the municipality of Cascavel, Paraná. The MODIS and Landsat 8 images were fused to produce 20 synthetic Landsat 8 images from October 2014 to September 2015, and the accuracy of the results was determined by comparing the reflectance valuesbetween the values of the synthetic and real images of the Landsat 8. The observed results showed that the red band presented better results when compared to infrared, and that the NDVI generated with these images reproduced well the dynamics of the soy and corn crops. Secondly, for Article 2 the objective of the study was to apply the SEBAL model and the ESTARFM methodology to estimate daily ET in an agricultural property of the Municipality of Cascavel, Paraná. MODIS and Landsat 8 OLI/TIRS images were fused to produce synthetic images between October 2014 and October 2015. The results obtained indicated good symmetry between the estimated ETs with Landsat 8 images and the synthetic ones, being the best results found for the culture of soybeans and the worst in times when the agricultural area was covered with corn stubble. In general, ESTARFM tended to overestimate the results.
Keywords: Data fusion, NDVI, ESTARFM.
vii
SUMÁRIO
1 INTRODUÇÃO .................................................................................................................. 1
2 OBJETIVOS...................................................................................................................... 3
2.1 Objetivo geral ............................................................................................................... 3
2.2 Objetivos específicos .................................................................................................... 3
2.3 Estruturação da Tese ................................................................................................... 3
3 REVISÃO BIBLIOGRÁFICA ............................................................................................. 4
3.1 Sensoriamento Remoto ................................................................................................ 4
3.2 Aplicações dos dados de Sensoriamento Remoto ........................................................ 5
3.3 Monitoramento do uso do solo utilizando imagens de satélite ...................................... 6
3.4 Acompanhamento de Safras utilizando Sensoriamento Remoto ................................. 11
3.5 Fusão de imagens ...................................................................................................... 14
3.6 Séries temporais ......................................................................................................... 17
3.7 Índices de Vegetação ................................................................................................. 18
3.8 Cultura da Soja ........................................................................................................... 19
3.9 Ciclo da Soja .............................................................................................................. 20
3.10 Cultura do Milho ......................................................................................................... 21
3.11 Ciclo do Milho ............................................................................................................. 21
3.12 Evapotranspiração ...................................................................................................... 23
3.13 Estimativa evapotranspiração usando imagens de satélite ......................................... 24
3.14 O algoritmo SEBAL - Surface Energy Balance Algorithm for Land .............................. 25
4 REFERÊNCIAS .............................................................................................................. 27
5 ARTIGO 1: ANÁLISE DO ÍNDICE DE VEGETAÇÃO NDVI GERADO POR MEIO DE
IMAGENS SINTÉTICAS NO MONITORAMENTO DE CULTURAS AGRÍCOLA ................. 37
5.1 INTRODUÇÃO .............................................................................................................. 37
5.2 MATERIAL E MÉTODOS .............................................................................................. 39
5.2.1 Área em Estudo .......................................................................................................... 39
5.2.2 Dados de Satélites ...................................................................................................... 40
5.2.3 O algoritmo ESTARFM ............................................................................................... 40
5.3 RESULTADOS E DISCUSSÕES ................................................................................... 42
5.3.1 Análise das Imagens Sintéticas .................................................................................. 43
5.3.2 Análise da Série Temporal .......................................................................................... 50
5.4 CONCLUSÕES ............................................................................................................. 54
viii
5.5 REFERÊNCIAS ............................................................................................................. 54
6. ARTIGO 2: Utilização de imagens sintéticas para mapeamento da
evapotranspiração diária em escala de campo. .............................................................. 58
6.1 INTRODUÇÃO .............................................................................................................. 58
6.2 MATERIAL E MÉTODOS .............................................................................................. 60
6.2.1 Área em Estudo .......................................................................................................... 60
6.2.2 Dados de Satélites ...................................................................................................... 61
6.2.3 O algoritmo SEBAL ..................................................................................................... 61
6.2.4 O algoritmo ESTARFM ............................................................................................... 62
6.3 RESULTADOS E DISCUSSÕES ................................................................................... 63
6.4 CONCLUSÕES ............................................................................................................. 67
6.5 REFERÊNCIAS ............................................................................................................. 67
7 CONSIDERAÇÕES FINAIS ............................................................................................ 70
ix
LISTA DE TABELAS
Tabela 1 Datas das missões Landsat e sensores de cada satélite ........................................ 8
Tabela 2 Especificações e uso potencial das bandas Landsat OLI/TIRS ............................... 9
Tabela 3 Especificações e uso potencial das bandas do sensor MODIS ............................. 10
ARTIGO 1
Tabela 1 Resultados da avaliação pixel a pixel das imagens Landsat 8 e as preditas
ESTARFM. Para facilitar a apresentação dos resultados eles foram arredondados. A
diferença média absoluta está em unidade de refletância .................................................... 45
Tabela 2 Tabela de Erro do NDVI obtido das imagens Landsat8 e ESTARFM .................... 50
Tabela 3 Erro Entre Banda do Vermelho e Infravermelho Próximo ...................................... 52
ARTIGO 2
Tabela 1 Análise de Acurácia do algoritmo ESTARFM para dos dados de fusão de
Evapotranspiração diária (ET) ............................................................................................. 63
x
LISTA DE FIGURAS
Figura 1 Elementos envolvidos no processo do Sensoriamento Remoto ............................... 5
Figura 2 Esquema da metodologia empregada pelo STARFM. ........................................... 15
ARTIGO 1
Figura 1 Localização da área e da cena de estudo. A imagem Landsat-8 (imagem RGB de
falsa cor usando as bandas 5,6 e 4) foi adquirida em 05 de dezembro de 2014 .................. 39
Figura 2 Esquema das datas correspondentes as cenas Landsat 8 e MODIS utilizadas neste
estudo. Os dados MODIS MOD09GQ são produtos diários obtidos nas datas apresentadas.
Os pares de imagens utilizados como entrada no ESTARFM estão indicados com numerais
............................................................................................................................................ 42
Figura 3 Comparação entre as imagens observadas posicionadas nas colunas das
extremidades da direita e esquerda, com as imagens preditas localizadas na coluna central.
O período do exemplo utilizado foi de abril a agosto de 2015. Os pares de imagens
utilizados para gerar as imagens sintéticas desse período são os das linhas A e F e coluna 1
e 3. As cenas do exemplo são imagens de NDVI obtidas a partir da banda do vermelho e
NIR. ..................................................................................................................................... 43
Figura 4 Comparação da refletância por pixel das imagens observadas Landsat 8 e as
sintéticas previstas usadas para avaliação, conforme mostrado no esquema da Figura 2. A
reta 1:1 é colorida em vermelho, e a linha de tendência, em preto. A coluna da esquerda
mostra os gráficos de dispersão para a banda do vermelho, já na coluna da direita estão
ilustrados os gráficos de dispersão da banda do NIR. No eixo x estão apresentados os
valores de refletância do Landsat 8 e no eixo y estão os valores de refletância da imagem
predita ESTARFM correspondente ...................................................................................... 47
Figura 5 Comparação por pixel dos valores de NDVI das imagens observadas Landsat 8 e
ESTARFM ........................................................................................................................... 49
Figura 6 Série temporal das imagens MODIS (cinza), Landsat 8 (laranjado) e ESTARFM
(azul), a reflectância da banda do vermelho esta apresentada no gráfico de cima e a do
infravermelho próximo no gráfico de baixo ........................................................................... 51
Figura 7 Relação entre a imagem Landsat 8 e a predita ESTARFM analisadas nas séries
temporais, no qual cada data é representada por uma cor na dispersão .......... ....................52
Figura 8 Série temporal de NDVI gerada com imagens sintéticas e Landsat 8 para o período
de estudo analisado ............................................................................................................. 53
xi
Figura 9 Série Temporal de NDVI gerada com imagens sintéticas e Landsat 8 com o desvio
padrão ........................................................................................................................... ......54
ARTIGO 2
Figura 1 Localização da área e da cena de estudo. A imagem Landsat-8 (imagem RGB de
falsa cor usando as bandas 5,6 e 4) foi adquirida em 05 de dezembro de 2014. É possível
notar a predominância de alvos agrícolas, vegetação nativa e reflorestamento ................... 60
Figura 2 Comparação entre a ETs (calculado usando imagens sintéticas do ESTARFM) e
ETL8 (calculada utilizando dados reais de imagens Landsat 8): (a) Soja, (b) Resteva do
milho, (c) Milho, (d) geral ..................................................................................................... 64
Figura 3 Distribuição espacial da Evapotranspiração (ET) estimada com imagens sintéticas
para as imagens entre outubro de 2014 e outubro de 2015 ................................................. 65
Figura 4 Séries Temporais de ETL8, ETS e ET0 para as imagens analisadas entre outubro
de 2014 e outubro de 2015 .................................................................................................. 66
Figura 5 Médias de ET obtidos para as imagens sintéticas e o valor de ET esperado para
cada estádio de desenvolvimento analisado da cultura da soja (a) e milho (b) e total mensal
precipitado no período das imagens analisadas
(c)...........................................................................................................................................66
1
1 INTRODUÇÃO
O uso de imagens de satélites para monitoramento da dinâmica da superfície
terrestre e classificação do uso do solo tem se mostrado uma ferramenta de baixo custo em
relação ao monitoramento realizado em campo. Outra vantagem de se utilizar estas
imagens é a cobertura de grandes áreas e a elevada taxa de repetição dos satélites,
permitindo a análise temporal dos dados.
Esta análise multitemporal de imagens, integrada aos componentes espectral e
espacial, quando corretamente explorados, fornece informações importantes no
monitoramento da vegetação, possibilitando a análise de padrões complexos e
caracterização da dinâmica da cobertura da superfície terrestre. Além disso, é possível
detectar tendências na assinatura temporal, permitindo diferençar uma mudança natural,
que geralmente é temporária, de uma ocorrida por atividade antrópica, a qual pode ser
permanente (COPPIN et al., 2004).
Dentre os satélites utilizados para o estudo dos fenômenos da superfície terrestre,
pode-se destacar os satélites da série Landsat, principalmente devido a sua disponibilidade
gratuita de imagens de média resolução espacial (30m), tornando seus produtos úteis no
monitoramento das mudanças do uso do solo. Ressalta-se que nos últimos anos, os dados
Landsat se tornaram mais acessíveis à comunidade, assim como os computadores
necessários para o processamento destes dados, tornando possível adquirir e analisar
grande volume de informações (COHEN; GOWARD, 2004).
Entretanto, especialmente em regiões tropicais, a frequente cobertura de nuvens
pode comprometer ou inviabilizar a análise dos dados e, somado a isso, algumas imagens
Landsat não estão disponíveis em certas datas, dificultando o uso contínuo destas imagens
(ARANTES, 2014; XU; JIA; PICKERING, 2014, 2015). Em alguns casos, em regiões com
intensa presença de nuvens, pesquisadores relatam obtenção de apenas de 3 a 4 imagens
livre de nuvens em um ano. Além disso, seu tempo de revista de 16 dias tem limitado suas
aplicações, principalmente na rápida detecção de mudanças na superfícies, informações
essenciais em aplicações como monitoramento de culturas agrícolas (GAO et al., 2006).
Uma solução para este problema é a combinação da resolução espacial do Landsat
com a alta resolução temporal de sensores de baixa resolução espacial, a exemplo do
MODIS (Moderate Resolution Imaging Spectroradiometer). Desta forma, a fusão de dados
de diferentes sensores remotos é uma alternativa viável e de relativo baixo custo para
aprimorar a capacidade destas imagens no acompanhamento da dinâmica da superfície da
Terra (ZHU et al., 2010).
O principal objetivo da fusão entre imagens é gerar um produto com melhor
qualidade do que os originais, integrando dados espaciais, espectrais (ACERBI-JUNIOR;
2
CLEVERS; SCHAEPMAN, 2006) e temporais (GAO et al., 2006; HILKER et al., 2009a; ZHU
et al., 2010) do mesmo sensor ou entre sensores diferentes.
Dentre os algoritmos de fusão existentes, destaca-se o STARFM (Spatial and
Temporal Adaptive Reflectance Fusion Model), desenvolvido por (GAO et al., 2006) para
predizer refletância da superfície diária da resolução espacial Landsat utilizando um ou mais
pares de imagens Landsat e MODIS – desta forma, obtendo-se imagens de resolução
espacial do Landsat com resolução temporal do sensor MODIS.
Já o algoritmo de fusão ESTARFM - Enhanced Spatial and Temporal Adaptative
Reflectance Fusion Model (ZHU et al., 2010) foi desenvolvido para predição de imagens em
regiões heterogêneas, visando contornar esta limitação do STARFM.
Desta maneira, no contexto do uso de fusão de imagens, ressalta-se a importância
da utilização de algoritmos como o STARFM e ESTARFM como instrumentos para
confecção de imagens sintéticas, visando aumentar o número de imagens de resolução
espacial do Lansat para melhor acompanhamento da dinâmica do uso do solo e permitindo
obtenção de mais informações, principalmente de culturas agrícolas, as quais possuem ciclo
vegetativo curto e, com frequência, seu monitoramento é prejudicado devido à grande
incidência de nuvens.
3
2 OBJETIVOS
2.1 Objetivo geral
Avaliar a performance de algoritmos de fusão de imagens ESTARFM na predição de
valores de imagens sintéticas (refletância, NDVI e ET) Landsat-8, derivados de imagens
MODIS.
2.2 Objetivos específicos
Artigo 1 – Gerar imagens sintéticas para as bandas do vermelho e infravermelho com
posterior confecção do NDVI, comparando os resultados com dados reais de imagens
Landsat 8.
Artigo 2 – Avaliar a eficiência das imagens sintéticas em conjunto com o algoritmo
SEBAL para acompanhar a dinâmica da Evapotranspiração (ET) em uma propriedade
agrícola.
2.3 Estruturação da Tese
A Tese está organizada na forma de artigos científicos, apresentados após uma
revisão bibliográfica sobre o tema da pesquisa. O primeiro artigo apresenta uma aplicação
de imagens sintéticas geradas pelo algoritmo ESTARFM para gerar dados de refletância da
superfície das bandas vermelha e infravermelha e posterior confecção de imagens NDVI
utilizando estas imagens sintéticas, para posterior análise de acurácia destes resultados. O
segundo artigo aborda a utilização de imagens sintéticas e modelo SEBAL para estimar
evapotranspiração (ET) em uma propriedade agrícola.
4
3 REVISÃO BIBLIOGRÁFICA
3.1 Sensoriamento Remoto
O sensoriamento remoto (SR) foi definido repetidamente por diversos autores no
decorrer da história. Entretanto, analisando estas definições pode-se identificar um conceito
em comum: obtenção de informações à distância.
De acordo com Campbell e Wynne (2011), esta ideia a respeito de sensoriamento
remoto deve ser refinada dependendo do objetivo de estudo, pois com esta definição ampla,
aplicações como detecção da temperatura do corpo humano ou obtenção de informações a
respeito do campo eletromagnético da Terra poderiam racionalmente ser incluídas dentro
deste campo do conhecimento.
Desta forma, o conceito de interesse para este trabalho se limita à aplicação do SR
na observação e na obtenção de informação a respeito da energia eletromagnética refletida
ou emitida da superfície terrestre e da superfície de corpos hídricos.
De acordo com Lillesand, Kiefer e Chipman (2014), no sensoriamento remoto são
utilizados vários equipamentos (sensores), os quais coletam dados sobre objetos, áreas ou
fenômenos investigados. Entre as ferramentas empregadas para este objetivo podem ser
citados fotografias aéreas, imagens de videografia, dados de sensores terrestres, imagens
de satélite e, mais recentemente, dados provenientes de imagens utilizando VANT – Veículo
Aéreo Não Tripulado (MERCANTE, 2007; NIETHAMMER et al., 2012; WALSH et al., 2013;
WATTS; AMBROSIA; HINKLEY, 2012).
A Figura 1 apresenta esquematicamente o processo geral e elementos envolvidos no
sensoriamento remoto de recursos terrestres. Os dois processos básicos envolvidos são
aquisição de dados e análise de dados. Os elementos do processo de aquisição de dados
são fonte de energia (a), propagação de energia através da atmosfera (b), interação de
energia com os alvos da superfície terrestre (c), retransmissão da energia através da
atmosfera (d), sensores orbitais, suborbitais e terrestres (e), resultando na geração de dados
de sensores nas formas digitais ou gráficas (f). Em resumo, os sensores são utilizados para
armazenar as variações de informações referentes às reflexões e emissões de energia
eletromagnética. O processo de análise de dados (g) envolve o exame destes usando
equipamentos que auxiliem a visualização e a intepretação destes dados dos sensores. São
utilizadas informações auxiliares para a interpretação dos dados, como mapas de tipo do
solo, informações coletadas a campo ou mesmo estatísticas da cultura.
5
Figura 1 Elementos envolvidos no processo do Sensoriamento Remoto. Fonte: Adaptado de Lillesand, Kiefer e Chipman (2014)
A informação é então compilada (h), geralmente na forma de mapas, tabelas ou
dados digitais que podem ser mesclados com outras camadas de informações digitais em
um Sistema de Informação Geográfica (SIG). Por fim, as informações são apresentadas aos
usuários (i), os quais podem utilizar estas informações como base no auxílio no processo de
tomada de decisão.
3.2 Aplicações dos dados de Sensoriamento Remoto
Dados de Sensoriamento Remoto são a única fonte que fornece informações
contínuas e consistentes a respeito da superfície terrestre e dos oceanos (KÖRTING;
GARCIA FONSECA; CÂMARA, 2013). Combinados com dados adicionais provenientes de
modelos de ecossistema, estes dados oferecem uma oportunidade sem precedentes para
predição e entendimento do comportamento do ecossistema da Terra (TAN; STEINBACH;
KUMAR, 2001).
A capacidade técnicas do sensores orbitais depende de quatro resoluções: (a)
resolução espacial, refere-se ao tamanho do pixel da imagem gerada, sendo o pixel
correspondente à menor parcela imageada; (b) resolução radiométrica, refere-se à
intensidade de radiância de cada pixel que o sensor é capaz de mensurar, representado por
valores números ou nível de cinza, variando de acordo com a quantidade de bits de cada
sensor (por exemplo, uma imagem de 2 bits possui apenas 4 níveis de cinza, uma de 8 bits
possui 256 níveis de cinza e com 16 bits totalizam 65536 níveis de cinza). Na prática, uma
imagem de boa resolução radiométrica é a mais adequada para representar um mapa de
Modelo Digital de Terreno (MDT), por exemplo, na qual cada nível de cinza do pixel
representa um valor de altitude; (c) resolução espectral, refere-se a um medida da largura
6
das faixas espectrais do sensor; e (d) resolução temporal corresponde ao tempo de revisita
do satélite na mesma área (MENESES et al., 2012).
As vantagens do uso de sensoriamento remoto são a rapidez na aquisição de
informações sobre grandes áreas de superfícies terrestres e a possibilidade de obtenção de
dados em áreas inacessíveis a campo (REES, 2013). Além disso, a capacidade de
aquisição repetitiva de uma grande quantidade de informações, com custo relativamente
baixo, torna esta ferramenta uma boa alternativa no estudo de fenômenos e alvos terrestres.
As imagens geradas pelos sistemas orbitais são informações úteis para o estudo da
distribuição da vegetação natural e das culturas agrícolas (YANG; WEISBERG; BRISTOW,
2012; ZENG et al., 2016). Nos estudos das formações vegetais naturais, os dados
subsidiam os mapeamentos, os estudos sobre a exploração madeireira, os diagnósticos
sobre as infestações de pragas e doenças e os estudos sobre o comportamento da
vegetação em períodos secos e períodos chuvosos (ESPÍRITO-SANTO; SANTOS; SILVA,
2004; HART; VEBLEN, 2015; HILKER et al., 2014). No campo da agricultura, os produtos
são utilizados principalmente no monitoramento de culturas agrícolas específicas e na
previsão de safras (CAMPBELL; WYNNE, 2011; GRZEGOZEWSKI et al., 2016; JOHANN et
al., 2016; PRUDENTE et al., 2014).
Dentre as contribuições do SR, ressalta-se o uso potencial destas tecnologias para
fornecer uma visão em larga escala sobre o uso e a cobertura da Terra no espaço
geográfico considerado, possibilitando o monitoramento da vegetação de forma a analisar a
dinâmica da cobertura do solo espacial e temporalmente (MIURA et al., 2011).
3.3 Monitoramento do uso do solo utilizando imagens de satélite
Os sensores remotos medem alguma grandeza física de interesse, como, por
exemplo, a radiação eletromagnética depois de sua interação com a superfície terrestre e a
atmosfera. Desta forma, como cada alvo emite ou reflete essa radiação de maneira
diferenciada em cada comprimento de onda do espectro eletromagnético, se torna possível
a identificação dos diferentes objetos de interesse (ARANTES, 2014).
As imagens de satélite têm sido amplamente utilizadas para monitoramento da
vegetação, uma vez que os dados de sensoriamento remoto podem se configurar como um
complemento às pesquisas de campo, muitas vezes trabalhosas, de alto custo e limitadas
em alcances temporal e espacial (FERRAZ et al., 2013).
Avaliações em escalas regional e global a respeito do estado da cobertura vegetal e
mudanças no uso do solo são de fundamental importância para estudos de mudanças
climáticas e ambientais (BAAN; ALKEMADE; KOELLNER, 2013; FOLEY et al., 2005).
Enquanto algumas mudanças na cobertura da superfície terrestre são devido a causas
naturais, principalmente as mudanças de longo termo, a atividade antrópica representa uma
7
parcela cada vez mais significativa na mudança da cobertura vegetal e no uso do solo em
termos globais (JIN et al., 2013).
A importância da caracterização, quantificação e acompanhamento destas mudanças
utilizando dados geoespaciais e de sensoriamento remoto como componentes chave no
ramo de estudos sobre mudanças no uso do solo vem sendo amplamente reconhecida em
trabalhos abordando mudanças ambientais em escala global (TURNER; LAMBIN;
REENBERG, 2007).
Os dados sobre cobertura vegetal são informações importantes para o entendimento
das complexas interações entre as atividades humanas e as mudanças globais (RUNNING,
2008). Também são variáveis que representam papel importante na melhora significativa de
performance de modelos atmosféricos, hidrológicos e de ecossistema (JUNG et al., 2006).
Estes dados são essenciais em estudos sobre biodiversidade (HALL et al., 2011), ciclo do
carbono (POULTER et al., 2011) e saúde pública (LIANG et al., 2010).
Mapas de uso do solo também são as variáveis mais importantes em todas as nove
áreas temáticas de benefício social, incluindo principalmente promoção de agricultura
sustentável, conservação da biodiversidade e respostas às alterações climáticas e seus
respectivos impactos, que a Rede Mundial de Sistemas de Observação da Terra oferece
(GEOSS – Global Earth Observation System of Systems). Estabelecida em 2005, a GEOSS
é uma pareceria voluntária entre governos e organizações composta por 102 nações e a
Comissão Europeia, além de 103 organizações encarregadas da observação terrestre, que
pretende a conexão entre sistemas de observação que existem no mundo, visando servir de
apoio à decisão para os mais diversos utilizadores, como órgãos políticos, gestores e
comunidade científica (GEO, 2016; HEROLD et al., 2008)
Um dos desafios na caracterização da cobertura vegetal baseada apenas em dados
espectrais isolados é que com frequência estas observações não são suficientes para
detectar os vários tipos de usos de solo e suas mudanças em áreas de grande extensão
geográfica. De maneira geral, é sempre desejável incorporar conhecimento prévio sobre a
cobertura vegetal e as prováveis mudanças de solo comuns da região de interesse, para
assim melhorar as análises e acurácias sobre os mapas de uso de solo (GONG et al., 2008;
JIN et al., 2013)
Além disso, muitas vezes dados sobre uso do solo não estão disponíveis
abrangendo imagens de satélites de vários anos, com estudos de longo termo. Com apenas
algumas exceções, a maioria de estudos sobre detecção de mudanças no uso solo utiliza
apenas um par de imagem adquiridas durante uma estação, ou apenas um ano, resultando
em falta de informações a respeito da vegetação em outras estações, ou mesmo outros
anos (POULIOT et al., 2009). Para captação das complexidades das mudanças da
superfície terrestre são necessárias séries temporais de mapas de uso solo.
8
Monitorar alterações no uso do solo temporalmente exige coerência e consistência
entre os mapas, tanto ontologicamente quanto estatisticamente. Ou seja, os mapas devem
ter semânticas idênticas entre ecossistemas do mundo real e classes temáticas dos mapas.
Caso contrário, sem essas propriedades, não se torna possível determinar se as mudanças
observadas no mapa foram devido a mudanças reais no uso do solo ou devido a erros do
modelo estatístico utilizado no acompanhamento do uso do solo. Assim, a comparação de
mapas inconsistentes pode resultar em conclusões não confiáveis (SEXTON et al., 2013).
Um dos satélites mais utilizados em estudos da superfície terrestre é o Landsat. Os
dados deste satélite se provaram extremamente úteis no monitoramento da cobertura
terrestre e na detecção das mudanças no uso do solo. Observações calibradas e
atmosfericamente corrigidas de refletância da superfície são essenciais para a obtenção de
parâmetros biofísicos e para o estudo de mudanças no uso do solo (GAO et al., 2006;
GONG et al., 2013).
O primeiro satélite da série Landsat foi lançado no início dos anos 1970, sendo o
primeiro veículo espacial implantando para o monitoramento terrestre, sendo que as
imagens da série vêm sendo utilizadas até hoje. Os principais satélites da série Landsat
utilizados em pesquisas são o Landsat 5, Landsat 7, e recentemente o Landsat 8. O sensor
Thematic Maper (TM), a bordo do Landsat 5, disponibiliza imagens desde 1984, enquanto o
Landsat 7, com o sensor Enhanced Thematic Mapper Plus (ETM+), possui imagens desde
1999, e, atualmente, o Landsat 8 disponibiliza imagens dos Sensores OLI (Operational Land
Imager) e TIRS (Thermal Infrared Sensor), em órbita desde 2013 (USGS, 2016). Na Tabela
1 são mostradas as missões dos satélites da série Landsat.
Tabela 1 Datas das missões Landsat e sensores de cada satélite
Satélite Lançamento Desativação Sensores
Landsat 1 23/07/1972 06/01/1978 MSS/RBV
Landsat 2 22/01/1975 27/07/1983 MSS/RBV
Landsat 3 05/03/1978 07/09/1983 MSS/RBV
Landsat 4 16/07/1982 15/06/2001 MSS/TM
Landsat 5 01/03/1984 2013 MSS/TM
Landsat 6 05/10/1993 Não alcançou órbita ETM
Landsat 7 15/04/1999 Em operação ETM+
Landsat 8 11/02/2013 Em operação OLI/TIRS
Fonte: USGS (2016)
O sensor OLI possui resolução espacial de 30m para as bandas multiespectrais, 15m
para a banda pancromática e 100m para a Termal do sensor TIRS. Segundo o Serviço
Geológico dos Estados Unidos – USGS (2016), uma questão comum realizada pelos
usuários das imagens do satélite é referente às melhores bandas espectrais utilizadas para
9
cada tipo de mapeamento. Desta forma, na Tabela 2 pode-se observar quais são as bandas
do Landsat 8 OLI/TIRS mais adequadas, dependendo do objetivo do mapeamento.
Tabela 2 Especificações e uso potencial das bandas Landsat OLI/TIRS
Banda Mapeamento
1 – Aerossol/Costeiro (Ultra-azul) Estudos costeiros e aerossol
2 – Azul Distinção de solo e Vegetação
3 – Verde Enfatiza o pico da vegetação
(avaliar vigor vegetativo)
4 – Vermelho Descriminação de vegetações de encosta
5 – Infravermelho Próximo (NIR) Biomassa e detecção de linha costeira
6 – Infravermelho de ondas Curtas (SWIR) 1 Detecção quantidade umidade
7 - Infravermelho de ondas Curtas (SWIR) 2 Detecção quantidade umidade
(Aperfeiçoado)
Band 8 - Pancromática 15 m resolução, definição de imagem mais nítida
Band 9 – Cirrus Detecção de nuvens Cirrus
(Presença chuva)
10 – Sensor Infravermelho Termal -TIRS 1 100 m resolução, mapeamento termal
Band 11 –Sensor Infravermelho Termal -TIRS 2 100 m resolução, mapeamento termal
(Aperfeiçoado)
Fonte: USGS (2016)
O uso de imagens Landsat possui inúmeras vantagens quando se trata de
monitoramento do uso solo: primeiro, oferece a série temporal mais longa de dados
sistematicamente coletados de sensoriamento remoto, com mais de 30 anos de imagens da
Terra; segundo, a resolução espacial dos dados, facilitando a caracterização da cobertura
terrestre, bem como as mudanças que nela ocorrem; terceiro, o sensores TM e, mais tarde,
o ETM+ e o OLI, adquirem medições espectrais em todas as grandes porções do espectro
eletromagnético solar (visível, infravermelho próximo, infravermelho médio), oferecendo
vantagens sobre sistemas de sensores menos capazes; e também vale ressaltar que nos
últimos anos, os dados Landsat se tornaram mais acessíveis à comunidade, assim como os
computadores necessários para o processamento destes dados, tornando possível adquirir
e analisar grande volume de informações (COHEN; GOWARD, 2004).
Entretanto, especialmente em regiões tropicais, a frequente cobertura de nuvens
pode comprometer ou até inviabilizar a análise dos dados e, somado a isso, algumas
imagens Landsat não estão disponíveis em certas datas, dificultando o uso contínuo destas
imagens (ARANTES, 2014; XU; JIA; PICKERING, 2014, 2015). Em alguns casos, em
10
regiões com intensa presença de nuvens, pesquisadores relatam obtenção de apenas de 3
a 4 imagens livre de nuvens em um ano (GAO et al., 2006).
A presença de nuvens e sombras de nuvens influenciam muito na análise dos dados,
causando problemas como equívocos na classificação da cobertura da terra ou até mesmo
uma falsa detecção de mudança. Desse modo, a resolução espacial das imagens Landsat
OLI/TIRS é prejudicada. Uma solução para estes problemas são as técnicas de fusão de
dados que permitem a integração das resoluções espacial e temporal (ZHU; WOODCOCK,
2014).
Outro importante sensor utilizado no estudo do sistema terrestre é o MODIS –
Moderate Resolution Imaging Spectro-Radiometer, lançado a bordo da plataforma TERRA
em dezembro de 1999 e da plataforma AQUA em maio de 2002. O sensor MODIS foi
desenvolvido e projetado para estudos amplos da Terra e suas mudanças temporais e
geofísicas. Possui as seguintes características: (a) resolução temporal de 1-2 dias; (b)
resolução radiométrica de 12 bits (4096 níveis de cinza); e (c) 36 bandas espectrais contidas
no intervalo de 0,4 a 14,4 µm do espectro eletromagnético. Na Tabela 3 são mostradas a
utilização para as bandas do sensor MODIS.
Tabela 3 Especificações e uso potencial das bandas do sensor MODIS
Banda Mapeamento
1 e 2 Terra/Nuvens/Aerossóis limites
3 a 7 Terra/Nuvens/Aerossóis propriedades
8 a 16 Cor do Oceano/Fitoplâncton/Biogeoquímica
17, 18 e 19 Vapor d´água atmosférico
20 a 23 Temperatura superfície/nuvens
24 e 25 Temperatura atmosférica
26, 27 e 28 Vapor d´água nuvens Cirrus
29 Propriedade de nuvens
30 Ozônio
31 e 32 Temperatura da superfície/nuvens
33 a 36 Altitude de topo de nuvens
Fonte: NASA (2016)
O sensor MODIS gera produtos de alta qualidade se comparados a outros sensores,
devido à melhoria na qualidade dos detectores e no sistema de imageamento, maior número
de bandas, além de algoritmos específicos para a geração dos produtos. Algumas bandas
do sensor são exclusivas para a correção atmosférica de outras bandas, o que melhora
significativamente a qualidade dos dados observados. Outra vantagem do MODIS é a
qualidade geométrica das imagens, característica fundamental para o monitoramento das
modificações das superfícies terrestres (RUDORFF; SHIMABUKURO; CEBALLOS, 2007).
11
Por fim, os produtos MODIS são disponibilizados gratuitamente, viabilizando o seu uso em
um grande número de aplicações.
Entretanto, dados de satélite de alta frequência temporal, muitas vezes, possuem
baixa resolução espacial, como, por exemplo, o MODIS, com resolução mínima de 250
metros, dificultando estudos em regiões complexas e heterogêneas, já que os componentes
da paisagem, muitas vezes, são pequenos, o que os tornam não detectáveis para tais
sensores (XIN et al., 2013).
Em função das limitações no que concerne às características do sensores,
principalmente espacial para o sensor MODIS e baixa resolução temporal, como no caso do
satélite Landsat, dificultando uma caracterização mais detalhada de fenômenos que ocorrem
na superfície terrestre, foram desenvolvidas algumas metodologias de fusão entre imagens
destes sensores (HILKER et al., 2009a).
3.4 Acompanhamento de Safras utilizando Sensoriamento Remoto
As estimativas referentes às culturas constituem atualmente o meio mais importante
de servir a agricultura em muitos países. Instituições públicas, empresas ligadas ao setor
agrícola e outras entidades de planejamento têm a necessidade de conhecimento de dados
de datas previstas de ocorrência das fases fenológicas das culturas (estádios de
desenvolvimento), assim como monitoramento do clima (período de estiagem ou chuva),
com o objetivo de adotar medidas adequadas de cultivo e de políticas de apoio e
organização agrícola (MERCANTE, 2007).
A produção de culturas agrícolas baseia-se na produtividade obtida e na área
colhida. Devido ao fato do Brasil ser um país de grande atividade e extensão agrícola, há a
necessidade de planejamento estratégico de toda a cadeia produtiva (produtores rurais,
indústria de alimentos, cooperativas, fornecedores de insumos, investidores e órgãos
governamentais), permitindo o estabelecimento de políticas de preços mínimos e de
minimização do efeito negativo das especulações nos preços dos produtos agrícolas pagos
aos produtores (ADAMI, 2010; JOHANN et al., 2012).
O monitoramento de áreas cultivadas e as condições da cultura são informações
essenciais para diversos agentes direta ou indiretamente envolvidos com agricultura,
especialmente em países que são grandes produtores de commodities, como o Brasil, que
representa um papel importante na produção agrícola mundial (HERMELINGMEIER, 2010).
O conhecimento das safras agrícolas também está relacionado diretamente ao
planejamento da ocupação do território, à obtenção de informações sobre a oferta de
alimentos em escala global e à utilização de práticas sustentáveis na produção
(POTGIETER et al., 2011).
12
A região Centro-Sul (com mais de 800,000 km²) é uma região agrícola tradicional,
onde cerca de 45% da agricultura brasileira está concentrada. Durante a safra 2012/2013,
as culturas de verão como soja, milho e cana ocuparam cerca de 27, 16 e 9 milhões de
hectares (ha), respectivamente, nesta região. Culturas de inverno, tais como trigo, cevada e
centeio, ocuparam juntas cerca de 2 milhões de hectares (IBGE, 2013).
Desta forma, a geração de estatísticas agrícolas confiáveis torna-se cada vez mais
importante no Brasil em virtude da disponibilidade de terras para a agricultura, com vista à
importância da produção e das exportações das principais commodities agrícolas para a
balança comercial e aos acelerados processos de mudança na cobertura do solo, a qual
influencia na qualidade e na disponibilidade de água, na conservação dos habitats naturais e
da biodiversidade (SANTOS et al., 2014).
Atualmente, as estimativas de área e produção agrícola do Brasil são realizadas pelo
Instituto Brasileiro de Geografia e Estatística (IBGE), pela Companhia Nacional de
Abastecimento (CONAB) e pela Secretaria da Agricultura e Abastecimento (SEAB)
(JOHANN et al., 2016).
Porém, apesar da relevância deste tipo de informação, estes órgãos utilizam poucas
fontes objetivas para o monitoramento oficial das safras. As estatísticas agrícolas oficiais
são geradas prioritariamente a partir de questionários e entrevistas realizados com técnicos
e órgãos, entidades do setor agrícola e produtores rurais (GRZEGOZEWSKI et al., 2016;
JOHANN et al., 2012; SANTOS et al., 2014).
Abordagens similares para estimar áreas cultivadas são utilizadas em vários outros
países (FAO, 2016). A natureza desse tipo de informação torna as estimativas de safra
sujeitas à subjetividade e à imprecisão. Esta metodologia não leva em conta a distribuição
espacial das culturas e também consome muito tempo. A maioria dos departamentos de
estatísticas publicam os levantamentos perto do final do período de colheita, e algumas
vezes são observados atrasos adicionais antes das estatísticas serem publicadas
(ALEXANDRATOS; BRUINSMA, 2012).
Visando contornar esta problemática, os países membros do G20 (representantes
das 20 maiores economias mundiais) estabeleceram em 2011 uma iniciativa global para
melhorar o monitoramento das principais culturas de alto consumo e impacto internacional, a
denominada GEOGLAM – Group on Earth Observations Global Agriculture Monitoring
(GLAM). Com esta iniciativa, a proposta é estimar as informações sobre produção global de
grãos, evitar especulações de estoques e da volatilidade dos preços agrícolas, propor a
utilização de dados derivados de sensoriamento remoto e o desenvolvimento de métodos
eficientes para monitoramento de safras agrícolas em escala nacional, regional e global
(GEO, 2016).
A utilização de imagens de satélites tem demonstrado grande potencial na obtenção
de informação a respeito da área cultivada em escala regional, especialmente utilizando
13
imagens do satélite Landsat (TATSUMI et al., 2015; WATTS et al., 2009). De fato, muitos
estudos têm demonstrado que dados de sensores remotos podem ser utilizados para
precisamente identificar culturas como soja (SCHULTZ et al., 2015), cana-de-açúcar
(VIEIRA et al., 2012) e milho (ZHONG; GONG; BIGING, 2014).
Porém, o sensoriamento remoto ainda não é amplamente utilizado para
monitoramento próximo ao tempo real em escalas nacional e regional devido ao fato da
análise de grandes volumes de dados de observações terrestres ainda apresentar grandes
desafios por estes processos ainda não serem completamente automatizados
(ATZBERGER, 2013).
Para a utilização de imagens de sensoriamento remoto com objetivo de avaliação da
área cultivada, é necessário considerar que os satélites utilizados devem possuir um
balanço entre cobertura da imagem, resolução espectral, espacial e temporal (KOVALSKYY;
ROY, 2013).
Geralmente, quando a resolução espacial é adequada para a identificação e o
mapeamento de culturas, apenas algumas observações durante o ciclo vegetativo da cultura
estão disponíveis e a resolução temporal é relativamente baixa. O satélite Landsat oferece,
por exemplo, apenas sete aquisições potenciais para identificar uma cultura típica anual de
verão com um ciclo de aproximadamente quatro meses, considerando seu tempo de revisita
de 16 dias (WHITCRAFT et al., 2015). Este número ainda não considera que a resposta
espectral no início e no final do ciclo da cultura geralmente não são suficientes para
diferenciação entre culturas (EBERHARDT et al., 2016). Durante os estádios iniciais de
desenvolvimento, a resposta espectral é fortemente afetada pela resposta espectral do solo;
já nos estádios finais (antes da colheita), a maior resposta corresponde à palhada ou à
cultura que entrou na fase de senescência. Assim, o período útil é quase sempre mais curto
que o teórico de quatro meses, sendo que o mapeamento em regiões tropicais como o
Brasil possui problemas adicionais, devido à frequente cobertura de nuvens em imagens de
satélite, reduzindo ainda mais o número de observações utilizáveis (SUGAWARA;
FRIEDRICH; RUDORFF, 2008).
Desta forma, além das diferenças entre metodologias aplicadas para a identificação
e o cálculo de áreas de uma cultura agrícola, o uso de diferentes sensores para a obtenção
de imagens também tem um grande impacto nos resultados mapeados. Isso porque cada
sensor possui características próprias de resolução espacial, temporal, radiométrica e
espectral, e ângulo de medição. Essas diferenças levam a uma variação nos valores
medidos para uma mesma região, em um mesmo período de tempo (ZHAO et al., 2015).
14
3.5 Fusão de imagens
Devido às limitações técnicas dos sensores remotos, como resolução temporal para
o Landsat e espacial para o sensor MODIS, ainda é grande o desafio em estudos com
relação à aquisição de dados com boa resolução espacial e alta frequência de imagens.
Apesar dos dados do Lansat terem se mostrados úteis em estudos da dinâmica do solo, seu
tempo de revista de 16 dias e a frequente contaminação de nuvens de imagens tem limitado
sua aplicação na detecção de mudanças na superfície de curto período, informações
cruciais em aplicações como no acompanhamento do desenvolvimento de culturas agrícolas
(GONZÁLEZ-SANPEDRO et al., 2008).
Por outro lado, o sensor MODIS pode fornecer observações de alta frequência
(diária), longos históricos de dados e informação espectral abundante. Comumente, é
utilizado para mapeamento de área em escala global e regional; porém, devido a sua baixa
resolução, é altamente influenciada por regiões heterogêneas (CHEN et al., 2016). Desta
forma, a fusão de dados de diferentes sensores remotos é uma alternativa viável e de
relativo baixo custo para aprimorar a capacidade destas imagens no acompanhamento da
dinâmica da superfície da Terra (ZHU et al., 2010).
O principal objetivo da fusão entre imagens é gerar um produto com melhor
qualidade do que os originais, integrando dados espaciais, espectrais (ACERBI-JUNIOR;
CLEVERS; SCHAEPMAN, 2006) e temporais (GAO et al., 2006; HILKER et al., 2009a; ZHU
et al., 2010) do mesmo sensor ou entre sensores diferentes.
Os primeiros trabalhos sobre fusão de imagens tinham como objetivo a fusão entre
bandas multiespectrais com a banda pancromática, de melhor resolução espacial. Acerbi-
Junior; Clevers; Schaepman (2006) avaliaram a fusão entre dados MODIS e TM, utilizando
transformação de banda, a fim de mapear áreas de Cerrado, um dos primeiros trabalhos
utilizando estes dois sensores para fusão. Porém, essas técnicas não são capazes de
melhorar a resolução espacial e temporal simultaneamente, o que não é ideal para estudos
sobre a dinâmica da vegetação, já que o componente temporal é fundamental para estudos
sobre a variabilidade inter e intra-anual.
Uma boa alternativa é combinar a resolução espacial da imagem Landsat (sensor
OLI) com a frequência temporal do sensor MODIS (HILKER et al., 2009a). O STARFM
(Spatial and Temporal Adaptive Reflectance Fusion Model) é um algoritmo desenvolvido por
Gao et al. (2006) para predizer a refletância da superfície diária da resolução espacial OLI
utilizando um ou mais pares de imagens OLI e MODIS. Desse modo, é possível obter
imagens com a resolução das imagens do satélite Landsat com informações confiáveis das
dinâmicas da vegetação, bem como possíveis alterações ao longo do tempo.
15
A vantagem de se utilizar imagens OLI e MODIS para a fusão é a semelhança entre
os parâmetros orbitais de seus satélites. Além disso, estes sensores possuem bandas em
locais similares no espectro eletromagnético (ARANTES, 2014).
Para a fusão de imagens, o STARFM prediz os valores de refletância da superfície
de imagens OLI com base em pares de imagens OLI (denominadas pelo algoritmo de
imagem de resolução fina) e MODIS (imagem de resolução grosseira), preferencialmente da
mesma data. Assim, temos uma imagem MODIS e outra OLI no tempo (T1), e uma imagem
MODIS correspondente à data da imagem OLI a ser predita (tempo T2). O resultado é uma
imagem com resolução temporal diária (dependendo do produto MODIS a ser utilizado) e
resolução espacial de 30 metros (GAO et al., 2006).
Uma janela móvel é utilizada a fim de evitar problemas causados tanto pelas
diferenças entre as imagens OLI e MODIS (resoluções espaciais), tanto por mudanças
temporais (mudanças no uso da terra, fenologia da vegetação ou BRDF – Bidirectional
Reflectance Distribution Function) (ARANTES, 2014).
Desta maneira, é criada uma função com diferentes pesos para cada pixel vizinho ao
pixel central dentro desta janela móvel, sendo utilizados somente aqueles com boa
similaridade espectral e livres de nuvens (Figura 2). No Passo 1 os dados de melhor
resolução (resolução fina) são primeiramente usados para procurar pixels (o) que são
espectralmente similares ao pixel central (+) dentro da janela móvel. O Passo 2 consiste na
filtragem destas amostrar para assegurar uma boa seleção dos pixels. Ambos os dados, de
melhor e pior resolução, são utilizados para determinar o peso das amostras (Passo 3) de
acordo com uma função de peso (o pixel de cor preta possui o maior peso). Por último, o
valor predito é computado com base no peso dos cinco pixels selecionados (Passo 4)
Figura 2 Esquema da metodologia empregada pelo STARFM. Fonte: GAO et al. (2006)
Assim, o algoritmo STARFM é dado por (GAO et al., 2006):
16
em que
2
22
,, TyxL ww é o valor do pixel OLI predito para o tempo 2 (T2), w é o tamanho da
janela móvel e
22
, ww yx é o pixel central desta janela móvel.
O peso Wij é calculado baseado em três medidas: diferença espectral entre o sensor
OLI e sensor MODIS, diferença temporal entre MODIS T1 e MODIS T2 e a distância entre o
pixel central predito e o candidato a pixel vizinho espectralmente similar e, assim, determinar
o quanto cada pixel vizinho (xi,yj) irá contribuir para estimar o valor de refletância do pixel
central (GAO et al., 2006). M(xi,yjT2) é a refletância da imagem MODIS em xi,yj observada no
T2. Por fim, L(xi,yjT1) e M(xi,yjT1) são as refletâncias das imagens OLI e MODIS no tempo T1,
respectivamente (HILKER et al., 2009b). O peso Wij é calculado pela seguinte fórmula:
O algoritmo foi testado e validado por Gao et al. (2006), utilizando o produto MODIS
MOD09GHK, com 500 metros de resolução e imagens Landsat-7 ETM+, que obtiveram por
conclusões a respeito do STARFM: 1) os dados estimados apresentaram boa acurácia,
preservando a alta resolução espacial das imagens TM/ETM+ e alta resolução temporal das
imagens do sensor MODIS; 2) para regiões que apresentarem paisagens mais complexas,
alguns parâmetros, como o tamanho da janela móvel, devem ser ajustados para melhorar a
performance do algoritmo; 3) a predição pode ser realizada com apenas um par de imagem
TM/ETM+ e MODIS como dados de entrada, mas o resultado pode ser melhorado com a
utilização de mais um par de imagens; e 4) mudanças ocorridas em uma escala menor que
o pixel MODIS não são preditas com boa precisão pelo STARFM.
Hilker et al. (2009a) testaram o uso do STARFM para avaliação das mudanças
sazonais em regiões de florestas boreais e sub-boreais, e encontraram bons resultados. As
imagens preditas mantiveram os detalhes espaciais; porém, o algoritmo foi menos eficaz em
predizer eventos de distúrbio.
Posteriormente, alguns algoritmos de fusão foram desenvolvidos para contornar as
falhas do STARFM. O ESTARFM – Enhanced Spatial and Temporal Adaptative Reflectance
Fusion Model (ZHU et al., 2010) foi desenvolvido para predição de imagens em regiões
heterogêneas. O ESTARFM tem como base o STARFM e teve maior acurácia de predição
Eq. (1)
Eq. (2)
w
i
w
j
jijijiijww TyxMTyxLTyxMWTyxL1 1
1122
22
,,,,,,,,
w
i
w
j
ijijij CCW1 1
/1//1
17
em situações semelhantes as testadas no STARFM; porém, o algoritmo exige pelo menos,
dois pares de imagens OLI e MODIS como entrada, o que pode ser um problema em
regiões onde a cobertura por nuvens é frequente.
3.6 Séries temporais
Os ecossistemas estão em um estado de constante mudança, tanto em escala
espacial como temporal. Porém, a maioria das metodologias aplicadas para detecção de
mudança focaliza apenas na diferença entre duas imagens – uma antes e outra depois da
mudança, denominada análise bitemporal (COPPIN et al., 2004), impedindo a detecção de
tendências em longo prazo (KENNEDY; COHEN; SCHROEDER, 2007). A análise
bitemporal para detecção de mudanças apresenta dois problemas: a data de aquisição das
imagens (em razão da diferença de sazonalidade) e o intervalo de tempo de mudança
(resolução temporal) (COPPIN et al., 2004). Por resultado, a imagem produzida com base
na diferença entre apenas duas imagens gera resultados não muito confiáveis, pois está
sujeita a erros de registro das imagens, das condições atmosféricas nas datas de
imageamento e à própria fenologia da vegetação (CARVALHO; DUTRA, 2008).
Com o objetivo de contornar estas limitações, alguns pesquisadores têm abordado o
monitoramento de ecossistemas utilizando séries temporais, com as quais é possível avaliar
o perfil temporal e os componentes de tendência e sazonalidade (ARANTES, 2014).
Uma série temporal é definida como qualquer conjunto de observações ordenadas
no tempo. Além disso, a análise de uma série temporal permite predizer valores futuros da
série e verificar a existência de tendências e periodicidades nos dados (MORETTIN; TOLOI,
2006).
Diversos trabalhos têm sido realizados com o uso de séries temporais de dados de
sensoriamento remoto para o estudo da superfície terrestre. Os primeiros trabalhos
desenvolvidos foram realizados principalmente para melhorar o mapeamento da cobertura
do uso da terra, utilizando dados multitemporais, representando os estádios fenológicos da
vegetação (ARANTES, 2014).
Com o passar dos anos, metodologias foram desenvolvidas aliando dados temporais
e dados espectrais de sensores remotos. Séries temporais de dados de sensores são
utilizadas para caracterizar fenologia da vegetação (ZHANG et al., 2012) e para análise de
mudanças e mapeamento no uso da terra (ALCANTARA et al., 2012; OHMANN et al.,
2012).
A componente temporal possibilita observar padrões complexos e analisar a
dinâmica do uso do solo. A palavra monitoramento assume, implicitamente, o domínio
temporal das observações, enfatizando o papel que imagens multitemporais de
sensoriamento remoto podem desempenhar em todos os domínios de aplicações
18
associadas com a dinâmica dos processos ambientais e antropológicos (BRUZZONE;
SMITS; TILTON, 2003).
No monitoramento das mudanças no uso da terra utilizando séries temporais, o
principal desafio encontrado são os ruídos, os quais podem afetar a detecção de mudanças
ou até mesmo criar fenômenos irreais. As causas dos ruídos podem ser diferenças na
absorção e espalhamento atmosféricos em decorrência de variações na concentração de
vapor d’água e aerossóis, em momentos diferentes, variações temporais no zênite solar
e/ou ângulos de azimute e, ainda, inconsistência na calibração dos sensores em imagens
separadas. Assim, o pré-processamento das imagens, antes da detecção de mudanças
reais é essencial, uma vez que permite a ligação mais direta entre os dados orbitais e os
fenômenos biofísicos, a remoção de erros de aquisição de dados e ruídos da imagem e
mascaramento de cenas contaminadas por nuvens, por exemplo (COPPIN et al., 2004).
Após o pré-processamento, as imagens, geralmente são transformadas em índices de
vegetação, com o intuito de realçar as propriedades espectrais da vegetação (ARANTES,
2014).
3.7 Índices de Vegetação
Devido à importância da resposta espectral das folhas de uma planta e sua relação
com características da vegetação no instante das medições, diversos autores tentaram
relacioná-la com variáveis biofísicas e fisiológicas das culturas (ZHANG; HE, 2013; ZHAO;
HE; XU, 2012). Uma forma de se inferir sobre as condições da cultura, como os estádios
fenológicos, concentração de clorofila nas folhas, entre outros, é por meio do cálculo de
índices de vegetação (IV), os quais são obtidos a partir da relação entre duas os mais
bandas espectrais e visam realçar as variações de densidade da cobertura vegetal. O
cálculo se baseia no padrão divergente da resposta espectral na região do espectro visível e
infravermelho próximo que ocorre na vegetação em geral (VICARI, 2015).
Dentre os diversos índices de vegetação desenvolvidos, pode-se destacar como um
dos mais frequentemente aplicados em estudos o Índice de Vegetação por Diferença
Normalizada (Normalized Difference Vegetation Index – NDVI) (PONZONI; SHIMABUKURO;
KUPLICH, 2007). O NDVI é a normalização do índice de vegetação da Razão Simples (SR)
proposto por Rouse Jr et al. (1974) com valores possíveis variando de -1 a 1.
A interpretação do NDVI deve levar em consideração vários fatores que possam
limitar a sua aplicação em algumas situações, tais como o ponto de saturação no qual o
incremento de biomassa vegetal não pode mais ser acompanhando pelo índice, as
interferências atmosféricas, as larguras das bandas espectrais utilizadas e as características
de qualidade da imagem inerentes ao sensor utilizado. Esses fatores podem resultar em
valores incorretos ou com forte presença de ruídos, como é o caso das interferências
19
atmosféricas e da qualidade das imagens, e podem restringir a comparação de resultados
obtidos a partir de sensores diferentes, já que as larguras das bandas e as características
de cada sensor podem gerar resultados de resposta radiométricas diferentes para um
mesmo alvo (VICARI, 2015).
Já no caso do ponto de saturação do NDVI, devido à dinâmica de espalhamento e
absorção de um dossel, quanto mais denso esse último for, maior é o espalhamento da
banda do infravermelho próximo e maior é a absorção na banda do vermelho, até certo
ponto. Quando o dossel vegetal chega a uma certa densidade, característica de cada
espécie, a variação no incremento de biomassa e/ou índice foliar específico gera variações
entre os fenômenos de espalhamento e absorção cada vez menores, mantendo o valor do
NDVI praticamente inalterado a partir do momento em que alcançou esse ponto de
saturação. Isso pode levar a uma falsa conclusão de que a vegetação não está mais
acumulando biomassa, quando a situação verificada a campo da cultura é diferente do
mostrado pelo índice (PONZONI; SHIMABUKURO; KUPLICH, 2007)
Ainda, vale acrescentar que, como o NDVI relaciona duas faixas espectrais bastante
comuns, existe a possibilidade de aplicação desse índice em dados provenientes de
diversos sensores, tanto orbitais, como MODIS (Terra/Aqua) e OLI (Landsat 8), quanto
terrestres, como espectrorradiômetros e greenseekers (GEMTOS et al., 2013).
Como o NDVI é um dos IV mais difundidos e aplicados em estudos da vegetação,
diversos trabalhos buscaram utilizá-lo para a estimativa de variáveis biofísicas e de áreas
ocupadas de diversas culturas agrícolas. No âmbito de mapeamentos de áreas de culturas,
Fontana et al. (2006) demonstraram o potencial de se utilizar o NDVI para o mapeamento de
áreas de culturas agrícolas em larga escala utilizando diferentes sensores orbitais.
Mkhabela et al. (2011) e Gallego et al. (2014) concluíram em seus respectivos trabalhos que
o NDVI pode ser utilizado eficientemente no mapeamento de culturas agrícolas, com
destaque para o NDVI calculado a partir de dados do sensor MODIS, o qual apresentou o
melhor custo-benefício para mapeamentos utilizando este índice.
Ren et al. (2008) demonstraram que o NDVI obteve bons resultados na estimativa
regional de rendimento de trigo de inverno na China, com erros relativos de estimativas
abaixo de 5,5%, superando modelos agroclimáticos utilizados para esse mesmo fim.
3.8 Cultura da Soja
A soja (Glycine max (L.) Merrill), hoje cultivada globalmente, é muito diferente do seu
cultivar de origem, que eram espécies de plantas rasteiras que se desenvolviam na costa
leste da Ásia, ao longo do Rio Amarelo, na China. Apesar de explorada no Oriente há mais
de cinco mil anos, sendo reconhecida como uma das plantas cultivadas mais antigas do
mundo, os Estados Unidos (EUA) iniciaram seu cultivo apenas na segunda década do
20
século XX. No Brasil, a soja chegou no ano de 1882 via Estados Unidos, sendo cultivada
primeiramente como forrageira e eventualmente, com o passar dos anos, se tornou planta
produtora de grãos para a indústria de farelos e óleos vegetais (EMBRAPA SOJA, 2004a).
O primeiro registro de cultivo da soja no Brasil data de 1914 no estado do Rio
Grande do Sul; entretanto, foi somente na década de 60, impulsionada pela política de
subsídios ao trigo, que a soja se estabeleceu como cultura de valor econômico importante
para o Brasil. Nessa década, a produção passou de 206 mil toneladas em 1960 para 1056
milhão de toneladas em 1969 (EMBRAPA SOJA, 2004b).
Atualmente, a soja representa uma das principais commodities da agricultura
brasileira, principalmente devido a sua importância econômica nas exportações. Atrás
apenas da região Centro-Oeste, a região é a segunda maior produtora de soja do Brasil.
Somente o estado do Paraná foi responsável por 17,77% da produção de soja no país na
Safra 2015/16 (CONAB, 2016), sendo objeto de diversos estudos (GRZEGOZEWSKI et al.,
2016; JOHANN et al., 2012; PRUDENTE et al., 2014; SOUZA et al., 2013), evidenciando a
importância econômica da cultura para o estado.
3.9 Ciclo da Soja
A soja, pertencente à família Leguminosa, é predominantemente utilizada para o
processamento do grão em óleo e proteína, e apresenta grande diversificação genética e
morfológica, devido ao extenso número de variedades e cultivares. Seu ciclo geralmente
varia de 75 a 210 desde sua germinação até a maturação. Este ciclo pode variar,
dependendo principalmente do cultivar e das condições atmosféricas da região e época de
semeadura. Os cultivares de soja são classificados em precoce, com ciclo de 75 a 115 dias;
semiprecoce, de 116 a 125 dias; ciclo médio, de 126 a 137 dias; semitardio, para 138 a 150
dias; e tardio, para ciclos maiores de 150 dias (EMBRAPA SOJA, 2004b).
Um dos fatores de maior influência no rendimento da cultura é com relação à época
de semeadura. Semear em épocas inadequadas afeta o porte, o ciclo e o rendimento das
plantas, e contribui para o aumento de perdas na colheita. Todas essas características estão
associadas com a população de plantas, a cultivar utilizada e a fertilidade do solo
(EMBRAPA SOJA, 2004a). O ciclo da soja, contendo a curva de desenvolvimento da cultura
com dados de NDVI, pode ser visualizado na Figura 3.
21
Figura 3 Ciclo da soja com curva de desenvolvimento da cultura e valores de NDVI ao longo
do ciclo
3.10 Cultura do Milho
O milho é considerado uma das culturas mais importantes cultivadas mundialmente,
e isso se dá devido a sua composição química, valor nutritivo e o seu potencial produtivo
(KRESOVIC et al., 2014). De acordo Wijewardana et al. (2016), o milho ocupa a terceira
posição, em escala global, em termos de produção, e sua demanda deverá aumentar em
torno de 45% no período de 1997 a 2020.
O milho apresenta utilização intensa na alimentação humana e animal, além do
emprego como matéria-prima para uma série de aplicações industriais, incluindo a produção
de bioetanol (ZALUD et al., 2017). Diante do aspecto social, o milho é considerado como um
alimento de baixo custo, pela viabilidade de cultivo tanto em grande quanto em pequena
escala (GALVÃO et al., 2014). Assim, a cultura se integra como uma das mais importantes
atividades do cenário agrícola brasileiro, com considerável importância nos aspectos
socioeconômicos (XAVIER et al., 2014).
A produção nacional de milho, em 2016/17, está distribuída nos estados de Mato
Grosso, 26,9%; Paraná, 19,2%; Goiás, 10,6%; Mato Grosso do Sul, 10,0%; Minas Gerais
8,4%; Rio Grande do Sul, 6,6%; e São Paulo, 4,5%. Estes estados contam com uma
produção estimada em 79,9 milhões de toneladas de milho, contribuindo com cerca de
81,6% da produção nacional. A previsão de área semeada, segundo o Ministério da
Agricultura, Pecuária e Abastecimento, é de que esta pode chegar a 21,4 milhões de
hectares em 2024/25 (MAPA, 2017)
3.11 Ciclo do Milho
Milho é uma cultura que apresenta ciclo extremamente variável, dependendo do
genótipo e das condições ambientais ocorridas durante suas fases de desenvolvimento,
principalmente quanto a temperatura. Além disso, responde ao acúmulo térmico diário, ou
seja, suas etapas fenológicas e seu ciclo como um todo são determinados pelo número de
22
horas de calor diário que a cultura consegue acumular (VARGAS; PEIXOTO; ROMAN,
2006).
Essa característica da cultura faz com que esta necessite diferentes períodos em
dias, de acordo com o ambiente, para atingir ou completar uma mesma etapa de
desenvolvimento, levando muitas vezes a erros quanto à indicação de algumas práticas de
manejo (BERGAMASCHI; MATZENAUER, 2014).
O ciclo da cultura de milho, compreendido em cinco diferentes etapas de
desenvolvimento, procurando fazer algumas observações quanto ao nível de
competitividade entre a cultura e as plantas daninhas em cada uma delas. São elas
(VARGAS; PEIXOTO; ROMAN, 2006):
Etapa I – Germinação e emergência: Esse período é compreendido da semeadura
até o aparecimento da plântula de milho e é muito variável, principalmente em função da
temperatura e nível de umidade do solo, podendo durar de cinco até 15 dias. Nesta etapa,
os maiores problemas surgem quando a competição ocorre na linha de plantio,
principalmente quando se tratam de plantas daninhas de folha estreita.
Etapa II - Crescimento vegetativo: Esse período é compreendido desde a emissão da
segunda folha definitiva (considera-se folha definitiva, aquelas folhas totalmente emergidas
do cartucho, em que é possível observar a olho nu a linha de união entre a lâmina e a
bainha da folha) até o início do florescimento de milho. É durante essa etapa que são
determinados importantes componentes do rendimento de grãos. Entre seis e nove folhas
define-se o número de fileiras de grãos por espiga de milho e entre 12 a 15 folhas o número
de grãos por fileira. É por esse motivo que na prática e nos estudos de predição, esse
período é considerado o mais importante em termos de competição, controle e reflexos no
rendimento de grãos final da lavoura.
Etapa III – Florescimento: É o período compreendido entre polinização e início da
frutificação de milho, que normalmente tem sua duração estabelecida entre quatro e oito
dias.
Etapa IV – Frutificação: É a etapa compreendida entre fecundação até enchimento
de grãos de milho. Essa etapa é conhecida pelos técnicos e agricultores como fase de
enchimento de grãos. A duração dessa etapa, dependendo da cultivar e das condições
ambientais, pode variar de 40 a 60 dias.
Etapa V – Maturação: É o período compreendido entre o fim da frutificação e a
maturação fisiológica ou aparecimento da camada preta na base do grão de milho (que fica
em contato com o sabugo). Em algumas áreas em que o controle de plantas daninhas foi
realizado de maneira inadequada ou em áreas de elevada infestação, devido ao baixo
sombreamento da cultura nessa etapa, e consequente elevada taxa de luminosidade, pode
ser induzida a emergência de plantas daninhas com elevada agressividade, a exemplo das
gramíneas, que podem comprometer o rendimento final de grãos, devido a perdas e/ou,
23
normalmente em maior grau, devido à redução da qualidade do produto final, em função das
dificuldades durante a colheita. O ciclo do milho, contendo a curva de desenvolvimento da
cultura com dados de NDVI, pode ser visualizado na Figura 4.
Figura 4 Ciclo da soja com curva de desenvolvimento da cultura e valores de NDVI ao longo do ciclo
3.12 Evapotranspiração
A evapotranspiração possui papel de grande importância no ciclo hidrológico,
responsável pela transferência de quase todo o volume de água da superfície terrestre para
a atmosfera. De acordo com Santos (2009a), o fenômeno ocorre devido ao acontecimento
simultâneo de dois processos no qual a água é transferida para atmosfera: a evaporação e a
transpiração.
De acordo Allen et al. (1998), a evaporação pode ser definida como o processo no
qual a água líquida é convertida em vapor (vaporização) e removida de diferentes
superfícies evaporantes, como lagos, rios, pavimentos, solos e vegetação úmida, sendo esta
última compreendida como a água presente no orvalho e na interceptação da precipitação
pela cobertura vegetal.
A transpiração consiste na vaporização da água em seu estado líquido contida nos
tecidos vegetais com posterior transferência para a atmosfera. Culturas geralmente perdem
água por pequenos orifícios na folha da planta, nos quais gases e vapores d’água passam,
denominados estômatos (ALLEN et al., 1998).
Quantos aos fatores influentes no processo de evapotranspiração, para Allen et al.
(1998) esta é fortemente influenciada por características da vegetação, manejo e aspectos
do ambiente (solos com baixa fertilidade, por exemplo, impedem o crescimento da cultura
diminuindo a taxa de evapotranspiração) e parâmetros meteorológicos, principalmente:
radiação, temperatura do ar, umidade e velocidade do vento. Teixeira (2010) complementa
24
as considerações, recomendando que não somente seja observado o tipo de cultura, mas o
seu respectivo desenvolvimento e sistema de irrigação utilizado.
3.13 Estimativa evapotranspiração usando imagens de satélite
Umas das limitações de outros métodos na determinação da evapotranspiração é a
realização de estimativas em grandes áreas, pois estes são baseados em dados medidos
em locais específicos e integrados para a área que envolve o local da medição, levando em
consideração uniformidade de evapotranspiração na área referida (ALLEN et al., 2002).
Entretanto, a situação encontrada na realidade raramente é homogênea, sendo o mais
comum a existência de áreas contendo diferentes culturas, as quais possuem alturas, fases
fenológicas e suprimentos hídricos, com todos esses fatores determinantes para a
evapotranspiração.
Além disso, de acordo com Bezerra (2013), as medições de evapotranspiração real
geralmente possuem custos elevados, devido a sua realização ser in situ, demandando
tempo e utilização de equipamentos onerosos, justificando a ausência deste tipo de medida
em alguns casos. Portanto, o uso de imagens de satélites se configura uma alternativa
efetiva para a obtenção das medições, se mostrando uma metodologia promissora pelas
vantagens da obtenção de evapotranspiração real e a possibilidade de espacialização desta
em escala regional. Tal afirmação corrobora com Allen et al. (2002), pois, segundo os
autores, o sensoriamento remoto tem grande potencial no melhoramento do manejo da
irrigação em conjunto com outros tipos de gestão da água, fornecendo estimativas de ET
para grandes áreas da superfície, utilizando uma quantidade mínima de dados de campo.
Entretanto, o cálculo da ET utilizando o sensoriamento remoto não elimina a utilidade
de outros métodos, como a estimativa utilizando micrometeorológicos e lisímetros, os quais
são designados para pesquisa, ajuste de modelos, entre outros, enquanto a utilização de
imagens de satélite pode ser utilizada de forma operacional (SANTOS, 2009a)
Diversos algoritmos foram desenvolvidos nas últimas décadas utilizando o
sensoriamento remoto para obtenção de valores de ETr, tanto para escalas regionais como
locais. Dentre os exemplos tem-se: SEBS – Surface Energy Balance System (SU, 2002), o
S-SEBI – Simplified Surface Energy Balance Index (ROERINK; MENENTI, 2000), o
METRIC – Mapping Evapotranspiration at High Spatial Resolution with Internalized
Calibration (ALLEN et al., 2007), o SAFER – Simple Algorithm For Evapotranspiration
Retrieving (TEIXEIRA et al., 2008) e o SEBAL – Surface Energy Balance Algorithm for Land
(BASTIAANSSEN et al., 1998a).
25
3.14 O algoritmo SEBAL – Surface Energy Balance Algorithm for Land
O SEBAL (Surface Energy Balance for Land) foi desenvolvido e apresentado por
Bastiaanssen (1995), na Holanda. As potencialidades do SEBAL na obtenção espacial
temporal da ET foram apresentadas em trabalho de Bastiaanssen et al. (1998a). O algoritmo
visa fazer estimativas dos componentes do balanço energético e, consequentemente, da
evapotranspiração, baseado em combinações de equações empíricas e parametrização
física (SANTOS, 2009a)
Segundo Santos (2009b), o método propõe o emprego de poucas relações e
suposições empíricas. Além disso, o algoritmo pode ser utilizado por diversos
agrossistemas, com sua principal vantagem focada na baixa demanda por informações de
uso e cobertura do solo e dados meteorológicos. Seus principais produtos são: obtenção do
albedo da superfície, emissividades e índices de vegetação, temperatura da superfície,
saldo de radiação, fluxo de calor sensível, latente e calor no solo; o consumo de água, ou a
ET real, pixel a pixel.
De acordo com Bezerra (2013), o SEBAL apresenta algumas vantagens que fazem o
algoritmo se destacar dentre os demais: (i) Consiste em um algoritmo baseado fisicamente
em análises de imagens de satélite, requerendo um mínimo de informações de estações; (ii)
Não assume constante espacialmente como feito em outros métodos e faz uso de grande
número de variáveis ambientais; (iii) Menor necessidade quanto à correção atmosférica das
informações para comprimentos de onda curta e térmica nas imagens. Com isso, a
aplicabilidade do SEBAL se expande, considerando que as medições necessárias para as
correções nem sempre estão disponíveis; (iv) Não se restringe ao uso de imagens Landsat
com resolução espacial de 30 a 120 m, mas também imagens de sensores como o AVHRR
(Advanced Very High Resolution Radiometer) e o MODIS (Moderate Resolution Imaging
Spectroradiometer) com resolução espacial variando de 250 a 1100 m.
Além dessas vantagens, segundo Santos (2009a), o SEBAL, quando aplicado a
imagens de satélites com alta resolução espacial, é capaz de determinar a variabilidade
espacial da ET internamente entre campos irrigados; esta é uma informação importante,
pois quando aplicada corretamente pode aumentar a eficiência da irrigação, principalmente
em regiões áridas e semiáridas com grandes limitações de disponibilidade de recursos
hídricos.
A determinação da ET com a utilização do SEBAL compreende a execução de
diversas etapas. A primeira variável da equação do balanço de energia a ser obtida pelo
algoritmo é o saldo de radiação (Rn). Após isso, a determinação do fluxo de calor no solo (G)
é obtida em função do saldo de radiação, albedo da superfície (α), do índice de vegetação
por diferença normalizada (IVDN) e temperatura da superfície (Ts). Por fim, o algoritmo
determina o fluxo de calor sensível (H). Para este procedimento, Allen et al. (2002) relatam a
26
necessidade de conhecimento, experiência e habilidade para sua realização, sendo a etapa
que exige mais cuidado, principalmente para a seleção dos pixels âncoras, denominados
pixel frio e quente. Tais pixels representam as condições extremas de temperatura e
umidade da área em estudo.
Quanto à seleção do pixel quente, deve ser escolhido em uma região com alta
temperatura de superfície e desprovida de cobertura vegetal, onde se supõe que não há
evapotranspiração ocorrendo, com o saldo de radiação dedicado somente ao aquecimento
da superfície e do ar (BASTIAANSSEN et al., 1998a). Já a escolha do pixel frio possui duas
recomendações disponíveis: em aplicações tradicionais seleciona-se um pixel inserido em
um corpo d´água, de acordo com Bastiaanssen et al. (1998a). Allen et al. (2002) sugerem a
seleção de uma região em uma parcela agrícola bem desenvolvida e sem restrições de
água (irrigada). Para ambas as situações, a suposição é que o fluxo de calor sensível
nessas regiões pode ser considerado nulo, considerando que a energia disponível na
superfície está sendo usada para os processos evaporativos.
Uma das limitações do algoritmo reside na determinação do coeficiente de
rugosidade da superfície, a qual pode ser computada por dois métodos: Bastiaanssen et al.
(1998a) sugerem uma equação empírica calibrada localmente envolvendo o índice de
vegetação ajustado ao solo para determinação da rugosidade da superfície. Allen et al.
(2002) recomendam em primeira instância calcular a rugosidade fazendo uso do mapa de
uso do solo para áreas agrícolas em função do índice de área foliar, e para áreas não
agrícolas (água, floresta, neve, construções, etc.) assumem-se valores tabelados.
Entretanto, a determinação da rugosidade se consiste em uma difícil tarefa e, segundo
Gómez et al. (2005), ainda não foi provado que algum método clássico de sensoriamento
remoto foi preciso o suficiente para obtenção da variável.
Para obtenção do fluxo de calor no solo no SEBAL, este é dependente de uma
relação empírica entre o saldo de radiação e o índice de vegetação por diferença
normalizada. Este é o componente do balanço de energia considerado uma das maiores
fontes de incerteza do algoritmo (SANTOS, 2009b)
O último passo, com o conhecimento da densidade de fluxo de calor latente (LE) é
possível a obtenção da evapotranspiração real para a área em estudo, considerada como
resíduo no balanço de energia, sendo calculado através da diferença entre os demais
termos, como já descrito anteriormente. Para o modelo SEBAL, o cálculo da ET diária é
realizado com a fração evaporativa obtida no momento da passagem do satélite, a qual é
considerada constante durante o dia (ALLEN et al., 2002)
O SEBAL vem sendo utilizado amplamente com aplicação na agricultura irrigada,
utilizado em estudos que visam determinação, em primeiro plano, da demanda hídrica das
culturas ou ET real. Com esse intuito, diversos estudos em vários países vêm sendo
desenvolvidos utilizando o algoritmo, como na China (SUN et al., 2011), nos Estados Unidos
27
(ALLEN et al.,2002; SINGH et al., 2008), em Botsuana (TIMMERMANS; MEIJERINKL, 1999)
e na Turquia (BASTIAANSSEN, 2000), enquanto no Brasil os estudos têm fundamental
importância principalmente para a região nordeste, onde boa parte da área é semiárida e
com recursos hídricos bastante limitados quando comparados a outras regiões, e com isso
vários trabalhos vêm sendo desenvolvidos em perímetros irrigados da região (BEZERRA,
2013; SILVA et al., 2012; MOREIRA et al., 2010; TEIXEIRA, 2010; TEIXEIRA et al., 2009;
TEIXEIRA et al., 2008; BEZERRA, 2008)
Os vários testes utilizando o SEBAL através de uma variedade de climas e
ecossistemas, desde seu desenvolvimento até o estudo apresentado por Bastiaanssen et al.
(2005), mostraram que o modelo se mostrou consistente. O algoritmo pode ser aplicado e
implementado para a solução de problemas relacionados a irrigação e recursos hídricos.
Além disso, o método pode auxiliar no estabelecimento: 1) da relação entre o uso e a
ocupação do solo e uso da água para auxiliar no planejamento de gestão de bacias
hidrográficas; 2) estudo do impacto de projetos para conservação da água; 3) na análise do
desempenho da irrigação; 4) avaliação do impacto ambiental devido à extração de águas
subterrâneas; 5) avaliação do efeito de projetos de transposição de corpos hídricos; 6)
cumprimento de legislações quanto ao direito do uso da água (outorga); 7) modelagem
hidrológica; 8) monitoramento da degradação de vegetações nativas; e 9) avaliação da
produtividade hídrica da cultura, entre outras aplicações (BASTIAANSSEN et al., 2005).
4 REFERÊNCIAS
ACERBI-JUNIOR, F. W.; CLEVERS, J. G. P. W.; SCHAEPMAN, M. E. The assessment of multi-sensor image fusion using wavelet transforms for mapping the Brazilian Savanna. International Journal of Applied Earth Observation and Geoinformation, v. 8, n. 4, p. 278-288, 2006. ADAMI, M. Estimativa da data de plantio da soja por meio de séries temporais de imagens MODIS. [s.l.] Instituto Nacional de Pesquisas Espaciais - INPE, 2010. ALCANTARA, C.; KUEMMERLE, T.; PRISHCHEPOV, A. V.; RADELOFF, V. C. Mapping abandoned agriculture with multi-temporal MODIS satellite data. Remote Sensing of Environment, v. 124, p. 334-347, 2012. ALEXANDRATOS, N.; BRUINSMA, J. World Agriculture towards 2030 / 2050: The 2012 Revision. Roma, FAO: ESA Working Paper, 2012. ALLEN, R. G.; PEREIRA, L. S.; RAES, D.; SMITH, M. Crop evapotranspiration - Guidelines for computing crop water requirements. FAO Irrigation and drainage paper 56. p. 1-15. Roma: 1998. ALLEN, R. G.; TASUMI, M.; MORSE, A.; TREZZA, R.; WRIGHT, J. L.; BASTIAANSSEN, W.; KRAMBER, W. J.; LORITE, I. J.; ROBISON, C. W. Satellite-Based Energy Balance for Mapping Evapotranspiration with Internalized Calibration (METRIC) — Applications. Journal of irrigation and drainage engineering, v. 133, n. 4, p. 395-406, 2007.
28
ALLEN, R. G.; TASUMI, M.; TREZZA, R. Surface Energy Balance Algorithm for Land (SEBAL) - Advanced training and users Manual. Idaho, 2002. ARANTES, T. B. Análise de séires temporais compostas por imagens sintetizadas a partir da fusão de dados modis - TM. 2004. 91f. Dissertação (Mestrado em Engenharia Florestal) - Universidade Federal de Lavras, Lavras, 2014. ATZBERGER, C. Advances in Remote Sensing of Agriculture: Context Description, Existing Operational Monitoring Systems and Major Information Needs. Remote Sensing, v. 5, p. 949-981, 2013. BAAN, L. de; ALKEMADE, R.; KOELLNER, T. Land use impacts on biodiversity in LCA: a global approach. The International Journal of Life Cycle Assessment, v. 18, n. 6, p. 1216-1230, 2013. BASTIAANSSEN, W. G. M.; MENENTI, M.; FEDDES, R. A.; HOLTSLAG, A. A. M. A remote sensing surface energy balance algorithm for land (SEBAL). Journal of Hydrology, v. 212, p. 198-212, 1998. BASTIAANSSEN, W. G. M. SEBAL-based sensible and latent heat fluxes in the irrigated Gediz Basin, Turkey. Journal of Hydrology, v. 229, n. 1, p. 87-100, 2000. BASTIAANSSEN, W. G. M.; MENENTI, M.; FEDDES, R. A.; HOLTSLAG, A. A. M. SEBAL Model with Remotely Sensed Data to Improve Water-Resources Management under Actual Field Conditions. Journal of Irrigation and Drainage Engineering, v. 131, n. 1, p. 85-93, 2005. BERGAMASCHI, H.; MATZENAUER, R. O milho e clima. Passo Fundo: Emater/RS-Ascar, 2014. BEZERRA, B. G.; SILVA, B. B. D. A.; FERREIRA, N. J. Estimativa da evapotranspiração real diária utilizando-se imagens digitais Tm-LandsaT 5. Universidade Federal de Campina Grande (UFCG). Centro de Previsão de Tempo e Estudos Climáticos (CPTEC). p. 305-317, 2008. BEZERRA, J. M. Estimativa da evapotranspiração real para área de caatinga utilizando Sebal. 2013. 77 f. Dissertação (Mestrado em Engenharia Agrícola) - Universidade Federal Rural de Pernambuco, Recife, 2013. BRUZZONE, L.; SMITS, P. C.; TILTON, J. C. Special Issue on Analysis of Multitemporal Remote Sensing Images. IEEE Transactions on Geoscience and Remote Sensing, v. 41, n. 11, p. 2419-2422, 2003. CAMPBELL, J.; WYNNE, R. H. Introduction to remote sensing. New York: Guilford Press, 2011. CARVALHO, L. M. T.; DUTRA, G. C. Fundamentos de sensoriamento remoto. Lavras: UFLA, 2008. COHEN, W. B.; GOWARD, S. N. Landsat’s Role in Ecological Applications of Remote Sensing. BioScience, v. 54, n. 6, p. 535-545, 2004. CONAB. Acompanhamento da safra brasileira. Disponível em: http://www.conab.gov.br/OlalaCMS/uploads/arquivos/16_07_29_15_12_51_boletim_graos_julho_2016.pdf. Acesso em: 24 ago. 2016.
29
COPPIN, P.; JONCKHEERE, I.; NACKAERTS, B.; LAMBIN, E. Review ArticleDigital change detection methods in ecosystem monitoring: a review. International Journal of Remote Sensing, v. 25, n. 9, p. 1565-1596, 2004. EBERHARDT, I. D. R.; SCHULTZ, B.; RIZZI, R.; SANCHES, I. D.; FORMAGGIO, A. R.; ATZBERGER, C.; MELLO, M. P.; IMMITZER, M.; TRABAQUINI, K.; FOSCHIERA, W.; LUIZ, A. J. B. Cloud Cover Assessment for Operational Crop Monitoring Systems in Tropical Areas. Remote SensingRe, v. 8, n. 219, p. 1-14, 2016. EMBRAPA SOJA. Tecnologias de Produção de Soja Região Central do Brasil 2005. Londrina: Embrapa Soja, 2004a. EMBRAPA SOJA. Tecnologia de produção de soja - Paraná 2005. Londrina: Embrapa Soja, 2004b. ESPÍRITO-SANTO, F. D. B.; SANTOS, J. R. DOS; SILVA, P. G. DA. Técnicas de processamento de imagens e de análise espacial para estudo de áreas florestais sob a exploração madeireira. Revista Árvore, v. 28, n. 5, p. 699-706, 2004. FERRAZ, A. S.; SOARES, V. P.; SOARES, C. P. B.; RIBEIRO, C. A. S. A.; GLERIANI, J. M. Uso de imagens do satélite IKONOS II para estimar biomassa aérea de um fragmento de floresta estacional semidecidual. Simpósio Brasileiro de Sensoriamento Remoto. Anais [...] Foz do Iguaçu, 2013. p. 2794-2801. FOLEY, J. A.; DEFRIES, R. S.; ASNER, G. P.; BARFORD, C. C.; BONAN, G.; CARPENTER, S. R.; CHAPIN III, F. S.; COE, M. T.; DAILY, G. C.; GIBBS, H.; HELKOWSKI, J. H.; HOLLOWAY, T.; HOWARD, E.; KUCHARIK, C. J.; MONFREDA, C.; PATZ, J.; PRENTICE, I. C.; RAMANKUTTY, N.; SNYDER, P. K. Global consequences of land use. Science, v. 309, n. 5734, p. 570-574, 2005. FONTANA, D. C.; MELO, R. W.; WAGNER, A. P. L.; WEBER, E.; GUSSO, A. Use of remote sensing for crop yield and area estimates in the southern of Brazil. ISPRS Archives XXXVI-8/W48 Workshop proceedings: Remote sensing support to crop yield forecast and area estimates, p. 53-58, 2006. Disponível em: https://www.isprs.org/proceedings/xxxvi/8-w48/53_XXXVI-8-W48.pdf. Acesso em 10 jan. 2018. FAO - FOOD AND AGRICULTURE ORGANIZATION OF THE UNITED NATIONS. Statistics Division. Disponível em: http://www.fao.org/statistics/pt/. Acesso em 8 jan. 2018. GALLEGO, F. J.; KUSSUL, N.; SKAKUN, S.; KRAVCHENKO, O.; SHELESTOV, A.; KUSSUL, O. Efficiency assessment of using satellite data for crop area estimation in Ukraine. International Journal of Applied Earth Observation and Geoinformation, v. 29, n. 1, p. 22-30, 2014. GALVÃO, J. C. C.; MIRANDA, G. V.; TROGELLO, E.; FRITSCHE-NETO, R. Seven decades of development of the maize production system. Ceres, Viçosa, v. 61, p. 819-828, 2014. GAO, F.; MASEK, J.; SCHWALLER, M.; HALL, F. On the Blending of the Landsat and MODIS Surface Reflectance : Predicting Daily Landsat Surface Reflectance. IEEE Transactions on Geoscience and Remote Sensing, v. 44, n. 8, p. 2207-2218, 2006. GEMTOS, T.; FOUNTAS, S.; TAGARAKIS, A.; LIAKOS, V. Precision Agriculture Application in Fruit Crops: Experience in Handpicked Fruits. Procedia Technology, v. 8, n. Haicta, p. 324-332, 2013. GEO. GEO – Group on Earth Observations. Disponível em: http://www.earthobservations.org/wigeo.php. Acesso em: 10 jan. 2018.
30
GÓMEZ, M.; OLIOSO, A.; SOBRINO, J. A.; JACOB, F. Retrieval of evapotranspiration over the Alpilles / ReSeDA experimental site using airborne POLDER sensor and a thermal camera. Remote Sensing of Environment, v. 96, p. 399-408, 2005. GONG, J.; SUI, H.; MA, G.; ZHOU, Q. A review of multi-temporal remote sensing data change detection algorithms. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, v. 37, p. 757-761, 2008. GONG, P.; WANG, J.; YU, L.; ZHAO, Y.; ZHAO, Y.; LIANG, L.; NIU, Z.; HUANG, X.; FU, H.; LIU, S.; LI, C.; LI, X.; FU, W.; LIU, C.; XU, Y.; WANG, X.; CHENG, Q.; HU, L.; YAO, W.; ZHANG, H.; ZHU, P.; ZHAO, Z.; ZHANG, H.; ZHENG, Y.; JI, L.; ZHANG, Y.; CHEN, H.; YAN, A.; GUO, J.; YU, L.; WANG, L.; LIU, X.; SHI, T.; ZHU, M.; CHEN, Y.; YANG, G.; TANG, P.; XU, B.; GIRI, C.; CLINTON, N.; ZHU, Z.; CHEN, J.; CHEN, J. Finer resolution observation and monitoring of global land cover : first mapping results with Landsat TM and ETM + data. International Journal of Remote Sensing, v. 34, n. 7, p. 2607-2654, 2013. DOI: https://doi.org/10.1080/01431161.2012.748992 GONZÁLEZ-SANPEDRO, M. C.; LE TOAN, T.; MORENO, J.; KERGOAT, L.; RUBIO, E. Seasonal variations of leaf area index of agricultural fields retrieved from Landsat data. Remote Sensing of Environment, v. 112, n. 3, p. 810-824, 2008. GRZEGOZEWSKI, D. M.; JOHANN, J. A.; URIBE-OPAZO, M. A.; MERCANTE, E.; COUTINHO, A. C. Mapping soya bean and corn crops in the State of Paraná, Brazil, using EVI images from the MODIS sensor. International Journal of Remote Sensing, v. 1161, p. 1257-1275, 2016. HALL, F. G.; BERGEN, K.; BLAIR, J. B.; DUBAYAH, R.; HOUGHTON, R. B.;HURTT, G.; KELLNDORFER, J.; LEFSKY, M. A.; RANSON, K. J.; SAATCHI, S. S.; SHUGART, H. H.; WICKLAND, D. E. Characterizing 3D vegetation structure from space: Mission requirements. Remote Sensing of Environment, v. 115, n. 11, p. 2753-2775, 2011. HART, S. J.; VEBLEN, T. T. Remote Sensing of Environment Detection of spruce beetle-induced tree mortality using high- and medium-resolution remotely sensed imagery. Remote Sensing of Environment, v. 168, p. 134-145, 2015. HERMELINGMEIER, C. The competitive firm and the role of information about uncertain factor prices. Economic Modelling, v. 27, n. 2, p. 547-552, 2010. HEROLD, M.; MAYAUX, P.; WOODCOCK, C. E.; BACCINI, A.; SCHMULLIUS, C. Some challenges in global land cover mapping: an assessment of agreement and accuracy in existing 1 km datasets. Remote Sensing of Environment, v. 112, p. 2538-2556, 2008. HILKER, T.; Generation of dense time series synthetic Landsat data through data blending with MODIS using a spatial and temporal adaptive reflectance fusion model. Remote Sensing of Environment, v. 113, n. 9, p. 1988-1999, 2009a. HILKER, T.; WULDER, M. A.; COOPS, N. C.; LINKE, J.; MCDERMID, G.; MASEK, J. G.; GAO, F.; WHITE, J. C. A new data fusion model for high spatial- and temporal-resolution mapping of forest disturbance based on Landsat and MODIS. Remote Sensing of Environment, v. 113, n. 8, p. 1613-1627, 2009b. HILKER, T.; LYAPUSTIN, A. I.; TUCKER, C. J.; HALL, F. G.; MYNENI, R. B.; WANG, Y.; BI, J. Vegetation dynamics and rainfall sensitivity of the Amazon. Proceedings of the National Academy of Sciences, v. 111, n. 45, p. 16041-16046, 2014. IBGE – INSTITUITO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. LSPA -
31
Levantamento sistemático da produção agrícola. Rio de Janeiro: IBGE, 2013. JIN, S.; YANG, L.; DANIELSON, P.; HOMER, C.; FRY, J.; XIAN, G. A comprehensive change detection method for updating the National Land Cover Database to circa 2011. Remote Sensing of Environment, v. 132, p. 159-175, 2013. JOHANN, J. A.; ROCHA, J. V.; GARBELLINI, D.; AUGUSTO, R.; LAMPARELLI, C. Estimativa de áreas com culturas de verão no Paraná, por meio de imagens multitemporais EVI/Modis. Pesquisa Agropecuária Brasileira, Brasília, v. 47, n. 9, p. 1295-1306, 2012. JOHANN, J. A.; BECKER, W. R.; URIBE-OPAZO, M. A.; MERCANTE, E. Estimating soybean development stages in Paraná State – Brazil through orbital MODIS images. Engenharia Agrícola, Jaboticabal, v. 36, n. 1, p. 126-142, 2016. JUNG, M.; HENKEL, K.; HEROLD, M.; CHURKINA, G.Exploiting synergies of global land cover products for carbon cycle modeling. Remote Sensing of Environment, v. 101, p. 534-553, 2006. KENNEDY, R. E.; COHEN, W. B.; SCHROEDER, T. A. Trajectory-based change detection for automated characterization of forest disturbance dynamics. Remote Sensing of Environment, v. 110, p. 370-386, 2007. KÖRTING, T. S.; GARCIA FONSECA, L. M.; CÂMARA, G. GeoDMA—Geographic Data Mining Analyst. Computers & Geosciences, v. 57, p. 133-145, 2013. KOVALSKYY, V.; ROY, D. P. The global availability of Landsat 5 TM and Landsat 7 ETM + land surface observations and implications for global 30 m Landsat data product generation. Remote Sensing of Environment, v. 130, p. 280-293, 2013. KRESOVIC, B.; MATOVIC, G.; GREGORIC, E.; DJURICIN, S.; BODROZA, D. Irrigation as a climate change impact mitigation measure: an agronomic and economic assessment of maize production in Serbia. Agricultural Water Management, v. 139, p. 7-16, 2014. LIANG, L.; XU, B.; CHEN, Y.; LIU, Y.; CAO, W.; FANG, L.; FENG, L.; GOODCHILD, M. F.; GONG, P. Combining Spatial-Temporal and Phylogenetic Analysis Approaches for Improved Understanding on Global H5N1 Transmission. PLoS One, v. 5, n. 10, p. 1-12, 2010. LILLESAND, T.; KIEFER, R. W.; CHIPMAN, J. Remote Sensing and Image Interpretation. New Jersey: John Wiley 7 Sons, 2014. MENESES, P. R.; ALMEIDA, T. de; SANTA ROSA, A. N. de C.; SANO, E. E.; SOUZA, E. B. de; BAPTISTA, G. M. de M.; BRITES, R. S. Introdução ao processamento de imagens de sensoriamento remoto. Brasília - DF: UNB, 2012. MERCANTE, E. Dinâmica espectral da cultura da soja ao longo do ciclo vegetativo e sua relação com a produtividade na região oeste do Paraná. 2007. 241 f. Tese (Doutorado em Engenharia Agrícola) - Universidade Estadual de Campinas - UNICAMP, Campinas, 2007. MIURA, A. K.; FORMAGGIO, A. R.; SHIMABUKURO, Y. E.; ANJOS, S. D. dos; LUIZ, A. J. B. Avaliação de áreas potenciais ao cultivo de biomassa para produção de energia e uma contribuição de sensoriamento remoto e sistemas de informações geográficas. Engenharia Agrícola, Jaboticabal, v. 31, n. 3, p. 607-620, 2011. MKHABELA, M. S.; BULLOCK, P.; RAJ, S.; WANG, S.; YANG, Y. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data. Agricultural and Forest Meteorology, v. 151, n. 3, p. 385-393, 2011.
32
MOREIRA, L. C. J.; DURAND, B. J.; TEIXEIRA, A. dos S.; ANDRADE, E. M. Variabilidade local e regional da evapotranspiração estimada pelo algortimo SEBAL. Engenharia Agrícola, Jaboticabal, v. 30, n. 6, p. 1148-1159, 2010. MORETTIN, P. A.; TOLOI, C. Análise de séries temporais. São Paulo: Blucher, 2006. NASA. MODIS Specifications. 2016. Disponível em: http://modis.gsfc.nasa.gov/about/specifications.php. Acesso em: 10 jan. 2018. NIETHAMMER, U.; JAMES, M. R.; ROTHMUND, S.; TRAVELLETTI, J.; JOSWIG, M. UAV-based remote sensing of the Super-Sauze landslide: Evaluation and results. Engineering Geology, v. 128, p. 2-11, 2012. OHMANN, J. L.; GREGORY, M. J.; ROBERTS, H. M.; COHEN, W. B.; KENNEDY, R. E. Forest Ecology and Management Mapping change of older forest with nearest-neighbor imputation and Landsat. Forest Ecology and Management, v. 272, p. 13-25, 2012. PONZONI, F. J.; SHIMABUKURO, O. E.; KUPLICH, T. M. Sensoriamento remoto no estudo da vegetação. São José dos Campos: Parêntese, 2007. POTGIETER, A.; APAN, A.; HAMMER, G.; DUNN, P. Estimating winter crop area across seasons and regions using time-sequential MODIS imagery. International Journal of Remote Sensing, v. 32, n. 15, 2011. POULIOT, D.; LATIFOVIC, R.; FERNANDES, R.; OLTHOF, I. Remote Sensing of Environment Evaluation of annual forest disturbance monitoring using a static decision tree approach and 250 m MODIS data. Remote Sensing of Environment, v. 113, n. 8, p. 1749-1759, 2009. POULTER, B.; FRANK, D. C.; HODSON, E. L.; ZIMMERMANN, N. E. Impacts of land cover and climate data selection on understanding terrestrial carbon dynamics and the CO2 airborne fraction. Biogeosciences, v. 8, n. 2010, p. 2027-2036, 2011. PRUDENTE, V. H. R.; SOUZA, C. H. W. de; MERCANTE, E.; JOHANN, J. A.; URIBE-OPAZO, M. A. Spatial Statistics Applied to Soybean Production Data from Paraná. Engenharia Agrícola, Jaboticabal, v. 34, n. 4, p. 755-769, 2014. REES, W. G. Physical principles of remote sensing. Cambridge, UK: Cambridge University Press, 2013. REN, J.; CHEN, Z.; ZHOU, Q.; TANG, H. Regional yield estimation for winter wheat with MODIS-NDVI data in Shandong, China. International Journal of Applied Earth Observation and Geoinformation, v. 10, n. 4, p. 403-413, 2008. ROERINK, G. J.; MENENTI, M. S-SEBI: a Simple Remote Sensing Algorithm to Estimate the Surface Energy Balance. Physics and Chemistry of the Earth (B), v. 25, n. 2, p. 147-157, 2000. ROUSE JR, J. W.; HAAS, R. H.; SCHELL, J. A.; DEERING, D. W. Monitoring vegetation systems in the Great Plains with ERTS. NASA special publication, v. 351, p. 309, 1974. RUDORFF, B. F. T.; SHIMABUKURO, Y. E.; CEBALLOS, J. C. O sensor MODIS e suas aplicações ambientais no Brasil. São José dos Campos: Parêntese, 2007. RUNNING, S. W. Ecosystem Distrubance, Carbon and Climate. Science, v. 321, n. 2008, p. 652-653, 2008.
33
SANTOS, C. A. C. Estimativa da evapotranspiração real diária através de análises micrometeorológicas e sensoriamento remoto. 2009. 144 f. Tese (Doutorado em Meteorologia) - Universidade Federal de Campina Grande, Campina Grande, 2009a. SANTOS, J. S.; FONTANA, D. C.; SILVA, T. S. F.; RUDORFF, B. F. T. Identificação da dinâmica espaço-temporal para estimar área cultivada de soja a partir de imagens MODIS no Rio Grande do Sul Identification of the spatial and temporal dynamics for estimating. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 18, n. 1, p. 54-63, 2014. SANTOS, T. V. Fluxos de calor na superfície e evapotranspiração diária em áreas agrícolas e de vegetação nativa na bacia do jacuí por meio de imagens orbitais. 2009. 98 f. Dissertação (Mestrado em Sensoriamento Remoto) - Universidade do Rio Grande do Sul (UFRGS), Porto Alegre, 2009b. SCHULTZ, B.; IMMITZER, M.; FORMAGGIO, A. R.; SANCHES, I.; LUIZ, A. J. B.; ATZBERGER, C. Self-Guided Segmentation and Classification of Multi-Temporal Landsat 8 Images for Crop Type Mapping in Southeastern Brazil. Remote Sensing, v. 7, n. 11, p. 14482-14508, 2015. SEXTON, J. O.; URBAN, D. L.; DONOHUE, M. J.; SONG, C. Remote Sensing of Environment Long-term land cover dynamics by multi-temporal classi fi cation across the Landsat-5 record. Remote Sensing of Environment, v. 128, p. 246-258, 2013. SHABANOV, N. V.; WANG, Y.; BUERMANN, W.; DONG, J.; HOFFMAN, S.; SMITH, G. R.; TIAN, Y.; KNYAZIKHIN, Y.; MYNENI, R. B. Effect of foliage spatial heterogeneity in the MODIS LAI and FPAR algorithm over broadleaf forests. Remote Sensing of Environment, v. 85, n. 4, p. 410-423, 2003. SILVA, B. B.; BRAGA, A. C.; BRAGA, C. C.; OLIVEIRA, L. M. M. de, GALVÍNCIO, J. D.; MONTENEGRO, S. M. G. L. Evapotranspiração e estimativa da água consumida em perímetro irrigado do Semiárido brasileiro por sensoriamento remoto. Pesquisa Agropecuária Brasileira, Brasília, v. 47, n. 9, p. 1218-1226, 2012. SINGH, R. K.; IRMAK, A.; IRMAK, S.; MARTIN, D. L.Application of SEBAL Model for Mapping Evapotranspiration and Estimating Surface Energy Fluxes in South-Central Nebraska. Journal of Irrigation and Drainage Engineering, v. 134, n. 3, p. 273-285, 2008. SOUZA, C. H. W. de; MERCANTE, E.; PRUDENTE, V. H. R.; JUSTINA, D. D. D. Methods of performance evaluation for the supervised classification of satellite imagery in determining land cover classes. Ciencia e Investigación Agraria, v. 40, n. 2, p. 419-428, 2013. SU, Z. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes SEBS - The Surface Energy Balance. Hydrology and Earth System Sciences, v. 6, n. 1, p. 85-99, 2002. SUGAWARA, L. M.; FRIEDRICH, B.; RUDORFF, T. Viabilidade de uso de imagens do Landsat em mapeamento de área cultivada com soja no Estado do Paraná. Pesquisa Agropecuária Brasileira, Brasília, v. 43, n. 12, p. 1777-1783, 2008. SUN, Z.; WEI, B.; SU, W.; SHEN, W.; WANG, C.; YOU, D. Evapotranspiration estimation based on the SEBAL model in the Nansi Lake Wetland of China. Mathematical and Computer Modelling, v. 54, n. 3-4, p. 1086-1092, 2011. TAN, P.; STEINBACH, M.; KUMAR, V. Finding spatio-temporal patterns in earth science data. Earth Science, p. 1-12, 2001.
34
TATSUMI, K.; YAMASHIKI, Y.; ANGEL, M.; TORRES, C.; LEONIDAS, C.; TAIPE, R. Crop classification of upland fields using Random forest of time-series Landsat 7 ETM + data. Computers and Electronics in Agriculture, v. 115, p. 171-179, 2015. TEIXEIRA, A. H. C. Determining regional actual evapotranspiration of irrigated crops and natural vegetation in the São Francisco River Basin (Brazil) using remote sensing and penman-monteith equation. Remote Sensing, v. 2, p. 1287-1319, 2010. TEIXEIRA, A. H. de C.; BASTIAANSSEN, W. G. M.; AHMAD, M. D.; BOS, M. G. Reviewing SEBAL input parameters for assessing evapotranspiration and water productivity for the Low-Middle São Francisco River basin, Brazil Part A: Calibration and validation. Agricultural and Forest Meteorology, v. 149, p. 462-476, 2009. TEIXEIRA, A. H. DE C.; BASTIAANSSEN, W. G. M.; MOURA, M. S. B.; SOARES, J. M.; AHMAD, M. D.; BOS, M. G. Energy and water balance measurements for water productivity analysis in irrigated mango trees, Northeast Brazil. Agricultural and Forest Meteorology, v. 148, n. 10, p. 1524-1537, 2008. TIMMERMANS, W. J.; MEIJERINKL, A. M. J. Remotely sensed actual evapotranspiration : implications for groundwater management in Botswana. International Journal of Applied Earth Observation, v. 1, n. 3, p. 222-233, 1999. TURNER, B. L.; LAMBIN, E. F.; REENBERG, A. The emergence of land change science for global environmental change and sustainability. Proceedings of the National Academy of Sciences of the United States of America, v. 105, n. 52, p. 20666-20671, 2007. USGS. Landsat 8 (l8) data users handbook, 2016. Disponível em: https://landsat.usgs.gov/documents/Landsat8DataUsersHandbook.pdf. Acesso em: 10 jan. 2018. VARGAS, L.; PEIXOTO, C. M.; ROMAN, E. S. Manejo de plantas daninhas na cultura do milho. Passo Fundo: Embrapa Trigo, 2006. VICARI, M. B. Estimativas de variáveis biofísicas da canola com dados espectrais multisensor. 2015. 149 f. Dissertação (Mestrado em Sensoriamento Remoto) - Universidade Federal do Rio Grande do Sul, Porto Alegre, 2015. VIEIRA, A. M.; FORMAGGIO, R. A.; RENNÓ, D. C.; ATZBERGER, C.; AGUIAR, A. D.; MELLO, P. M. Object Based Image Analysis and Data Mining applied to a remotely sensed Landsat time-series to map sugarcane over large areas. Remote Sensing of Environment, v. 123, p. 553-562, 2012. WALSH, O. S.; KLATT, A. R.; SOLIE, J. B.; GODSEY, C. B.; RAUN, W. R. Use of soil moisture data for refined GreenSeeker sensor based nitrogen recommendations in winter wheat (Triticum aestivum L.). Precision Agriculture, v. 14, n. 3, p. 343-356, 2013. WATTS, A. C.; AMBROSIA, V. G.; HINKLEY, E. A. Unmanned aircraft systems in remote sensing and scientific research: Classification and considerations of use. Remote Sensing, v. 4, n. 6, p. 1671-1692, 2012. WATTS, J. D.; LAWRENCE, R. L.; MILLER, P. R.; MONTAGNE, C. Monitoring of cropland practices for carbon sequestration purposes in north central Montana by Landsat remote sensing. Remote Sensing of Environment, v. 113, n. 9, p. 1843-1852, 2009. WHITCRAFT, A. K.; BECKER-RESHEF, I.; KILLOUGH, B. D.; JUSTICE, C. O. Meeting Earth observation requirements for Global Agricultural Monitoring: an evaluation of the revisit capabilities of current and planned Moderate Resolution Optical Earth Observing Missions.
35
Remote Sensing, v. 7, p. 1482-1503, 2015. WIJEWARDANA, C.; HENRY, W. B.; GAO, W.; REDDY, K. R. Interactive effects on CO 2, drought, and ultraviolet-B radiation on maize growth and development. Journal of Photochemistry & Photobiology, v. 160, p. 198-209, 2016. XAVIER, D. A.; FURTADO, G. D. F.; JÚNIOR, J. R. de S.; SOUSA, J. R. M. de; ANDRADE, E. M. G. Biomass production of corn in blades of irrigation and nitrogen. Revista verde de agroecologia e desenvolvimento sustentável, v. 9, n. 3, p. 144-148, 2014. XIN, Q.; OLOFSSON, P.; ZHU, Z.; TAN, B.; WOODCOCK, C. E. Toward near real-time monitoring of forest disturbance by fusion of MODIS and Landsat data. Remote Sensing of Environment, v. 135, p. 234-247, 2013. XU, M.; JIA, X.; PICKERING, M. AUTOMATIC CLOUD REMOVAL FOR LANDSAT 8 OLI IMAGES USING CIRRUS BAND. IEEE International Geoscience and Remote Sensing Symposium, p. 2511-2514, 2014. XU, M.; JIA, X.; PICKERING, M. CLOUD EFFECTS REMOVAL VIA SPARSE REPRESENTATION. IEEE International Geoscience and Remote Sensing Symposium, n. 2, p. 605-608, 2015. YANG, J.; WEISBERG, P. J.; BRISTOW, N. A. Remote Sensing of Environment Landsat remote sensing approaches for monitoring long-term tree cover dynamics in semi-arid woodlands : Comparison of vegetation indices and spectral mixture analysis. Remote Sensing of Environment, v. 119, p. 62-71, 2012. ZALUD, Z.; HLAVINK, P.; PROKES, K.; SEMERÁDOVÁ, D.; BALEK, J.; TRNKA, M. Impacts of water availability and drought on maize yield – A comparison of 16 indicators. Agricultura Water Management, v. 188, p. 126-135, 2017. ZENG, L.; WARDLOW, B. D.; WANG, R.; SHAN, J.; TADESSE, T.; HAYES, M. J.; LI, D. Remote Sensing of Environment A hybrid approach for detecting corn and soybean phenology with time-series MODIS data. Remote Sensing of Environment, v. 181, p. 237-250, 2016. ZHANG, X.; FRIEDL, M. A.; TAN, B.; GOLDBERG, M. D.; YU, Y. Long-Term Detection of Global Vegetation Phenology from Satellite Instruments. INTECH Open Access Publisher, 2012. ZHANG, X.; HE, Y. Rapid estimation of seed yield using hyperspectral images of oilseed rape leaves. Industrial Crops and Products, v. 42, n. 1, p. 416-420, 2013. ZHAO, F.; LI, Y.; DAI, X.; VERHOEF, W.; GUO, Y.; SHANG, H.; GU, X.; HUANG, Y.; TAO, Y.; HUANG, J. Simulated impact of sensor field of view and distance on field measurements of bidirectional reflectance factors for row crops. Remote Sensing of Environment, v. 156, p. 129-142, 2015. ZHAO, Y.; HE, Y.; XU, X. A novel algorithm for damage recognition on pest-infested oilseed rape leaves. Computers and Electronics in Agriculture, v. 89, p. 41-50, 2012. ZHONG, L.; GONG, P.; BIGING, G. S. Efficient corn and soybean mapping with temporal extendability: A multi-year experiment using Landsat imagery. Remote Sensing of Environment, v. 140, p. 1-13, 2014. ZHU, X.; CHEN, J.; GAO, F.; CHEN, X.; MASEK, J. G. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions. Remote Sensing of
36
Environment, v. 114, p. 2610-2623, 2010. ZHU, Z.; WOODCOCK, C. E. Continuous change detection and classi fi cation of land cover using all available Landsat data. Remote Sensing of Environment, v. 144, p. 152-171, 2014.
37
5 ARTIGO 1: ANÁLISE DO ÍNDICE DE VEGETAÇÃO NDVI GERADO POR MEIO DE IMAGENS SINTÉTICAS NO MONITORAMENTO DE CULTURAS AGRÍCOLAS
RESUMO: Séries temporais de perfis espectrais de NDVI com alta resolução espacial e temporal são importantes ferramentas no monitoramento de culturas agrícolas. O objetivo do trabalho foi aplicar o algoritmo ESTARFM em imagens multiespectrais em uma área cobrindo o município de Cascavel, Paraná. Imagens do MODIS e Landsat 8 foram fusionadas para produzir 20 imagens Landsat 8 sintéticas, de outubro de 2014 a setembro de 2015. A perfomance do algoritmo foi avaliada pela comparação dos valores de refletância da superfície predita e os valores reais de imagens Landsat 8. Os resultados observados mostraram que as predições do ESTARFM tiveram boa precisão, com coeficiente de determinação na banda do vermelho de 0,92< R²<0,98, e 0,42< R²<0,89 para a banda infravermelha. O comparativo entre a série temporal do NDVI derivado do Landsat 8 e ESTARFM indicou que o algoritmo reproduziu bem a dinâmica de culturas agrícolas da soja e milho. Os resultados sugerem que no monitoramento agrícola a precisão das predições é maior perto do pico vegetativo da cultura, e a escolha de dados de entrada em datas no meio de época de crescimento é crucial para melhor performance do algoritmo.
PALAVRAS-CHAVE: Fusão de dados, NDVI, Séries Temporais
ANALYSIS OF THE NDVI VEGETATION INDEX GENERATED BY SYNTHETIC IMAGES IN AGRICULTURAL CULTURE MONITORING ABSTRACT: Temporal series of NDVI spectral profiles with high spatial and temporal resolution are important tools in the monitoring of agricultural crops. The objective of the work was to apply the ESTARFM algorithm in multispectral images in an area covering the municipality of Cascavel, Paraná. Images of MODIS and Landsat 8 were fused to produce 20 synthetic Landsat 8 images from October 2014 to September 2015. The performance of the algorithm was evaluated by comparing the predicted surface reflectance values and the actual Landsat 8 images. Results showed that the ESTARFM predictions had good precision, with a red band coefficient of determination of 0.92 <R² <0.98, and 0.42 <R² <0.89 for the infrared band. The comparison between the NDVI time series derived from Landsat 8 and ESTARFM indicated that the algorithm reproduced well the crop dynamics of soybean and corn. The results suggest that in agricultural monitoring the accuracy of the predictions is higher near the vegetative peak of the crop and the choice of input data in dates in the middle of the growing season is crucial to a better performance of the algorithm. KEYWORDS: Data fusion, NDVI, Time-series
5.1 INTRODUÇÃO
A utilização de séries temporais obtidas por imagens de satélites são uma importante
ferramenta para monitoramento espaço-temporal de cultivos agrícolas. Para isso, o índice
de vegetação denominado Normalized Different Vegetation Index (NDVI) vem sendo
utilizado para a diferenciação de alvos agrícolas ao longo do ciclo vegetativo (LEE;
KASTENS; EGBERT, 2016), estimativa da biomassa (ZHU; LIU, 2015) e avaliação de sua
relação com a produção das culturas agrícolas (LOPRESTI; DI BELLA; DEGIOANNI, 2015).
38
Entretanto, em pesquisas que acompanham a condição do desenvolvimento das
culturas, deve-se considerar que as variáveis envolvidas são altamente variáveis no tempo e
no espaço, e a produtividade pode ser afetada em curtos períodos de tempo, devido a
condições desfavoráveis ao desenvolvimento (ATZBERGER, 2013). Desta forma, a
utilização do sensoriamento remoto orbital para o monitoramento de grandes extensões
territoriais em tempo real – ou mais próximo possível disto – ainda constitui-se em um
grande desafio (EBERHARDT et al., 2016).
Na avaliação de áreas agrícolas de maneira operacional são requeridas imagens de
sensores que tenham um balanço entre a resolução espacial e a temporal (KOVALSKYY;
ROY, 2013). Geralmente os sensores de imagens orbitais disponíveis de forma gratuita que
possuam alta ou média resolução espacial, como, por exemplo, os sensores do satélite
Landsat 8, possuem baixa resolução temporal, estando, assim, mais sujeitos a períodos
―sem dados‖ da superfície terrestre causados pela incidência de nuvens, em contraste os
sensores como o Moderate Resolution Imaging Spectroradiometer (MODIS), a bordo dos
satélites Terra e Aqua, que possui uma alta resolução temporal, mas baixa resolução
espacial, impedindo, muitas vezes, o monitoramento de áreas agrícolas menores
(BISQUERT et al., 2015).
Uma solução para esta situação é a combinação da resolução espacial do sensor
OLI do satélite Landsat 8 com a alta resolução temporal de sensores como o MODIS. Desta
forma, as técnicas de fusões de dados com a utilização de diferentes sensores remotos
torna-se uma alternativa viável e de relativo baixo custo, no sentido de aprimorar a
capacidade das imagens destes sensores no acompanhamento da dinâmica da superfície
da Terra (ZHU et al., 2010).
Dentre os algoritmos de fusão existentes, destaca-se o ESTARFM – Emhanced
Spatial and Temporal Adaptative Reflectance Fusion Model (ZHU et al., 2010), o qual é uma
versão aprimorada do STARFM (Spatial and Temporal Adaptive Reflectance Fusion Model),
desenvolvido por (GAO et al., 2006), e que possuía limitações de predições de imagens em
regiões com características heterogêneas quanto aos alvos que compõem a cobertura da
superfície estudada.
Diversos autores obtiveram bons resultados utilizando estes algoritmos de fusão nas
predições de valores de refletância dos alvos (TEWES et al., 2015; XIN et al., 2013), assim
como para os subprodutos dessas imagens, como o NDVI (OLEXA; LAWRENCE, 2014;
SCHMIDT et al., 2015), com R² em média de 0,8 para a refletância e 0,7 para dados
estimados de NDVI. Porém, ainda há falta de pesquisas e resultados que avaliem a
dinâmica ao longo do tempo do NDVI gerado de imagens sintéticas para o monitoramento
de áreas agrícolas (BISQUERT et al., 2014).
Ressalta-se a possibilidade da utilização do algoritmo de fusão ESTARFM, como
instrumento para confecção de imagens sintéticas, visando aumentar o número de imagens
39
no tempo com a resolução espacial adequada para o melhor acompanhamento da dinâmica
da cobertura do solo, permitindo, assim, a obtenção de mais dados e informações em um
espaço curto de tempo, principalmente para culturas agrícolas, as quais possuem ciclo
vegetativo considerado curto, considerando que com certa frequência o seu monitoramento
por imagens de satélite é prejudicado devido à grande incidência de nuvens.
Neste sentido, este trabalho tem por objetivo gerar as imagens sintéticas para o ano
safra de 2014/2015 do município de Cascavel, PR e, especificamente: 1) utilizar o algoritmo
ESTARFM para confeccionar estas imagens e comparar os resultados com dados reais de
imagens Landsat 8 OLI; e 2) avaliar o potencial de utilização dessas imagens sintéticas com
resolução espacial do Landsat-OLI e temporal do MODIS para predição de valores de NDVI
para acompanhamento de uma área agrícola.
5.2 MATERIAL E MÉTODOS
5.2.1 Área em Estudo
A área de estudo é o município de Cascavel (oeste do Paraná) com latitude 24º 57’
21’’ S e longitude 53º 27’ 19’’ O com solo predominante Latossolo Vermelho Distroférrico
(EMBRAPA, 2010). O clima da região estudada apresenta-se como temperado mesotérmico
e superúmido, tipo climático Cfa (APARECIDO et al., 2016), com temperaturas moderadas,
chuvas bem distribuídas e verão quente. Nos meses de inverno, a média de temperatura é
inferior a 16 °C e, nos meses de verão, as máximas superam 30 °C, com temperatura média
anual de 21 °C.
Figura 1 Localização da área e da cena de estudo. A imagem Landsat-8 (imagem RGB de falsa cor usando as bandas 5,6 e 4) foi adquirida em 05 de dezembro de 2014. É possível notar a predominância de alvos agrícolas, vegetação nativa e reflorestamento
Com relação às culturas que estavam ocupando a área no período de interesse do
trabalho, a primeira foi a soja, semeada nas datas entre 06 e 07 de outubro de 2014 e
40
colheita realizada entre os dias 03 e 06 de fevereiro de 2015. Após isso, a cultura sucessiva
foi o milho, com semeadura entre os dias 10 e 12 de fevereiro de 2015 com colheita entre 05
a 09 de junho de 2015. Por fim, após essa data até o início de outubro, o solo esteve
coberto por resteva da cultura milho.
5.2.2 Dados de Satélites
Utilizaram-se as bandas do vermelho (RED) e infravermelho próximo (NIR) entre
outubro de 2014 e outubro de 2015 na órbita/ponto 223/77 do satélite Landsat-8, obtidas
com correção atmosférica, fornecidas gratuitamente pelo USGS (disponível em:
https://earthexplorer.usgs.gov/). Foram selecionadas imagens com percentual de nuvens
inferior a 10%, totalizando apenas oito imagens
Além das imagens Landsat-8, foram utilizadas as bandas do vermelho (b1) e do
infravermelho próximo (b2) dos produtos MOD09GQ e MYD09GQ do sensor MODIS,
plataformas Terra e Aqua, respectivamente. As imagens MODIS também foram obtidas
entre outubro de 2014 e outubro de 2015 na cena h12v11. Os dados MODIS utilizados
foram obtidos gratuitamente pelo USGS (disponível em: https://earthexplorer.usgs.gov/).
5.2.3 O algoritmo ESTARFM
O algoritmo ESTARFM tem como propósito usar a correlação para mesclar fontes
diferentes de dados, minimizando, assim, distorções do sistema. Por conveniência, as
imagens de baixa resolução espacial serão chamadas de resolução grosseira, e as de alta
resolução serão resolução fina. Para dar início ao processamento o algoritmo exige 2 pares
de imagens resolução fina e de resolução grosseira como entrada: o primeiro par é
denominado t1, e o segundo t2, ambos capturados na mesma data. A data que desejasse
realizar a estimativa será chamada de tp. Esta é de data entre t1 e t2 e necessita de uma
imagem resolução grosseira, no caso, imagem MODIS. Assim, o ESTARFM terá condição
de produzir uma imagem sintética na data de predição tp tendo a mesma resolução espacial
das imagens de resolução fina (ZHU et al., 2010).
O algoritmo ESTARFM possui quatro principais etapas: 1) as duas imagens
resolução fina são utilizadas para procurar pixels semelhantes ao pixel central em uma
janela de busca móvel; 2) a distância espectral e espacial entre cada pixel semelhante ao
pixel a ser previsto são utilizados para calcular os pesos (W) de cada pixel semelhante; 3)
emprega-se uma regressão linear dos valores de resolução grosseira nos dois pares
observados (t1 e t2) em comparação com os valores de resolução fina, podendo; assim;
determinar o coeficiente de conversão vi, o qual é utilizado para converter a mudança
encontrada nas imagens resolução grosseira para as imagens resolução fina; e, por fim, 4) a
41
imagem resolução fina obtida a partir da resolução grosseira na data de previsão é dada
pela Equação 1.
Eq. (1)
Onde F e C é a imagem resolução fina e resolução grosseira, respectivamente, (x, y)
é a localização do valor do pixel previsto, xi yi é a localização do i-ésimo pixel semelhante e
t0 é a data do primeiro par de imagens de entrada chamado de t1 ou t2. N se trata do
número total de pixels semelhantes incluindo o pixel central da predição dentro da janela
móvel (ZHU et al., 2010).
A metodologia exposta por Gao et al. (2006) apresenta um método de janela móvel,
utilizado para obtenção de maiores informações sobre os pixels vizinhos. A janela móvel é
utilizada para buscar pixels semelhantes dentro desta janela, sendo que tais informações
serão integradas no cálculo da refletância da resolução fina, como descrito na Equação 1,
em que W é o tamanho da janela móvel, e a refletância do pixel central da resolução fina
(xw/ 2, yw/ 2) na data tp pode ser calculada pela Equação 2.
Onde N é o número de pixels semelhantes, tendo incluso o pixel central da
―predição‖, (xi, yi) é a localização do i-ésimo pixel semelhante, e W i é o peso do i-ésimo pixel
semelhante. Os chamados pixels semelhantes são aqueles pixels vizinhos que possuem o
mesmo tipo de cobertura terrestre do pixel central.
As imagens Landsat-8 foram pareadas com imagens MODIS pela data de aquisição
mais próxima. Por exemplo, a imagem Landsat-8 do dia 2 de outubro de 2014 foi pareada
com a imagem MODIS mais próxima, no caso, do dia 3 de outubro de 2014. Foram
formados oito pares Landsat-MODIS que foram utilizados para gerar as imagens sintéticas.
Isto é, dois pares, t1 e t2, foram utilizados para estimar imagem em tp. Foram geradas
imagens sintéticas em 20 datas diferentes, variando os pares de acordo com a data de
estimativa tp, conforme Figura 2.
Eq. (2)
42
Figura 2 Esquema das datas correspondentes as cenas Landsat 8 e MODIS utilizadas neste estudo. Os dados MODIS MOD09GQ são produtos diários obtidos nas datas apresentadas. Os pares de imagens utilizados como entrada no ESTARFM estão indicados com numerais
Para avaliação dos resultados, sete imagens sintéticas foram comparadas com
imagens Landsat-8. Foram comparados vermelho, infravermelho e NDVI calculado das
imagens sintéticas com seus respectivos das imagens Landsat-8. As métricas utilizadas
para avaliação foram: diferença médio absoluta, diferença média relativa, desvio padrão e
coeficiente de determinação (R²).
5.3 RESULTADOS E DISCUSSÕES
Foram geradas imagens sintéticas para 20 datas entre outubro de 2014 e setembro
2015, sendo que, como exemplo, apresentam-se as imagens sintéticas de NDVI entre
14/05/2015 e 17/07/2015 (Figura 3). Deste total, 7 datas foram utilizadas para avaliação da
acurácia da refletância e para a série temporal NDVI foram utilizadas todas as datas. Os
resultados da fusão de imagens para as bandas do vermelho e NIR, foram analisados
usando a imagem inteira, a qual cobre o munícipio de Cascavel. Já os resultados da análise
temporal do perfil temporal de NDVI são demonstrados usando uma área agrícola também
localizada na região de Cascavel.
43
Figura 3 Comparação entre as imagens observadas posicionadas nas colunas das extremidades da direita e esquerda, com as imagens preditas localizadas na coluna central. O período do exemplo utilizado foi de abril a agosto de 2015. Os pares de imagens utilizados para gerar as imagens sintéticas desse período são os das linhas A e F e coluna 1 e 3. As cenas do exemplo são imagens de NDVI obtidas a partir da banda do vermelho e NIR.
5.3.1 Análise das Imagens Sintéticas
A relação existente entre a imagem observada (Landsat-8) e a sintética (ESTARFM)
mostram uma tendência próxima à linha 1:1, exceto para o caso da imagem do dia
23/02/2015, para o infravermelho próximo (NIR). Os valores de R² variam de 0,9225 a
0,9748 para a banda do vermelho (RED) e de 0,4213 a 0,8913 para a banda do
infravermelho próximo (NIR). Tais resultados indicam que existe boa concordância entre as
imagens observadas e as imagens geradas. Resultados semelhantes foram obtidos por
44
(WALKER et al., 2012) fusionando dados MODIS e Landsat, com R² para NIR entre 0,50 a
0,81 e para o vermelho de 0,85 a 0,95.
Alguns pixels com valores discrepantes foram analisados visualmente junto a
imagens de alta resolução do Google Earth e observou-se que a maioria destes pixels
localizava-se em áreas contendo pixels com dados espectrais não homogêneos, devido ao
nível de informações dos alvos serem menores que a resolução espacial Landsat, como
área urbana ou pequenas propriedades agrícolas. Na data 02/08/2015, para a banda do NIR
parte dos pixels tenderam a ficar acima da linha 1:1, devido a algumas áreas amostrais
superestimarem os dados da imagem sintéticas. Já para as datas de 07/02/15 (NIR),
12/04/15 (NIR) e 22/01/15 (RED), alguns pixels tenderam-se a se acentuar abaixo da reta
1:1, o que representa que a imagem sintética apresentou alguns valores menores do que o
observado na Landsat. Tais pixels afetados localizam-se em áreas onde se localizam
nuvens nos dados de entrada utilizados, problema também observado por Wu et al. (2018).
Regiões com pixels não homogêneos na imagem de pior resolução espacial (MODIS)
utilizada na fusão também afetaram no desempenho do ESTARFM, assim como relatado
por Liao et al. (2017), quando utilizaram algoritmo de fusão para monitoramento do NDVI em
áreas agrícolas heterogêneas em Ontario, no Canadá, relatando que pela região ser
composta basicamente de pequenas áreas agrícolas com dimensões menores que 250m,
resultou em muitos pixels com dados espectrais não puros.
A Tabela 1 mostra o resultado das avaliações de precisão realizadas pixel a pixel, e
banda por banda. No caso da média relativa, um valor de 0,1, por exemplo, indica que a
imagem prevista superestimou a refletância média na imagem observada em 10%. O
ESTARFM na faixa do vermelho superestimou e subestimou a refletância média entre 0 a
8,3% e 6,5 a 13%, respectivamente. Já na faixa do NIR, ele superestimou e subestimou a
refletância de 4 a 5,9% e 0,4 a 16%, respectivamente. O desempenho do algoritmo de pior
performance foi da data de 05 de dezembro de 2014. A refletância média é superestimada e
subestimada em relação à imagem de referência Landsat-8 na faixa do vermelho e NIR em
15,5 e 23%, respectivamente. Já para a diferença absoluta, a faixa do vermelho ficou
superestimada, com valor 43, e subestimada em 875,5 na faixa do NIR. No entanto, a
correlação foi alta, indicando uma forte relação entre os dados comparados, em que o R²
para a banda do vermelho e NIR ficaram com valores de 0,95 e 0,83, respectivamente. Na
Figura 4 é apresentado o gráfico de dispersão para as duas bandas, e é possível notar que
não há fortes desvios dos valores em relação à reta 1:1. Tewes et al. (2015) obtiveram
resultados com padrões semelhantes ao aplicar o ESTARFM em imagens RapidEye e
MODIS em regiões semi-áridas do Sul da África, com maiores valores de diferença absoluta
subestimada para a faixa do NIR no valor de -1102,68, erros relativos entre 6 e 12% para
vermelho, e 4 a 9% para NIR.
45
Tabela 1 Resultados da avaliação pixel a pixel das imagens Landsat 8 e as preditas ESTARFM. Para facilitar a apresentação dos resultados eles foram arredondados. A diferença média absoluta está em unidade de refletância
De maneira geral, os melhores resultados do ESTARFM foram obtidos na banda do
vermelho em comparação com a do NIR. Os resultados encontrados diferem de outros
estudos prévios (HILKER et al., 2009a; TEWES et al., 2015) que atribuem melhores
resultados preditos para o NIR devido à grande influência da contaminação da atmosfera em
ondas curtas como o vermelho. Entretanto, os resultados são semelhantes aos encontrados
por (OLEXA; LAWRENCE, 2014);(GEVAERT, 2015) os quais recomendam a avaliação das
refletância de imagens sintéticas sempre antes de qualquer utilização, uma vez que as
condições específicas do local podem variar ao longo do espectro eletromagnético.
.
Landsat 8 Estarfm Banda Desvio Médio
Absoluto
Desvio Médio
Relativo
Erro por Pixel
R²
05/12/2014 05/12/2014 Vermelho
Infravermelho 43
-875,5 0,155 -0,23
0,11 0,07
0,95 0,83
22/01/2015 22/01/2015 Vermelho
Infravermelho 3
-572 0,016 -0,16
0,06 0,07
0,92 0,77
07/02/2015 07/02/2015 Vermelho
Infravermelho 2
-121 0,009 -0,04
0,08 0,07
0,91 0,71
23/02/2015 23/02/2015 Vermelho
Infravermelho -12 147
-0,065 0,044
0,05 0,04
0,94 0,42
12/04/2015 12/04/2015 Vermelho
Infravermelho 0
-277,5 0
-0,096 0,04 0,03
0,98 0,89
28/04/2015 28/04/2015 Vermelho
Infravermelho 14 164
0,083 0,059
0,06 0,03
0,97 0,87
02/08/2015 02/08/2015 Vermelho
Infravermelho -27 -10
-0,13 -0,004
0,05 0,05
0,96 0,72
46
Figura 4. Continua
47
Figura 4 Comparação da refletância por pixel das imagens observadas Landsat 8 e as sintéticas previstas usadas para avaliação, conforme mostrado no esquema da Figura 2. A reta 1:1 é colorida em vermelho, e a linha de tendência, em preto. A coluna da esquerda mostra os gráficos de dispersão para a banda do vermelho, já na coluna da direita estão ilustrados os gráficos de dispersão da banda do NIR. No eixo x estão apresentados os valores de refletância do Landsat 8 e no eixo y estão os valores de refletância da imagem predita ESTARFM correspondente.
Tendo as imagens ESTARFM vermelha e NIR de boa qualidade, foi então realizado
o cálculo do NDVI as sete datas em que possuem as imagens Landsat 8, para efeito de
análises, como mostra a Figura 5, em que estão os gráficos de dispersão que apresentam a
comparação pixel a pixel das imagens Landsat 8 observadas e as imagens ESTARFM NDVI
48
calculadas a partir das bandas do vermelho e NIR preditas. Os pixels analisados foram os
mesmos das análises das bandas separadas, para os sete pares usados para validação.
Foi observado boa relação entre a imagem observada (Landsat 8) e a predita
(ESTARFM), a qual mostrou uma tendência de dispersão próxima à linha 1:1 em todos os
casos, apresentando valores de R² que variaram de 0,81 a 0,97, mostrando que o valor de
NDVI calculado a partir das imagens ESTARFM possui boa precisão, assim como
observado por Schmidt et al. (2015) utilizando o algoritmo para fusão de imagens RapidEye
e Landsat para predição de valores de NDVI, com R² de 0,88 e 0,838.
Os pixels com valores discrepantes e negativos tiveram análises particulares e
constatou-se que, de maneira geral, se tratavam de locais em áreas urbanas, o que explica
o comportamento, pois pode se tratar de concreto, metal, telhados, entre outros objetos que
apresentem respostas semelhantes. Visualmente, é possível observar que, de modo geral,
em todos os casos os pixels tenderam a ficar abaixo da reta 1:1, mostrando que o
ESTARFM subestimou os valores de NDVI em relação ao Landsat 8, diferindo do padrão
encontrado por Liao et al. (2017). De acordo com Ibn El Hobyb et al. (2017), avaliando o
algoritmo na predição de valores diários de NDVI, os autores verificaram que melhores
resultados foram observados quando a fusão foi realizada em imagens de NDVI e não nas
bandas vermelha e NIR para então proceder ao cálculo do índice. Outro resultado de
destaque foi que os melhores resultados de R² foram obtidos com base em pares de
imagens do meio da época de crescimento das culturas de soja (outubro e dezembro de
2014) e milho (fevereiro a abril de 2015), com as imagens sintéticas de maior acurácia se
encontrarem próximas ao período de pico vegetativo destas. Isso ocorre por conta de que as
variações temporais são relativamente menores no meio da época de crescimento do que
no início da germinação e senescência (ZHU et al., 2017). Desta forma, caso o objetivo de
utilização de fusão de imagens seja o acompanhamento de culturas agrícolas, a escolha de
um bom par de dados de entrada no algoritmo é crucial, uma vez que em testes realizados
neste trabalho, quando utilizado apenas um par de imagens no início e final do ciclo da
cultura, os resultados tiveram significativa redução de precisão na predição dos dados de
NDVI (SENF et al., 2015).
49
Figura 5 Comparação por pixel dos valores de NDVI das imagens observadas Landsat 8 e ESTARFM
A Tabela 2 mostra o resultado das avaliações de precisão realizadas pixel a pixel das
imagens de NDVI. O ESTARFM superestimou e subestimou os valores médios de NDVI de
0,1 a 2% e em 0,01 a 1,2%, respectivamente. Os valores médios relativos apresentaram
baixas porcentagens, tendendo sempre a ficar subestimado, exceto para os casos dos
gráficos D e G. Já para a diferença absoluta do NDVI, o ESTARFM superestimou e
subestimou os valores médios de 0,009 a 0,02 e 0,0009 a 0,02, respectivamente Já os
níveis de erro por pixel variaram de 0,6 a 5%, com erros inferiores aos encontrados por
(TEWES et al., 2015), variando entre 5 e 12%.
50
Tabela 2 Tabela de Erro do NDVI obtido das imagens Landsat8 e ESTARFM
Landsat 8 Estarfm Banda Desvio Médio
Absoluto
Desvio Médio
Relativo
Erro por Pixel
R²
05/12/2014 05/12/2014 NDVI -0,02 -0,02 0,02 0,96
22/01/2015 22/01/2015 NDVI -0,007 -0,008 0,008 0,93
07/02/2015 07/02/2015 NDVI -0,01 -0,012 0,05 0,82
23/02/2015 23/02/2015 NDVI 0,009 0,01 0,006 0,88
12/04/2015 12/04/2015 NDVI -0,009 -0,01 0,006 0,97
28/04/2015 28/04/2015 NDVI -0,0009 -0,001 0,008 0,96
02/08/2015 02/08/2015 NDVI 0,02 0,02 0,01 0,97
5.3.2 Análise da Série Temporal
As séries temporais de refletância das imagens Landsat 8, ESTARFM e MODIS para
a banda do vermelho e NIR estão expostas na Figura 6. Cada série temporal apresenta
valores médios de refletância extraídos de imagem da área agrícola analisada. Para a
análise da série temporal foram utilizadas amostras de uma área de estudo contemplada
apenas com culturas agrícolas no decorrer do período analisado, já apresentada
anteriormente.
Tal área foi escolhida devido a apresentar quantidades consideráveis de pixels puros
e homogêneos e pelo fato de ter informações in loco do que foi cultivado, bem como datas
de plantio e colheita, o que possibilita melhor análise dos dados das séries temporais.
As imagens utilizadas para gerar as séries temporais do Landsat 8 e MODIS são as
respectivas utilizadas na predição das imagens ESTARFM. O comportamento da série
temporal do ESTARFM está bem equiparado às do Landsat 8 e MODIS, tanto para a banda
do vermelho quanto para a do NIR.
Na banda do NIR existe um considerável desvio da curva da série temporal
ESTARFM da MODIS nas datas 21/12/2014 e 06/01/15, tal desvio se deu pelo fato de haver
nuvens nos pares utilizados na predição e bem como a banda do NIR ser sensível à
presença de nuvens, conforme relatado por Ibn El Hobyb et al. (2017). O algoritmo teve
desempenho superior quando comparado ao STARFM e o The Flexible Spatiotemporal Data
Fusion (FSDAF) na predição de valores diários de NDVI, porém bons resultados são
altamente dependentes da presença de nuvens. Ainda assim, o ESTARFM foi o que melhor
conseguiu lidar com a propagação de erros conforme a diferença entre data da imagem real
e predita aumenta.
51
Analisando as séries temporais, nota-se que o MODIS tem forte influência nas
predições do ESTARFM, assim como observado por Tewes et. al. (2015). As amplitudes das
curvas ESTARFM mostraram-se semelhantes às curvas Landsat 8 e MODIS (SENF et al.,
2015).
Figura 6 Série temporal das imagens MODIS (cinza), Landsat 8 (laranjado) e ESTARFM (azul), a reflectância da banda do vermelho esta apresentada no gráfico de cima e a do infravermelho próximo no gráfico de baixo.
Observou-se que a série temporal ESTARFM tem forte influência e tende a seguir a
série MODIS, bem como na série Landsat 8, em que houve pico ou constância de
refletância, as curvas tenderam a ter a mesma amplitude. A Tabela 3 compara os valores de
refletância observados no Landsat 8 e nas preditas ESTARFM para as faixas de
comprimento de onda do vermelho e NIR, em toda a série temporal. Os gráficos de
dispersão das imagens analisadas estão ilustrados na Figura 7a e 7b, que também mostra a
relação entre a área de estudada na imagem Landsat 8 e a predita ESTARFM, no decorrer
de toda a série temporal, no qual cada data é representada por uma cor na dispersão. Na
análise da série temporal obtida na área agrícola, foi observado o mesmo padrão com a
banda do vermelho apresentando R² de 0,86, enquanto a do NIR teve o R² de 0,76. Tais
valores de R² são evidentemente menores do que aqueles obtidos nas cenas de avaliação
52
da precisão com a imagem toda, o que se dá pelo fato da área conter apenas alvos
agrícolas caracterizado por uma alta dinâmica da cobertura do solo (YIN et al., 2018) e,
consequentemente, tendo regulares mudanças na resposta espectral dos alvos ali
presentes, o que acarreta em desvios dos valores preditos por ESTARFM.
Figura 7 Relação entre a imagem Landsat 8 e a predita ESTARFM analisadas nas séries temporais, no qual cada data é representada por uma cor na dispersão. Tabela 3 Erro Entre Banda do Vermelho e Infravermelho Próximo
Banda Desvio Médio
Absoluto Desvio Médio
Relativo Erro
por Pixel R²
Vermelha Infravermelha
-18 72
-0,03 0,025
0,10 0,12
0,86 0,76
Na Figura 9 encontram-se as séries temporais de NDVI do ESTARFM e Landsat 8,
obtidas pela média dos pixels de toda a área agrícola em estudo, com as barras de erro
representando o desvio padrão. As amplitudes das curvas obtidas pela dinâmica da
vegetação de ambas as imagens apresentaram comportamento visual bastante
semelhantes ao longo da série temporal, assim como observado por Schmidt et al. (2015) e
Senf et al. (2015).
Os valores de NDVI mais baixos ficaram em média próximos a 0,2, durante o período
em que ocorre a colheita das culturas, nos meses de setembro, fevereiro e agosto. Os
valores de NDVI foram aumentando conforme o desenvolvimento das culturas: no início da
série temporal de outubro de 2014 a fevereiro de 2015 a área de estudo recebeu a cultura
da soja, assim, do período de implantação da cultura em meados de outubro houve um
crescimento constante do valor de NDVI até atingir o seu pico, o qual foi aproximadamente
dia 05 de dezembro, com um valor próximo a 0,9; após isso, o valor tendeu a cair
constantemente até próximo a 0,2, período da colheita da soja da área.
A cultura do milho foi implantada após isso, resultando em novo acréscimo dos
valores de NDVI até atingir o seu pico vegetativo, aproximadamente no dia 27 de março,
com o valor próximo de 0,9, e devido ao fato do ciclo fenológico do milho ser mais longo do
que o da soja, estes valores de NDVI de 0,8 a 0,9, aproximadamente, permanecem até final
de maio, quando começam a decrescer até o período de colheita, próximo ao dia 02 de
53
agosto, atingindo valor de 0,2. Nos meses de agosto a setembro, o NDVI apresentou
pequeno acréscimo e posterior diminuição de valor. Isso se deu pelo fato de que a área
estava em pousio com presença de palhada e incidência de algumas plantas.
A série temporal de NDVI do Landsat 8 e ESTARFM estão compostas por nove e 20
imagens, respectivamente, datadas entre outubro de 2014 a outubro de 2015. Na Figura 8 é
possível observar a série temporal equivalente às datas do Landsat 8 e ESTARFM, o que
mostra uma tendência dos valores do NDVI do ESTARFM seguirem os do MODIS, com a
diferença do ESTARFM possui uma melhor resolução espacial, equivalente à do
Landsat 8.
Observa-se nas séries temporais (Figura 9) que os mais baixos desvios-padrão de
NDVI estão próximos ao pico vegetativo das culturas. Já os desvios-padrão mais altos foram
observados em épocas de maior dinâmica da cobertura do solo, com destaque para a
colheita e a senescência da soja e milho. Foi observado, na confecção das séries temporais
de NDVI, que o ESTARFM reproduziu com melhor ajuste o padrão da vegetação agrícola,
dependendo fortemente do grau de mudança entre as duas utilizadas nos dados de entrada
(LIAO et al., 2016), e que apresentou limitação em áreas em que a cobertura do solo mudou
entre as datas de predição (ZHU et al., 2016), sendo que quanto maior diferença temporal
entre os dados de entrada e imagem predita, pior será a qualidade dos resultados (OLEXA;
LAWRENCE, 2014).
Figura 8 Série temporal de NDVI gerada com imagens sintéticas e Landsat 8 para o período de estudo analisado
54
Figura 9 Série Temporal de NDVI gerada com imagens sintéticas e Landsat 8 com o desvio padrão
A abordagem de fusão forneceu informações adicionais que não seriam capturadas
apenas pela série temporal MODIS ou Landsat isoladamente (TEWES et al., 2015). Desta
forma, com o perfil do NDVI podendo ser acompanhando em resolução temporal do MODIS
e espacial do Landsat, destaca-se que esses dados apresentam enorme potencial de
aplicação, como em estudos de estimativa de datas do ciclo de desenvolvimento de culturas
(JOHANN et al., 2016), assim como melhoram a acurácia da classificação de culturas (ZHU;
RADELOFF; IVES, 2017) e melhoram o acompanhamento da dinâmica da
Evapotranspiração
5.4 CONCLUSÕES
O algoritmo ESTARFM pode ser aplicado para confecção de séries temporais de alta
resolução espaço-temporal pela fusão de imagens Landsat 8 e MODIS para monitoramento
de culturas agrícolas, fornecendo informações adicionais não capturadas pela análise
isolada do MODIS e Landsat 8 isoladamente. A predição do ESTARFM apresentou
melhores resultados para a banda NIR do que para a banda vermelha. Para
acompanhamento de áreas agrícolas, a escolha das datas dos dados de entrada no meio da
época de crescimento é crucial para melhor performance do algoritmo, uma vez que testes
demostraram que utilizar imagens apenas no início e no fim do ciclo reduziu
significativamente a precisão dos valores de NDVI.
5.5 REFERÊNCIAS
ATZBERGER, C. Advances in Remote Sensing of Agriculture: Context Description, Existing Operational Monitoring Systems and Major Information Needs. Remote Sensing, v. 5, p. 949-981, 2013. BISQUERT, M.; BÉGUÉ, A.; PONCELET, P.; TEISSEIRE, M. Evaluation of fusion methods
55
for crop monitoring purposes. International Geoscience and Remote Sensing Symposium (IGARSS), p. 1429-1432, 2014. BISQUERT, M.; BORDOGNA, G.; BÉGUÉ, A.; CANDIANI, G.; TEISSEIRE, M.; PONCELET, P. A Simple Fusion Method for Image Time Series Based on the Estimation of Image Temporal Validity. Remote Sensing, v. 7, n. 1, p. 704-724, 2015. EBERHARDT, I. D. R.; SCHULTZ, B.; RIZZI, R.; SANCHES, I. D.; FORMAGGIO, A. R.; ATZBERGER, C.; MELLO, M. P.; IMMITZER, M.; TRABAQUINI, K.; FOSCHIERA, W.; LUIZ, A. J. B. Cloud Cover Assessment for Operational Crop Monitoring Systems in Tropical Areas. Remote SensingRe, v. 8, n. 219, p. 1-14, 2016. GAO, F.; MASEK, J.; SCHWALLER, M.; HALL, F. On the Blending of the Landsat and MODIS Surface Reflectance: Predicting Daily Landsat Surface Reflectance. IEEE Transactions on Geoscience and Remote Sensing, v. 44, n. 8, p. 2207-2218, 2006. GEVAERT, C. A comparison of STARFM and an unmixing- based algorithm for Landsat and MODIS data fusion. Remote Sensing of Environment, v. 156, p. 34-44, 2015. HILKER, T.; WULDER, M. A.; COOPS, N. C.; SEITZ, N.; JOANNE, C. Generation of dense time series synthetic Landsat data through data blending with MODIS using a spatial and temporal adaptive reflectance fusion model. Remote Sensing of Environment, v. 113, n. 9, p. 1988-1999, 2009. IBN EL HOBYB, A.; RADGUI, A.; TAMTAOUI, A.; ER-RAJI, A.; EL HADANI, D.; MERDAS, M.; SMIEJ, F. M. Evaluation of spatiotemporal fusion methods for high resolution daily NDVI prediction. International Conference on Multimedia Computing and Systems. Proceedings […] p. 121-126, 2017.
JOHANN, J. A.; BECKER, W. R.; URIBE-OPAZO, M. A.; MERCANTE, E. Estimating soybean development stages in Paraná State – Brazil through orbital MODIS images. Engenharia Agrícola, v. 36, n. 1, p. 126-142, 2016. Disponível em: http://www.scielo.br/scielo.php?script=sci_arttext&pid=S010069162016000100126&lng=pt&nrm=iso&tlng=en. Acesso em: 10 jan. 2018. KOVALSKYY, V.; ROY, D. P. The global availability of Landsat 5 TM and Landsat 7 ETM + land surface observations and implications for global 30 m Landsat data product generation. Remote Sensing of Environment, v. 130, p. 280-293, 2013. Disponível em: http://dx.doi.org/10.1016/j.rse.2012.12.003. Acesso em: 10 jan. 2018. LEE, E.; KASTENS, J. H.; EGBERT, S. L. Investigating collection 4 versus collection 5 MODIS 250 m NDVI time-series data for crop separability in Kansas, USA. International Journal of Remote Sensing, v. 37, n. 2, p. 341-355, 2016. Disponível em: http://www.tandfonline.com/doi/full/10.1080/01431161.2015.1125556. Acesso em: 29 jun. 2018. LIAO, C.; WANG, J.; PRITCHARD, I.; LIU, J.; SHANG, J. A spatio-temporal data fusion model for generating NDVI time series in heterogeneous regions. Remote Sensing, v. 9, n. 11, p. 1-28, 2017. LIAO, L.; SONG, J.; WANG, J.; XIAO, Z.; WANG, J. Bayesian method for building frequent landsat-like NDVI datasets by integrating MODIS and landsat NDVI. Remote Sensing, v. 8, n. 6, 2016. LOPRESTI, M. F.; DI BELLA, C. M.; DEGIOANNI, A. J. Relationship between MODIS-NDVI data and wheat yield: a case study in Northern Buenos Aires province, Argentina.
56
Information Processing in Agriculture, v. 2, n. 2, p. 73-84, 2015. OLEXA, E. M.; LAWRENCE, R. L. Performance and effects of land cover type on synthetic surface reflectance data and NDVI estimates for assessment and monitoring of semi-arid rangeland. International Journal of Applied Earth Observation and Geoinformation, v. 30, n. 1, p. 30-41, 2014. Disponível em: http://dx.doi.org/10.1016/j.jag.2014.01.008. Acesso em: 10 jan. 2018. SCHMIDT, T.; FORSTER, M.; GARTNER, P.; KLEINSCHMIT, B. Prediction of NDVI for grassland habitats by fusing RapidEye and Landsat imagery. Analysis of Multitemporal Remote Sensing Images (Multi-Temp), p. 1-4, 2015. DOI: https://doi.org/10.1109/Multi-Temp.2015.7245746vvv SENF, C.; LEITÃO, P. J.; PFLUGMACHER, D.; VAN DER LINDEN, S.; HOSTERT, P. Mapping land cover in complex Mediterranean landscapes using Landsat: Improved classification accuracies from integrating multi-seasonal and synthetic imagery. Remote Sensing of Environment, v. 156, p. 527-536, 2015. TEWES, A.; THONFELD, F.; SCHMIDT, M.; OOMEN, R. J.; ZHU, X.; DUBOVYK, O.; MENZ, G.; SCHELLBERG, J. Using RapidEye and MODIS data fusion to monitor vegetation dynamics in semi-arid rangelands in South Africa. Remote Sensing, v. 7, p. 6510-6534, 2015. WALKER, J. J.; DE BEURS, K. M.; WYNNE, R. H.; GAO, F. Evaluation of Landsat and MODIS data fusion products for analysis of dryland forest phenology. Remote Sensing of Environment, v. 117, p. 381-393, 2012. Disponível em: http://dx.doi.org/10.1016/j.rse.2011.10.014. Acesso em: 10 jan. 2018. WU, M.; YANG, C.; SONG, X.; HOFFMANN, W. C.; HUANG, W.; NIU, Z.; WANG, C.; LI, W.; YU, B. Monitoring cotton root rot by synthetic Sentinel-2 NDVI time series using improved spatial and temporal data fusion. Scientific Reports, v. 8, n. 1, p. 1-12, 2018. XIN, Q.; OLOFSSON, P.; ZHU, Z.; TAN, B.; WOODCOCK, C. E. Toward near real-time monitoring of forest disturbance by fusion of MODIS and Landsat data. Remote Sensing of Environment, v. 135, p. 234-247, 2013. Disponível em: http://dx.doi.org/10.1016/j.rse.2013.04.002. Acesso em: 10 jan. 2018. YIN, G.; LI, A.; JIN, H.; BIAN, J. Spatiotemporal fusion through the best linear unbiased estimator to generate spatial resolution NDVI time series. International Journal of Remote Sensing, v. 39, n. 10, p. 3287-3305, 2018. Disponível em: https://www.tandfonline.com/doi/full/10.1080/01431161.2018.1439202. Acesso em: 10 jan. 2018. ZHU, L.; RADELOFF, V. C.; IVES, A. R. Improving the mapping of crop types in the Midwestern U.S. by fusing Landsat and MODIS satellite data. International Journal of Applied Earth Observation and Geoinformation, v. 58, p. 1-11, 2017. Disponível em: http://linkinghub.elsevier.com/retrieve/pii/S0303243417300120. Acesso em: 10 jan. 2018. ZHU, X.; CHEN, J.; GAO, F.; CHEN, X.; MASEK, J. G. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions. Remote Sensing of Environment, v. 114, p. 2610-2623, 2010. Disponível em: http://dx.doi.org/10.1016/j.rse.2010.05.032. Acesso em: 10 jan. 2018. ZHU, X.; HELMER, E. H.; GAO, F.; LIU, D.; CHEN, J.; LEFSKY, M. A. A flexible spatiotemporal method for fusing satellite images with different resolutions. Remote Sensing of Environment, v. 172, p. 165-177, 2016. Elsevier Inc. Disponível em: http://dx.doi.org/10.1016/j.rse.2015.11.016. Acesso em: 10 jan. 2018.
57
ZHU, X.; LIU, D. Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series. ISPRS Journal of Photogrammetry and Remote Sensing, v. 102, p. 222-231, 2015. International Society for Photogrammetry and Remote Sensing, Inc. (ISPRS). Disponível em: http://dx.doi.org/10.1016/j.isprsjprs.2014. Acesso em: 10 jan. 2018.
58
6. ARTIGO 2: Utilização de imagens sintéticas para mapeamento da evapotranspiração diária em escala de campo.
RESUMO: Muitas das aplicações no gerenciamento de recursos hídricos exigem informações de Evapotranspiração diária (ET) em escala de campo. Entretanto, nenhum sistema de satélite operando atualmente é capaz de capturar a dinâmica da ET de culturas agrícolas, devido às baixas resoluções ou temporal ou espacial dos satélites existentes. Desta forma, o objetivo deste trabalho foi aplicar o modelo SEBAL e a metodologia do ESTARFM para estimar ET diária em uma propriedade agrícola do Município de Cascavel, Paraná. Imagens MODIS e Landsat 8 OLI/TIRS foram fusionadas para produzir imagens sintéticas entre outubro de 2014 e outubro de 2015. Os resultados observados mostraram que as predições de ET utilizando o ESTARFM quando comparadas aos dados reais de imagens Landsat 8 apresentaram coeficiente de determinação geral de 0,80 em todas as imagens analisadas e variando entre 0,4<R²<0,81, com os melhores resultados obtidos para a cultura da soja. O comparativo entre as séries temporais de ET estimadas com dados sintéticos e reais indicou boa concordância, sendo que a diferença entre as médias sempre esteve menor que 1 mm dia-1. Os resultados mostram que o ESTARFM tendeu a superestimar os valores de ET quando comparados aos dados reais, sendo que a performance foi fortemente afetada quando nos dados de entrada houve mudança na cobertura de solo entre as datas analisadas. Palavras chave: SEBAL, ESTARFM, Fusão de imagens. ABSTRACT: Many applications in water resource management require Evapotranspiration (ET) information at daily and field-level scales. However, no satellite system currently operating is able to capture all the resources of the ET dynamics in agricultural cultures, due to their either low temporal or low spatial resolutions. Thus, the objective of this work was to apply the SEBAL model and the ESTARFM methodology to estimate daily ET in an agricultural property of the Municipality of Cascavel, Paraná. MODIS and Landsat 8 images were fused to produce 8 synthetic images between October 2014 and October 2015. The observed results showed that the predictions of ET using the ESTARFM when compared to the real data of Landsat 8 images had a general determination coefficient of 0.80 in all analyzed images and ranging from 0.4<R²<0.81, with the best results for the soy culture. The comparison between the time series of ET estimated with synthetic and real data indicated good symmetry, and the difference between the means was always less than 1 mm day-1. The results show that the ESTARFM tended to overestimate the ET values when compared to the real data, and the performance was strongly affected when in the input data there had been change in the soil cover between the analyzed dates. Keywords: SEBAL, ESTARFM, Fusion of images.
6.1 INTRODUÇÃO
O aumento na produção de alimentos é tema de crucial importância, tendo em vista a
tendência de crescimento populacional – sendo assim, o aumento da produção agrícola é
importante para a segurança alimentar e energética. Portanto, entender os fatores que
afetam no rendimento da safra, a exemplo da evapotranspiração (ET), será importante para
enfrentar futuras flutuações agrícolas causadas devido à mudança climática global,
demanda de água ou limitações do solo (HOLZMAN et al., 2018).
A utilização da ET na irrigação é mais comum, mas também é cada vez mais
utilizada para determinações judiciais de irregularidade de usuários de água, parametrização
59
de modelos hidrológicos, estimativas de biomassa e produção de culturas agrícolas,
planejamento e operação dos recursos hídricos, operação de clima e mudança climática,
modelos de previsão e para a gestão e a alocação de água em regiões com escassez deste
recurso, além da divisão dos recursos hídricos entre estados e nações (ALLEN et al., 2011;
ANDERSON et al., 2012, PAREDES et al., 2015).
A ET é tipicamente modelada usando dados meteorológicos e algoritmos que
descrevem a energia de superfície e as características da vegetação (ALLEN et al., 2011).
Nesse contexto, estimativas de ET obtidas através de sensoriamento remoto baseadas em
dados de infravermelho termal (TIR) vêm se tornando cada vez mais usuais, devido à
variedade de satélites disponíveis (CAMMALLERI et al., 2014; CAMPOS et al., 2017).
Dentre os algoritmos utilizados, o algoritmo SEBAL (Surface Energy Balance
Algorithm for Land) proposto por Bastiaanssen (2000), tem certo destaque, pois pode ser
aplicado em dados radiométricos de qualquer sensor remoto orbital que efetue medidas de
radiância no espectro do visível, infravermelho próximo e infravermelho termal.
Apesar dos grandes avanços tecnológicos nas áreas de sensoriamento remoto e
modelagem ambiental, ainda existem algumas deficiências no conjunto de fonte de dados
atual (lacuna de dados, desvios, calibração imprecisa, resolução espacial ou temporal
baixa), gerando limitações na aplicabilidade do monitoramento de ET em alta resolução
espaço-temporal (ANAPALLI et al., 2018; CAMMALLERI et al., 2014).
Uma vez que nenhum sistema de satélite TIR operando atualmente é capaz de
capturar todos os recursos da dinâmica da ET em passagem agrícola, a abordagem de
fusão de dados usando o Enhanced Adaptive Reflectance Fusion Model (ESTARFM) foi
identificada como meio valioso para combinar mapas ET usando o algoritmo SEBAL
aplicado a dados do Landsat 8 OLI/TIRS de alta resolução espacial e imagens Moderate-
Resolution Imaging Spectroradiometer MODIS de alta frequência temporal. Logo, imagens
sintéticas provenientes da fusão espaço temporal têm grande valia para estudos
relacionados a agricultura, clima e meio ambiente (CAMMALLERI et al., 2014;
MUKHERJEE; JOSHI; GARG, 2014).
Desta forma, o objetivo deste trabalho foi aplicar o modelo SEBAL e a metodologia
do ESTARFM para estimar ET diária em uma propriedade agrícola. As principais atividades
desenvolvidas foram: 1) Estimar ET diária utilizando imagens sintéticas provenientes de
imagens Landsat 8 OLI/TIRS e MODIS e avaliar a performance do ESTARFM, comparando
com dados de ET com imagens reais do Landsat 8 OLI/TIRS; 2) Analisar temporal e
espacialmente a ET provenientes de imagens sintéticas na propriedade agrícola e avaliar a
sua aplicabilidade.
60
6.2 MATERIAL E MÉTODOS
6.2.1 Área em Estudo
A área de estudo é uma propriedade agrícola no o município de Cascavel, Paraná
(Figura 1) com latitude 24º 49’ 35’’ S e longitude 53º 26’ 12’’ O, com solo predominante
Latossolo Vermelho Distroférrico (EMBRAPA, 2010). O clima da região estudada apresenta-
se como temperado mesotérmico e superúmido, tipo climático Cfa (APARECIDO et al.,
2016), com temperaturas moderadas, chuvas bem distribuídas e verão quente. Nos meses
de inverno, a média de temperatura é inferior a 16 °C e, nos meses de verão, as máximas
superam 30 °C, com temperatura média anual de 21 °C.
Figura 1 Localização da área e da cena de estudo. A imagem Landsat-8 (imagem RGB de falsa cor usando as bandas 5,6 e 4) foi adquirida em 05 de dezembro de 2014. É possível notar a predominância de alvos agrícolas, vegetação nativa e reflorestamento
Com relação as culturas que estavam ocupando a área no período de interesse do
trabalho, a primeira foi a soja semeada nas datas entre seis e sete de outubro de 2014 e
colheita realizada entre os dias 03 e 06 de fevereiro de 2015. Após isso, a cultura sucessiva
foi o milho com semeadura entre os dias 10 e 12 de fevereiro de 2015 com colheita entre 05
a 09 de junho de 2015, por fim após essa data até o início de outubro a solo esteve coberto
resteva da cultura milho.
61
6.2.2 Dados de Satélites
Utilizaram-se 8 imagens entre o período de outubro de 2014 a outubro de 2015 na
órbita/ponto 223/77 do satélite Landsat 8 OLI/TIRS (com percentual de nuvens inferior a
10%), e os produtos MOD09GQ e MYD09GQ do sensor MODIS plataformas Terra e Aqua,
da cena h12v11. Todas as imagens do MODIS foram reprojetadas para projeção Universal
Transversa de Mercator (UTM) usando o MODIS Reprojection Tool (KALVELAGE;
WILLEMS, 2005), re-amostradas para resolução espacial de 30 m usando abordagem de
vizinho mais próximo e recortadas com a mesma extensão das imagens Landsat. As
imagens de ambos os satélites foram fornecidas gratuitamente pelo USGS (disponível em:
https://earthexplorer.usgs.gov/).
6.2.3 O algoritmo SEBAL
O modelo SEBAL foi desenvolvido usando módulos existentes e criados no SIG de
código aberto GRASS (ALEXANDRIDIS et al., 2009). O SEBAL utiliza imagens do espectro
de energia visível, infravermelho próximo e infravermelho termal para calcular o balanço
energético pixel-a-pixel. No SEBAL, o Rn é calculado a partir da refletância de banda larga
medida por satélite e da temperatura da superfície, enquanto G é estimado a partir de Rn,
temperatura da superfície e índices de vegetação. O fluxo de calor sensível H é considerado
proporcional à razão entre a diferença de temperatura do ar da superfície (dT) e a
resistência aerodinâmica (rah). SEBAL usa o particionamento de λET, como descrito em
Bastiaanssen et al. (1998), em que a fração evaporativa (Λ) é calculada de acordo com a
Equação 1.
G -nR
ET
HET
ET
Eq. (1)
Estudos meteorológicos indicam que a fração evaporativa instantânea é quase
constante no tempo (AYENEW, 2003). Assim, em escalas de tempo diárias, ET24 (mm d-1)
pode ser calculado como na Equação 2:
24n24 RΛλ
86400=ET Eq. (2)
Em que: Rn24 (W m−2) é a radiação líquida média de 24 h, λ (J kg−1) é o calor latente de
vaporização.
Em adição às imagens de satélite, o modelo SEBAL requer valores de ET0, sendo
que estes dados meteorológicos foram obtidos do European Centre for Medium‐Range
62
Weather Forecasts (ECMWF), fornecidos em seu site, com resolução de 0.125° × 0.125°
(disponível em: http://apps.ecmwf.int/datasets/data/interim‐full‐daily/levtype=sfc).
6.2.4 O algoritmo ESTARFM
O algoritmo ESTARFM tem como propósito usar a correlação para mesclar fontes
diferentes de dados, minimizando, assim, distorções do sistema. Por conveniência, as
imagens de baixa resolução espacial serão chamadas de resolução grosseira, e as de alta
resolução serão resolução fina. Para dar início ao processamento o algoritmo exige 2 pares
de imagens resolução fina e de resolução grosseira como entrada: o primeiro par é
denominado t1, e o segundo t2, ambos capturados na mesma data. A data que desejasse
realizar a estimativa será chamada de tp. Esta é de data entre t1 e t2 e necessita de uma
imagem resolução grosseira, no caso, imagem MODIS. Assim, o ESTARFM terá condição
de produzir uma imagem sintética na data de predição tp tendo a mesma resolução espacial
das imagens de resolução fina (ZHU et al., 2010).
O algoritmo ESTARFM possui quatro principais etapas: 1) as duas imagens
resolução fina são utilizadas para procurar pixels semelhantes ao pixel central em uma
janela de busca móvel; 2) a distância espectral e espacial entre cada pixel semelhante ao
pixel a ser previsto são utilizados para calcular os pesos (W) de cada pixel semelhante; 3)
emprega-se uma regressão linear dos valores de resolução grosseira nos dois pares
observados (t1 e t2) em comparação com os valores de resolução fina, podendo; assim;
determinar o coeficiente de conversão vi, o qual é utilizado para converter a mudança
encontrada nas imagens resolução grosseira para as imagens resolução fina; e, por fim, 4) a
imagem resolução fina obtida a partir da resolução grosseira na data de previsão é dada
pela Equação 3.
Eq. (3)
Onde F e C é a imagem resolução fina e resolução grosseira, respectivamente, (x, y)
é a localização do valor do pixel previsto, xi yi é a localização do i-ésimo pixel semelhante e
t0 é a data do primeiro par de imagens de entrada chamado de t1 ou t2. N se trata do
número total de pixels semelhantes incluindo o pixel central da predição dentro da janela
móvel (ZHU et al., 2010).
A metodologia exposta por Gao et al. (2006) apresenta um método de janela móvel,
utilizado para obtenção de maiores informações sobre os pixels vizinhos. A janela móvel é
utilizada para buscar pixels semelhantes dentro desta janela, sendo que tais informações
serão integradas no cálculo da refletância da resolução fina, como descrito na Equação 3,
63
em que W é o tamanho da janela móvel, e a refletância do pixel central da resolução fina
(xw/ 2, yw/ 2) na data tp pode ser calculada pela Equação 4.
Eq. (4)
Onde N é o número de pixels semelhantes, tendo incluso o pixel central da ―predição‖, (xi, yi)
é a localização do i-ésimo pixel semelhante, e W i é o peso do i-ésimo pixel semelhante. Os
chamados pixels semelhantes são aqueles pixels vizinhos que possuem o mesmo tipo de
cobertura terrestre do pixel central.
6.3 RESULTADOS E DISCUSSÕES
Para avaliar a performance da ET estimada utilizando imagens sintéticas (ETs)
provenientes do algoritmo ESTARFM, estas tiveram seus valores comparados com os de ET
estimados com dados reais das imagens do Landsat 8 (ETL8). Três índices estatísticos (root
mean square error, RMSE; mean absolute difference, MAD e relative error, RE) foram
empregados para avaliar os resultados de ET.
A ETs e a ETL8 estimadas em resolução espacial de 30 m foram comparadas para os
diferentes alvos (Soja, Milho e resteva do milho), observadas na propriedade avaliada entre
outubro de 2014 a outubro de 2015. O RMSE para soja, milho e resteva foi de 0,42; 0,39 e
2,46 mm dia-1, a MAD foi de 0,22; 0,16, 0,10 mm dia-1, e RE de 13, 8 e 48%,
respectivamente (Tabela 1). Os valores dos erros foram inferiores ao encontrados por
Cammalleri et al. (2014), exceto para o milho, com RMSE variando entre 1,11 a 1,81 mm
dia-1 e RE de 20,8 a 26,6% para áreas irrigadas.
Tabela 1 Análise de Acurácia do algoritmo ESTARFM para dos dados de fusão de Evapotranspiração diária (ET)
Cultura RMSE (mm dia-1) MAD (mm dia-1) RE(%) R2
Soja 0,42 0,22 13 0,81
Milho 0,39 0,16 8 0,79
Resteva 2,46 0,1 48 0,4
Geral 1,81 1,21 30 0,79
Com as análises de regressão foi possível observar que os pontos de dispersão de
maneira geral se concentram próximos à linha x = y (Figura 2). Para o coeficiente de
determinação (R²), comparando as estimativas entre ETS e ETR foi de 0,81 para soja, 0,79
para milho e 0,40 para resteva do milho. Quando analisado para todas as culturas, o
coeficiente geral foi de 0,80, mostrando boa concordância entre os dados analisados, com
64
exceção dos resultados encontrados para resteva. Bai et al. (2017), utilizando ESTARFM
para determinação de ET em culturas agrícolas, obtiveram resultado semelhante para a
soja, com R² de 0,79, e resultado superior para o milho, com coeficiente de 0,85.
Observou-se que os piores resultados encontrados tiveram forte influência pelas
datas das imagens utilizadas como dados de entrada para o ESTARFM, com mudança de
cobertura de solo entre as duas datas de milho para soja. Esta alta dinâmica do uso do solo
prejudica a performance do algoritmo, devido a diferentes respostas espectrais dos alvos
(YIN et al., 2018; ZHU; RADELOFF; IVES, 2017).
Figura 2 Comparação entre a ETs (calculado usando imagens sintéticas do ESTARFM) e ETL8 (calculada utilizando dados reais de imagens Landsat 8): (a) Soja, (b) Resteva do milho, (c) Milho, (d) Geral.
Os valores diários de ET estimados com o ESTARFM (ETs) nas 8 imagens
analisadas variaram de 0 a 10,2 mm dia-1 (Figura 3), com média de 6 mm dia-1. A distribuição
de ET refletiu o estágio de desenvolvido das culturas agrícolas desenvolvidas na área de
estudo entre out/14 e out/15. Observa-se que no dia 22/Jan/15 e 05/Out/15 se concentraram
os menores valores de ET, uma vez que na época destas se imagens a cultura de soja se
encontrava na senescência e, na segunda imagem, o solo estava com resteva do milho,
65
enquanto os maiores dados foram registrados na imagem de 12/Abr/15, em que o milho
estava no pico vegetativo.
Figura 3 Distribuição espacial da Evapotranspiração (ET) estada com imagens sintéticas para as imagens entre outubro de 2014 e outubro de 2015.
Observa-se nas séries temporais comparativas entre ETL8, ETS e ET0 (Figura 4) que
os valores médios variaram entre 4 a 8 mm dia-1 e que os resultados obtidos pelas imagens
sintéticas representaram com boa precisão os dados quando comparados com imagens
reais do Landsat 8, com diferença entre as médias sempre menor que 1 mm dia-1.
Cammalleri et al. (2013), utilizando fusão de dados em imagens Landsat e MODIS obtiveram
erros da ordem de 0,6 mm dia-1. De maneira geral, o ESTARFM tendeu a superestimar os
dados, com exceção do dia 07/Fev/15.
Com o objetivo de analisar o potencial das imagens sintéticas no acompanhamento
da ET em alta resolução temporal semelhante à do sensor MODIS e espacial do Landsat,
foram analisadas imagens de sintéticas com dados de ET ao longo do ciclo das culturas da
soja e do milho (Figura 5), sendo as datas escolhidas em estádios de desenvolvimento
vegetativo considerados críticos para estresse hídrico, refletindo em diminuição da ET e
perda da produção.
66
Figura 4 Séries Temporais de ETL8, ETS e ET0 para as imagens analisadas entre outubro de 2014 e outubro de 2015.
Foi observado que durante o período analisado, principalmente em outubro de 2014,
o total precipitado registrado pelos dados do ECMWF foi bem abaixo do esperado para o
município de Cascavel (CAVIGLIONE et al., 2000), o que pode ter refletido em valores de
ET para a soja sempre abaixo do esperado para a cultura.
A época crítica relacionada ao estresse hídrico da soja corresponde à fase de
floração, correspondentes ao estádios R1 até R6, em que a ET esperada deve estar entre 6
- 8 mm diários (FARIAS et al., 2007). Os estádios reprodutivos em questão iniciam com 54
dias após semeadura, de acordo com Meschede et al. (2004), correspondente à data do
meio de safra do dia 05/12/2014, aproximadamente, a qual apresentou média de ET abaixo
do esperado, com valor de 5,6 mm dia-1.
A ET esperada para o milho em sua época mais sensível ao estresse hídrico deveria
apresentar valores entre 8-9 mm dia-1 em seu estádio R1 (ALBUQUERQUE; RESENDE,
2002) correspondente aproximadamente a imagem do dia 12/04/2015, a qual apresentou a
maior das médias dentre as imagens analisadas, com valor de 8 mm dia. O volume maior de
chuvas registrado no período pode ter contribuído para o resultado observado.
67
Figura 5 Médias de ET obtidos para as imagens sintéticas e o valor de ET esperado para cada estádio de desenvolvimento analisado da cultura da soja (a) e milho (b) e total mensal precipitado no período das imagens analisadas (c).
6.4 CONCLUSÕES
O ESTARFM pode ser aplicado para estimativa da ET de alta resolução espaço-
temporal pela fusão de imagens Landsat 8 e MODIS na estimativa do consumo de água por
culturas agrícolas, com melhores resultados encontrados para a soja com R² de 0,81, e os
piores para imagens que continham resteva com R² de 0,41. O Algoritmo apresentou
tendência a superestimar os valores quando comparados a dados reais de imagens Landsat
8.
As imagens sintéticas permitiram o monitoramento sistemático de cultura, podendo
ser analisado datas em período sensíveis ao estresse hídrico da planta, o que não seria
possível somente com os sensores isoladamente.
A escolha das datas dos dados de entrada é essencial para sua performance,
considerando que os piores resultados foram obtidos quando os dados utilizados
apresentaram mudança na cobertura do solo entre as datas analisadas para a área de
estudo.
6.5 REFERÊNCIAS
ALBUQUERQUE, P. E. P.; RESENDE, M. Cultivo do milho: manejo de irrigação. Sete Lagoas: Embrapa Milho e Sorgo, 2002.
68
ALEXANDRIDIS, T. K.; CHERIF, I.; CHEMIN, Y.; SILLEOS, G. N.; STAVRINOS, E.; ZALIDIS, G. C. Integrated methodology for estimating water use in Mediterranean agricultural areas. Remote Sensing, v. 1, n. 3, p. 445-465, 2009. DOI: https://doi.org/10.3390/rs1030445 ALLEN, R. G.; PEREIRA, L. S.; HOWELL, T. A.; JENSEN, M. E. Evapotranspiration information reporting: I. Factors governing measurement accuracy. Agricultural Water Management, v. 98, n. 6, p. 899-920, 2011. ANAPALLI, S. S.; GREEN, T. R.; REDDY, K. N.; GOWDA, P. H.; SUI, R.; FISHER, D. K.; MOORHEAD, J. E.; MAREK, G. W. Application of an energy balance method for estimating evapotranspiration in cropping systems. Agricultural Water Management, v. 204, p. 107-117, 2018. ANDERSON, M. C.; ALLEN, R. G.; MORSE, A.; KUSTAS, W. P. Use of Landsat thermal imagery in monitoring evapotranspiration and managing water resources. Remote Sensing of Environment, v. 122, p. 50-65, 2012. BAI, L.; CAI, J.; LIU, Y.; CHEN, H.; ZHANG, B.; HUANG, L. Responses of field evapotranspiration to the changes of cropping pattern and groundwater depth in large irrigation district of Yellow River basin. Agricultural Water Management, v. 188, p. 1-11, 2017. BASTIAANSSEN, W. G. M. MENENTI, M.; FEDDES, R. A.; HOLTSLAG, A. A. M. A remote sensing surface energy balance algorithm for land (SEBAL). Journal of Hydrology, v. 212, p. 198-212, 1998. CAMMALLERI, C.; ANDERSON, M. C.; GAO, F.; HAIN, C. R.; KUSTAS, W. P. A data fusion approach for mapping daily evapotranspiration at field scale. Water Resources Research, v. 49, n. 8, p. 4672-4686, 2013. CAMMALLERI, C.; ANDERSON, M. C.; GAO, F.; HAIN, C. R.; KUSTAS, W. P.Mapping daily evapotranspiration at field scales over rainfed and irrigated agricultural areas using remote sensing data fusion. Agricultural and Forest Meteorology, v. 186, p. 1-11, 2014. CAMPOS, I.; NEALE, C. M. U.; SUYKER, A. E.; ARKEBAUER, T. J.; GONÇALVES, I. Z. Reflectance-based crop coefficients REDUX: for operational evapotranspiration estimates in the age of high producing hybrid varieties. Agricultural Water Management, v. 187, p. 140-153, 2017. CAVIGLIONE, J. H.; KIIHL, L. R. B.; CARAMORI, P. H.; OLIVEIRA, D. Cartas Climáticas do Paraná. Londrina: Instituto Agronômico do Paraná, 2000. EMBRAPA. O novo mapa de solos do Brasil: legenda atualizada. Rio de janeiro: Dados eletrônicos - Embrapa Solos, 2011. FARIAS, J. R. B.; NEPOMUCENO, A. L.; NEUMAIER, N. Ecofisiologia da soja. Londrina: Embrapa Soja, 2007. GAO, F. MASEK, J.; SCHWALLER, M.; HALL, F. On the Blending of the Landsat and MODIS Surface Reflectance: predicting daily landsat surface reflectance. IEEE Transactions on Geoscience and Remote Sensing, v. 44, n. 8, p. 2207-2218, 2006. HOLZMAN, M. E.; CARMONA, F.; RIVAS, R.; NICHÒS, R. Early assessment of crop yield from remotely sensed water stress and solar radiation data. ISPRS Journal of Photogrammetry and Remote Sensing, v. 145, p. 297-308, 2018.
69
KALVELAGE, T.; WILLEMS, J. Supporting users through integrated retrieval, processing, and distribution systems at the land processes distributed active archive center. Acta Astronautica, v. 56, n. 7, p. 681-687, 2005. MESCHEDE, D. K.; OLIVEIRA JR., R. S.; CONSTANTIN, J.; SCAPIM, C. A. Period Before Weed Interference in Soybean: a case-study under low crop density and twofold checks. Planta Daninha, v. 22, n. 2, p. 239-246, 2004. MUKHERJEE, S.; JOSHI, P. K.; GARG, R. D. A comparison of different regression models for downscaling Landsat and MODIS land surface temperature images over heterogeneous landscape. Advances in Space Research, v. 54, n. 4, p. 655-669, 2014. PAREDES, P.; WEI, Z.; LIU, Y.; XU, D.; XIN, Y.; ZHANG, B.; PEREIRA, L. S. Performance assessment of the FAO aquaCrop model for soil water, soil evaporation, biomass and yield of soybeans in North China Plain. Agricultural Water Management, v. 152, p. 57-71, 2015. YIN, G.; LI, A.; JIN, H.; BIAN, J. Spatiotemporal fusion through the best linear unbiased estimator to generate fine spatial resolution NDVI time series. International Journal of Remote Sensing, v. 39, n. 10, p. 3287-3305, 2018. ZHU, L.; RADELOFF, V. C.; IVES, A. R. Improving the mapping of crop types in the Midwestern U.S. by fusing Landsat and MODIS satellite data. International Journal of Applied Earth Observation and Geoinformation, v. 58, p. 1-11, 2017. ZHU, X.; CHEN, J.; GAO, F.; CHEN, X.; MASEK, J. G. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions. Remote Sensing of Environment, v. 114, p. 2610-2623, 2010.
70
7 CONSIDERAÇÕES FINAIS
As imagens sintéticas geradas pelo algoritmo ESTARFM apresentadas e utilizadas
neste estudo possibilitaram evidenciar o grande potencial destas serem utilizadas no
mapeamento e no monitoramento agrícola. Um dos principais problemas relatados por
autores que utilizam o sensoriamento remoto para estudos com culturas é a presença de
nuvens nas imagens, sendo este um fator limitante no melhor desempenho dos resultados
esperados – problema ainda maior quando o alvo de interesse for uma cultura anual, como
a soja, que apresenta ciclo em torno de 60 a 120 dias, dependendo, obviamente, de sua
variedade.
Assim, com o primeiro artigo foi possível observar que as imagens sintéticas
derivadas do sensor MODIS e imagens do satélite Landsat 8 OLI/TIRS apresentaram-se
como uma fonte de dados confiável de valores de refletância para as bandas vermelha e
infravermelho próximo, sendo os melhores resultados obtidos para a banda vermelha.
Em um segundo momento, com a avaliação do desempenho das imagens sintéticas
na confecção de valores de NDVI, foi observado que os valores de precisão obtidos foram
altos e se mostraram com boa concordância quando comparados com dados reais de
imagens Landsat 8. Além disso, na série temporal gerada com 20 imagens sintéticas, para
acompanhamento do NDVI ao longo de um ano de dados, possibilitou a geração de
informações extras que não seriam capturas apenas pela série do MODIS ou Landsat
isoladamente. Tais resultados demonstram que ao utilizar as imagens sintéticas para
confecção de NDVI, estudos como estimativa de estimativas de datas do ciclo de culturas e
mapeamento do uso do solo teriam seus resultados possivelmente melhorados devido ao
maior número de imagens com resolução espacial semelhante ao Landsat ao longo do ciclo.
Para as imagens sintéticas empregadas na estimativa de ET fazendo uso do
algoritmo SEBAL, verificou-se que os valores obtidos apresentaram tendência a
superestimar os dados quando comparados com imagens reais, mas os erros só foram altos
quando o solo se encontrava com cobertura com resteva da cultura do milho. Uma das
vantagens mais significativas de se utilizar estes dados foi a possibilidade de estimar
imagens de ET em períodos considerados críticos à falta de água para culturas anuais (soja
e milho), assim sendo possível essas informações serem utilizadas para estimativas de
produção com uma maior precisão e confiabilidade dos resultados.
Observou-se também ao longo dos experimentos que um dos fatores cruciais para
melhor desempenho do ESTARFM foi a escolha das datas das imagens para os dados de
entrada, sendo que quando os dois pares de imagens (antes e depois da data desejada
para estimativa da imagem sintética) apresentaram mudança de cobertura do solo, o
71
algoritmo produziu resultados bem abaixo do que quando as datas dos pares de entrada
apresentavam a mesma cobertura de solo.
Com isso, recomenda-se para estudos futuros que sejam avaliados o impacto que os
dados de entrada possuem no desempenho do ESTARFM para a produção de imagens
sintéticas, ou seja, quanto a precisão deste diminui caso os pares de entrada de imagem
(antes e depois da data prevista) possuam mudança no uso do solo. Além disso, testar qual
seria o efeito nos resultados se aumentada a distância temporal entre os pares de entrada
de dados. Por fim, testar os desempenhos de outros algoritmos de fusão e verificar qual
melhor se adapta para alvos como culturas agrícolas.