Post on 19-Jan-2019
INPE-12271-TDI/983
GEOTECNOLOGIAS EM UM SISTEMA DE ESTIMATIVA DA PRODUÇÃO DE SOJA: ESTUDO DE CASO NO
RIO GRANDE DO SUL
Rodrigo Rizzi
Tese de Doutorado do Curso de Pós-Graduação em Sensoriamento Remoto, orientada pelo Dr. Bernardo Friedrich Theodor Rudorff, aprovada em 30 de abril de 2004.
INPE São José dos Campos
2005
528.711.7 (816.5) RIZZI, R. Geotecnologias em um sistema de estimativa da produção de soja: estudo de caso no Rio Grande do Sul / R. Rizzi.- São José dos Campos: INPE, 2004. 212p. – (INPE-12271-TDI/983). 1.Sensoriamento remoto. 2.Sistema de Informações Geográficas (SIG). 3.Landsat. 4.Modis. 5.Agrometeorologia. 6.Estatística. 7.Agricultura. 8.Soja. 9.Produtividade. 10.Área plantada. 11.Amostragem. I.Título.
“Cada erro é uma oportunidade para aprender. Apenas não cometa o
mesmo erro várias vezes - isso é estupidez. Mas cometa tantos novos
erros quanto você for capaz - não tenha medo - porque esta é a única
maneira pela qual a natureza lhe permite aprender”
Osho
A meus pais, Celita e Armindo,
ofereço........
AGRADECIMENTOS
A Deus, por mais uma oportunidade para minha evolução espiritual.
A meus pais, pela luta, apoio, incentivo e confiança.
À minha irmã Caroline, pelo estímulo ao seguir meu exemplo.
À Danielle Mendes, pelo amor, carinho, atenção, incentivo e compreensão.
Ao Dr. Bernardo Rudorff, pela confiança, estímulo, conhecimentos
compartilhados, pela extrema competência com que orientou esta tese e
principalmente por ainda ser fundamental para minha formação profissional.
À minha colega, amiga e conterrânea Eliana Lima da Fonseca, pelos
incontáveis e indispensáveis auxílios e discussões, que tornaram menos
penosos estes quatro anos.
Ao meu irmão russo Dmitry Fedorov, for sharing food and remote control e
principalmente por compartilhar inúmeros conhecimentos em inúmeras áreas;
valeu dude.
Ao amigo e colega Luiz Eduardo Aragão, que por sua visão não agronômica
proporcionou-me valiosas idéias.
Ao Dr. Antônio Roberto Formaggio, pelos conhecimentos transmitidos e
principalmente pelo auxílio espiritual nos momentos difíceis.
Aos amigos José Luiz Yi e Marcelo Moreira, da Cargill Agrícola S.A., pelo
auxílio, discussões e principalmente pelo incentivo que deram ao acreditarem
nos resultados preliminares.
Aos Drs. Yosio Shimabukuro, José Epiphanio, Corina Freitas, Camilo Rennó,
Nelson de Jesus Ferreira e Getúlio Teixeira Batista, pelas sugestões e
conhecimentos transmitidos.
À Dra. Denise Cybis Fontana e ao amigo Ricardo Wanke de Mello, pelas
discussões e pelo fornecimento dos dados meteorológicos.
Aos amigos Marcos, Julio Cesar, Maldonado, Marinaldo, Enzo, Silvia, Pabrício,
Paulo, Luciana, Rogério, Alfredo e Liana, pelo auxílio e discussões em
inúmeras situações.
Aos demais colegas da pós-graduação do INPE, em especial, João, Chico,
George, Renato, Giovanne, Roberto, Raul, Mariza, Alessandro, Renata e
Brummer, pelo companheirismo.
Às secretárias Cristina, Terezinha, Angelucci e, em especial, Maria Etelvina
Etel, por sempre tornarem as coisas menos difíceis.
Ao Instituto Nacional de Pesquisas Espaciais, pela oportunidade do
aprimoramento científico.
Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico, pelo
aporte financeiro.
Aos professores da Universidade Federal de Pelotas Drs. Marta Elena Mendez,
por tudo e Francisco Neto de Assis, por despertar em mim o encanto pelas
imagens de satélite.
Aos amigos da Computação Aplicada, em especial, Arley, Emiliano, Gustavo,
Aditya e Marcos Aurélio, pelos bons momentos.
A todos os colegas e amigos da UFSM e UFPEL, em especial, Paulo Jeepeiro
Kuhn, por fornecer o mapa de solos digitalizado.
Às famiglias Rizzi e Viero, que sempre acreditaram e torceram.
A todos os produtores de soja do Brasil, co-responsáveis pela realização deste
trabalho.
A todas as pessoas que de alguma forma contribuíram e consideram-se
responsáveis pela realização deste trabalho.
Muito obrigado...
RESUMO Este trabalho objetivou desenvolver um sistema para estimativa da produção da cultura da soja através da utilização de geotecnologias e testá-lo no Estado do Rio Grande do Sul. A área de estudo compreendeu 322 municípios, os quais perfazem mais de 90% da produção de soja do Estado. A estimativa da área plantada foi realizada para os anos-safra 2000/01 e 2001/02 por meio de seis cenas do satélite Landsat adquiridas em duas datas por cena, para cada ano-safra. Em 2000/01, a estimativa foi realizada em nível municipal e estadual através da classificação automática e da interpretação visual das imagens. Em 2001/02, empregaram-se as imagens num sistema de amostragem por segmentos, visando a estimativa de área plantada em nível estadual. A estimativa da produtividade foi realizada para os anos-safra 2000/01 a 2002/03, empregando-se um modelo agrometeorológico-espectral (MAE) inserido num Sistema de Informações Geográficas, cuja variável espectral é o índice de área foliar (IAF) estimado a partir das imagens NDVI do sensor MODIS. Em substituição ao IAF estimado através do NDVI, foram testados dados de IAF obtidos na literatura, sendo o modelo então denominado agrometeorológico (MA). A produção da soja foi obtida pelo produto dos valores de área plantada e produtividade. Os resultados obtidos pelo presente estudo foram comparados aos dados oficiais provenientes do Levantamento Sistemático da Produção Agrícola (LSPA). Para a estimativa da área plantada, em 2000/01, as maiores diferenças relativas foram encontradas em municípios onde a cultura tem pouca expressão (abaixo de 10.000 ha) e as maiores diferenças absolutas foram observadas em municípios de expressiva área plantada (acima de 10.000 ha). Em nível estadual, verificou-se uma superestimativa por parte do LSPA em relação à classificação das imagens Landsat de aproximadamente 11,3%. Para 2001/02, o método de amostragem retornou um incremento de 11,97% em relação a 2000/01, o qual foi consideravelmente superior ao dado oficial (8,76%). Devido às discrepâncias encontradas, os valores de área plantada obtidos pelo presente estudo foram utilizados para corrigir os dados oficiais de produtividade em nível estadual e municipal, sendo que para 2002/03 utilizou-se o incremento em relação a 2001/02 fornecido pelo LSPA. Para os anos-safra 2000/01 e 2001/02 não foram observadas diferenças significativas entre o LSPA e os modelos de estimativa, para α = 5% (t=0,03 para o MAE e MA em 2000/01 e t=0,20 para MAE e 1,81 para o MA em 2001/02). Em 2002/03, ambos os modelos subestimaram o valor de produtividade fornecido pelo LSPA, quando as diferenças encontradas foram de 204 (t=6,48) e 228 kg ha-1 (t=7,3) para os MAE e MA, respectivamente. Em adição, através do MAE, foi possível monitorar temporal e espacialmente a evolução da produtividade durante todo o ciclo da cultura. Ante os resultados encontrados, o sistema proposto pode ser utilizado como suporte ao método tradicional e subjetivo de estimativa da produção de soja no Rio Grande do Sul.
GEOTECHNOLOGIES IN A SOYBEAN CROP PRODUCTION ESTIMATION SYSTEM: A CASE STUDY IN RIO GRANDE DO SUL STATE, BRAZIL
ABSTRACT
The objective of this work was to develop a soybean crop production estimation system and test it in Rio Grande do Sul State, Brazil, using geotechnologies. The study area comprises 322 municipalities which are responsible for nearly 90% of the State soybean production. Crop area estimation was performed for the crop years 2000/01 and 2001/02 by using six Landsat scenes acquired at two different periods per scene, in each crop year. In 2000/01, the estimate was carried out by both automatic and visual image classification at municipal and State level. In 2001/02, the crop area was estimated only at State level using a sample based on segments of size 1 x 1 km square method. An agrometeorological-spectral model (MAE) integrated into a Geographic Information System was used to estimate grain yield for crop years 2000/01 to 2002/03. The spectral variable for this model was the leaf area index (LAI) estimated from the NDVI values derived from MODIS images. LAI values were also estimated from literature data in order to replace MODIS images. In this case the model was named agrometeorological model (MA). The soybean production was estimated by multiplying the crop area times the soybean yield estimated from the MAE. The results were compared with the official statistics provided by the Systematic Survey Agricultural Production (LSPA). For the crop area estimate in 2000/01, the largest relative differences were observed in municipalities with very low soybean crop area, although the highest absolute differences were observed in municipalities with high soybean crop area (above 10.000 ha). The overall result showed an overestimation of planted area around 11,3% between LSPA and Landsat. In 2001/02, the sample square method showed a planted area increment of 11.97% in relation to 2000/01, which was higher than the LSPA estimation (8.76%). Due to these differences the official grain yield data was adjusted based on production data and crop area estimated from Landsat in order to compare the “corrected” LSPA yield data with the MAE and MA yield output, whereas the official increment was used to adjust the crop year of 2002/03. Eventually, no significant differences were found between LSPA and MAE or MA for the crop years of 2000/01 and 2001/02 for α = 5% (t=0,03 for MAE and MA in 2000/01 and t=0,20 for MAE and 1,81 for MA in 2001/02). For the crop year of 2002/03, both models underestimated grain yield when compared with LSPA by 204 (t=6,48) and 228 kg ha-1 (t= 7,3) for MAE and MA, respectively. Moreover, the MAE proved to be a powerful tool to estimate yield variation at both municipal and state level, as well as to monitor soybean crop throughout the growing season. Besides, the proposed system can be used to aid the traditional and subjective soybean crop production method in Rio Grande do Sul State.
SUMÁRIO
Pág.
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE SIGLAS E ABREVIATURAS
CAPÍTULO 1 .................................................................................................... 31
INTRODUÇÃO................................................................................................. 31
1.1. Justificativa................................................................................................33
1.2. Hipótese: ...................................................................................................35
CAPÍTULO 2 .................................................................................................... 37
FUNDAMENTAÇÃO TEÓRICA....................................................................... 37
2.1. Cultura da Soja..........................................................................................37
2.1.1. Histórico .................................................................................................37
2.1.2. Panorama Mundial e Nacional ...............................................................37
2.1.3. Exigências Climáticas.............................................................................41
2.1.4. Ciclo Fenológico.....................................................................................43
2.1.5. Zoneamento Agroclimático.....................................................................44
2.2. Geoprocessamento e Sistemas de Informações Geográficas...................45
2.3. Sensoriamento Remoto Óptico e suas Relações com Pesquisas
Agrícolas...................................................................................................47
2.3.1. Resolução, Número e Posicionamento das Bandas Espectrais.............48
2.3.2. Resolução Espacial ................................................................................49
2.3.3. Resolução Temporal ..............................................................................50
2.3.4. Resolução Radiométrica ........................................................................51
2.3.5. Sistemas Sensores ................................................................................52
2.3.5.1. Sensores TM e ETM + ........................................................................52
2.3.5.2. Sensor MODIS ....................................................................................53
2.4. Comportamento Espectral e Temporal de Alvos Agrícolas .......................56
2.4.1. Comportamento Espectral e Temporal de Culturas Agrícolas................56
2.4.2. Comportamento Espectral e Temporal do Solo......................................62
2.5. Índices de Vegetação................................................................................64
2.5.1. Relações dos Índices de Vegetação com Variáveis Biofísicas...............68
2.6. Processamento de Imagens de Sensoriamento Remoto ..........................70
2.6.1. Correção Geométrica .............................................................................71
2.6.2. Classificação Digital de Imagens de Sensoriamento Remoto ................72
2.6.2.1. Classificação Supervisionada..............................................................73
2.6.2.2. Classificação Não-Supervisionada......................................................74
2.6.2.3. Classificação Híbrida...........................................................................76
2.6.2.4. Interpretação Visual.............................................................................76
2.7. Estatísticas Agrícolas e Relações com o Sensoriamento Remoto ............77
2.8. Estimativa da Área Plantada a Partir de Imagens de Sensoriamento
Remoto .....................................................................................................80
2.9. Estimativa da Produtividade Através de Modelos .....................................84
2.9.1. Modelos Agrometeorológicos .................................................................85
2.9.2. Modelos Espectrais e Agrometeorológicos-espectrais ...........................86
2.9.3. Parametrização dos Modelos de Produtividade .....................................87
2.9.4. Relação dos Modelos de Produtividade com Dados Meteorológicos.....87
2.9.5. Pesquisas Envolvendo Modelos de Produtividade.................................88
2.9.6. Integração de Modelos de Produtividade em SIG ..................................90
CAPÍTULO 3 .................................................................................................... 93
MATERIAL E MÉTODOS ................................................................................ 93
3.1. Ferramentas Computacionais ...................................................................93
3.2. Criação do Banco de Dados Geográfico ...................................................94
3.3. Área de Estudo..........................................................................................95
3.3.1. Características Agroclimáticas ...............................................................97
3.4. Estimativa da Área Plantada .....................................................................98
3.4.1. Estimativa Via Mapeamento das Imagens Landsat - Ano-safra
2000/01 ....................................................................................................98
3.4.2. Estimativa Via Método de Amostragem por Segmentos das Imagens
Landsat - Ano-safra 2000/01..................................................................101
3.4.3. Estimativa Via Método de Amostragem por Segmentos das Imagens
Landsat - Ano-safra 2001/02..................................................................105
3.5. Estimativa da Produtividade ....................................................................106
3.5.1. Definição das Variáveis Agrometeorológicas .......................................106
3.5.2. Definição do Componente Espectral ....................................................109
3.5.3. Parametrização do Modelo...................................................................113
3.5.4. Substituição da Variável Índice de Área Foliar .....................................116
3.5.5. Cálculo da Podutividade em Nível Municipal e Estadual......................116
3.5.6. Monitoramento Temporal da Soja ........................................................117
CAPÍTULO 4 .................................................................................................. 119
RESULTADOS E DISCUSSÃO ..................................................................... 119
4.1. Estimativa de Área Plantada ...................................................................119
4.1.1. Estimativa Via Mapeamento das Imagens Landsat - Ano-safra
2000/01 ..................................................................................................119
4.1.1.1. Mapeamento das Imagens Landsat ..................................................119
4.1.1.2. Estimativa da Área Plantada por Município - Ano-safra 2000/01 ......124
4.1.2. Estimativa Via Método de Amostragem por Segmentos das Imagens
Landsat - Ano-safra 2000/01. .................................................................130
4.1.3. Estimativa Via Método de Amostragem por Segmentos das Imagens
Landsat - Ano-safra 2001/02. .................................................................138
4.2. Estimativa da Produtividade ....................................................................141
4.2.1. Geração do Mapa da Capacidade de Armazenamento de Água no
Solo (CAD) .............................................................................................141
4.2.2. Seleção do Componente Espectral e do Período a Ser Monitorado ....142
4.2.3. Correção nos Dados Oficiais de Produtividade ....................................143
4.2.4. Desempenho dos Modelos de Estimativa de Produtividade.................144
4.2.5. Estimativa da Produção........................................................................153
4.2.6. Monitoramento da Soja ........................................................................154
4.2.7. Sobre o Desenvolvimento do Sistema de Estimativa de Safras...........161
CAPÍTULO 5 .................................................................................................. 167
CONCLUSÕES.............................................................................................. 167
REFERÊNCIAS BIBLIOGRÁFICAS.............................................................. 169
APÊNDICE A - DADOS DE ÁREA PLANTADA – MAPEAMENT0...............181
APÊNDICE B - DADOS DE ÁREA PLANTADA – AMOSTRAGEM..............189
APÊNDICE C - DADOS DE PRODUTIVIDADE .............................................193
LISTA DE FIGURAS
Pág.
2.1 - Distribuição da Produção de Soja no Mundo, Ano-Safra 2003/04. .........38
2.2 - Área Plantada (mil ha), Produtividade Média (kg ha-1) e Produção
(mil ton.) Referentes à Cultura da Soja para o Ano-Safra 2002/03
nos Principais Estados Produtores. .......................................................39
2.3 - Porcentagem da Área Plantada com Soja por Município Referente
ao Ano-Safra 2000/01............................................................................41
2.4 - Índice de Perda de Potencial de Produtividade da Soja por
Deficiência Hídrica (Escala Relativa 0 - 1, Valores Iguais ou
Menores, com Probabilidade de 80%), no Rio Grande do Sul, para
Cultivares de Ciclo Médio Semeadas em 15 de Novembro...................42
2.5 - Zoneamento Agroclimático para a Cultura da Soja no Rio Grande do
Sul. ........................................................................................................45
2.6 - Curva da Transmitância Atmosférica. .....................................................48
2.7 - Resposta Espectral Típica de uma Folha Fotossinteticamente Ativa......58
2.8 - Curvas da Reflectância Espectral Obtidas em Folhas de Milho com
Diferentes Conteúdos de Água e Pigmentos Fotossintetizantes. ..........59
2.9 - Fator de Reflectância de Folhas de Milho Sobrepostas. .........................60
2.10 - Fator de Reflectância para Dosséis Planófilos e Erectófilos. ................61
2.11 - Resposta Espectral de 5 Amostras de Solo em Função do Teor de
Matéria Orgânica, Textura e Teor de Óxido de Ferro. ...........................63
2.12 - Espalhamento da REM Provocada pela Rugosidade Superficial do
Solo. ......................................................................................................64
2.13 - Relações Entre NDVI e IAF para a Cultura do Trigo. ............................69
2.14 - Evolução Temporal do NDVI Máximo Mensal de Regiões de Soja
no Estado do io Grande do Sul, Ano-Safra 1999/00..............................70
3.1 - Interface do Modelo AGROMET. ............................................................93
3.2 - Área de Estudo e a Respectiva Localização Geográfica.........................96
3.3 - Fluxograma das Principais Etapas que Envolveram a Metodologia
do Trabalho............................................................................................98
3.4 - Distribuição Espacial das Estações Meteorológicas Utilizadas na
Estimativa da Produtividade da Soja no Rio Grande do Sul. ...............108
3.5 - Imagens IAF do Sensor MODIS da 4a Semana de Fevereiro e 1a
Semana de Abril de 2001 e o Mapa Temático da Classificação das
Imagens Landsat. ................................................................................110
4.1 - Classe Temática Soja (Verde) Sobreposta à Imagem Landsat,
Composição Colorida RGB453 e os Erros da Classificação por
Omissão. .............................................................................................120
4.2 - Classe Temática Não-soja (azul) Sobreposta à Imagem Landsat,
Composição Colorida RGB453 e os Erros da Classificação por
Inclusão. ..............................................................................................120
4.3 - Imagem Landsat, Composição Colorida RGB453, Adquirida em 04-
03-2001, Onde se Evidenciam as Áreas com Soja..............................121
4.4 - Comportamento Espectral das Culturas Soja (1) e Milho (2) na
Imagem, Composição Colorida RGB453, de 08-02-2001....................122
4.5 - Composição Colorida RGB453 de Áreas com Soja em Imagens
Adquiridas em: a) 08-02-2001 e b) 04-03-2001. ..................................123
4.6 - Composição Colorida RGB453 de Áreas com Soja em Imagens
Adquiridas em: a) 08-02-2001 e b) 04-03-2001. ..................................124
4.7 - Mapa Temático Referente ao Mapeamento das Áreas com Soja e a
Divisão Política Municipal Referente ao Ano-safra 2001. ....................125
4.8 - Diferença (ha), em Nível Municipal, Entre a Estimativa de Área
Plantada Obtida pela Classificação das Imagens Landsat e a
Estimativa Oficial Fornecida pelo LSPA no Ano-safra 2000/01. ..........129
4.9 - Estratos Correspondentes à Porcentagem de Área Plantada com
Soja por Município no Ano-safra 2000/01............................................130
4.10 - Divisão de Parte da Área de Estudo em Segmentos Regulares de
1 x 1 km (Unidades Amostrais)............................................................131
4.11 - Estratos Correspondentes à Porcentagem de Área Plantada com
Soja em Relação à Área do Município e Exemplo de Um Sorteio
com 530 Amostras, no Ano-safra 2000/01. .........................................132
4.12 - Diferenças Percentuais da Estimativa Amostral em Relação ao
Mapeamento das Imagens Landsat e Coeficientes de Variação
Correspondentes aos 100 Sorteios Realizados para o Conjunto
Amostral 1 (67 amostras). ...................................................................133
4.13 - Diferenças Percentuais da Estimativa Amostral em Relação ao
Mapeamento das Imagens Landsat e Coeficientes de Variação
Correspondentes aos 100 Sorteios Realizados para o Conjunto
Amostral 2 (133 amostras)...................................................................133
4.14 - Diferenças Percentuais da Estimativa Amostral em Relação ao
Mapeamento das Imagens Landsat e Coeficientes de Variação
Correspondentes aos 100 Sorteios Realizados para o Conjunto
Amostral 3 (265 amostras)...................................................................134
4.15 - Diferenças Percentuais da Estimativa Amostral em Relação ao
Mapeamento das Imagens Landsat e Coeficientes de Variação
Correspondentes aos 100 Sorteios Realizados para o Conjunto
Amostral 4 (530 amostras)...................................................................134
4.16 - Coeficientes de Variação Correspondentes aos 100 Sorteios
Realizados para os Conjuntos Amostrais 1 a 4. ..................................137
4.17 - Mapa Referente à Capacidade de Armazenamento de Água dos
Solos da Área de Estudo. ....................................................................141
4.18 - Perfil Temporal dos Índices de Vegetação EVI e NDVI do Sensor
MODIS para a Média das Áreas com Soja e Não-soja Durante o
Ano-safra 2000/01 e o Período Selecionado para a Estimativa da
Produtividade pelo Modelo AGROMET. ..............................................142
4.19 - Produtividade (kg ha-1) Estimada pelos Modelos Agrometeorológico
e Agrometeorológico-espectral e a produtividade corrigida em
função da área plantada para a Cultura da Soja no Rio Grande do
Sul, para os Anos-safra de 2000/01 a 2002/03....................................145
4.20 - Mapa Temático Referente à Produtividade da Soja Estimada pelo
Modelo Agrometeorológico, Ano-safra 2000/01...................................149
4.21 - Mapa Temático Referente à Produtividade da Soja Estimada pelo
Modelo Agrometeorológico-espectral, Ano-safra 2000/01...................149
4.22 - Mapa Temático Referente à Produtividade da Soja Estimada pelo
Modelo Agrometeorológico, Ano-safra 2001/02...................................150
4.23 - Mapa Temático Referente à Produtividade da Soja Estimada pelo
Modelo Agrometeorológico-espectral, Ano-safra 2001/02...................150
4.24 - Mapa Temático Referente à Produtividade da Soja Estimada pelo
Modelo Agrometeorológico, Ano-safra 2002/03...................................151
4.25 - Mapa Temático Referente à Produtividade da Soja Estimada pelo
Modelo Agrometeorológico-espectral, Ano-safra 2002/03...................151
4.26 - Produtividade Acumulada (kg ha-1) Estimada pelo Modelo
Agrometeorológico-espectral para a Cultura da Soja no Rio Grande
do Sul, para os Anos-safra de 2000/01 a 2002/03...............................155
4.27 - Índice de Penalização Estimado para a Cultura da Soja no Rio
Grande do Sul, para os Anos-safra de 2000/01 a 2002/03..................157
4.28 - Índices de Penalização Quinzenal para a Cultura da Soja, Ano-
safra 2000/01.......................................................................................158
4.30 - Índices de Penalização Quinzenal para a Cultura da Soja, Ano-
safra 2002/03.......................................................................................160
4.34 - Fluxograma do Sistema de Estimativa da Produção da Cultura da
Soja no Rio Grande do Sul. .................................................................165
LISTA DE TABELAS
Pág.
2.1 - Evolução da Área Plantada, Produtividade e Produção da Soja no
Rio Grande do Sul Entre os Anos-Safra 1995/96 e 2002/03. ................40
2.2 - Características dos Sistemas Sensores TM e ETM+. .............................53
2.3 - Características do Sistema Sensor MODIS. ...........................................54
3.1 - Imagens Landsat Utilizadas na Estimativa de Área Plantada com
Soja no Ano-safra 2000/01. ...................................................................99
3.2 - Número de Subamostras Distribuídas por Estrato em Cada Conjunto
Amostral. .............................................................................................103
3.3 - Imagens Landsat Utilizadas na Estimativa de Área Plantada com a
Cultura da Soja no Ano-safra 2001/02.................................................105
3.4 - Localização das Estações Meteorológicas Utilizadas na Estimativa
da Produtividade da Soja no Rio Grande do Sul. ................................107
3.5 - Capacidade de Armazenamento de Água (CAD) para as Diferentes
Classes de Solo...................................................................................109
3.6 - Período Utilizado nas Composições de Imagens MODIS e as
Quinzenas Correspondentes. ..............................................................112
3.7 - Coeficiente de Cultura (kc), Fator de Resposta à Produtividade (ky)
e Profundidade do Sistema Radicular (D), Estimados para a Cultura
da Soja e Utilizados no Modelo de Produtividade................................114
3.8 - Índices de Área Foliar (IAF) Estimados para a Cultura da Soja,
Utilizados no Modelo de Produtividade................................................116
4.1 - Área Plantada com a Cultura da Soja Fornecida pelo LSPA em
Comparação à Obtida Através da Classificação das Imagens
Landsat para o Ano-safra 2000/01. .....................................................126
4.2 - Área Plantada com a Cultura da Soja Fornecida pelo LSPA em
Comparação à Obtida Através da Classificação das Iimagens
Landsat, para os Diferentes Estratos, no Ano-safra 2000/01. .............128
4.3 - Área Plantada com a Cultura da Soja Estimada Através do Método
de Amostragem nas Imagens Landsat para o Ano-safra 2000/01.......135
4.4 - Variação das Diferenças e dos CVs e Média das Diferenças e dos
CVs para os 100 Sorteios nos Diferentes Conjuntos Amostrais das
Estimativas de Área Plantada Através do Método de Amostragem
nas Imagens Landsat para o Ano-safra 2000/01. ................................138
4.5 - Área Plantada com a Cultura da Soja Estimada pelo Método de
Amostragem Sobre as Imagens Landsat Referentes ao Ano-safra
2001/02 e os Respectivos Incrementos em Relação ao Ano-safra
2000/01................................................................................................139
4.6 - Produção, Área Plantada e Produtividade, Estimados pelo LSPA,
Área Plantada Estimada Através das Imagens Landsat e
Produtividade Corrigida em Função da Produção, para a Cultura da
Soja no Rio Grande do Sul. .................................................................144
4.7 - Produtividade Estimada pelos Modelos Agrometeorológico-espectral
e Agrometeorológico, em Comparação à produtividade corrigida,
para a Cultura da Soja no Rio Grande do Sul, Anos-safra de
2000/01 a 2002/03..............................................................................145
4.8 - Área Plantada, Produtividade e Produção, Estimados pelo Presente
Estudo em Comparação à Produção Estimada pelo LSPA, para a
Cultura da Soja no Rio Grande do Sul.................................................154
A.1 - Área Plantada com a Cultura da Soja Obtida Através da
Classificação das Imagens Landsat em Comparação à Obtida pelo
LSPA. ..................................................................................................181
B.1 - Área Plantada com a Cultura da Soja Obtida Através do Método dos
Segmentos nas Imagens Landsat para o Ano-safra 2000/01,
Conjuntos Amostrais 1 e 2...................................................................189
B.2 - Área Plantada com a Cultura da Soja Obtida Através do Método dos
Segmentos nas Imagens Landsat para o Ano-safra 2000/01,
Conjuntos Amostrais 3 e 4...................................................................191
C.1 - Produtividade Estimada pelos Modelos Agrometeorológico (MA) e
Agrometeorológico-espectral (MAE) em Comparação à Estimada
pelo LSPA e Corrigida em Função da Área Plantada, para a Cultura
da Soja no Rio Grande do Sul, Ano-safra 2000/01..............................193
C.2 - Produtividade Estimada pelos Modelos Agrometeorológico (MA) e
Agrometeorológico-espectral (MAE) em Comparação à Estimada
pelo LSPA e Corrigida em Função da Área Plantada, para a Cultura
da Soja no Rio Grande do Sul, Ano-safra 2001/02..............................201
C.3 - Produtividade Estimada pelos Modelos Agrometeorológico (MA) e
Agrometeorológico-espectral (MAE) em Comparação à Estimada
pelo LSPA e Corrigida em Função da Área Plantada, para a Cultura
da Soja no Rio Grande do Sul, Ano-safra 2002/03..............................208
LISTA DE SIGLAS E ABREVIATURAS
ASCII - American Standard Code for Information Interchange
AVHRR - Advanced Very High Resolution Radiometer
CAD - Capacidade de Armazenamento de Água
CAP - Common Agricultural Policy
CASS - Computer Aided Stratification and Sampling
CE - Comunidade Européia
Cfa - Clima quente, úmido e sem estiagem. A temperatura média do mês mais frio é inferior a 18ºC e, a do mês mais quente, superior a 22ºC
Cfb - Clima temperado, úmido e sem estiagem. Difere do Cfa, apenas no que se refere à temperatura do mês mais quente, a qual limita-se em 22ºC
CGMS - Crop Growth Monitoring System
CV - Coeficiente de Variação
D - Profundidade do Sistema Radicular
DERAL - Departamento de Economia Rural
DPI - Divisão de Processamento de Imagens
EAGGF - Fundo Europeu de Orientação e Garantia Agrícola
EMATER - Empresa de Assistência Técnica e Extensão Rural
ETM+ - Enhanced Thematic Mapper Plus
EVI - Enhanced Vegetation Index
FAO - Food and Agriculture Organization of the United Nations
Fc - Fator de Cobertura do solo
FEPAGRO - Fundação Estadual de Pesquisa Agropecuária
FEPAM - Fundação Estadual de Proteção Ambiental
FPA - Fator de Produtividade Agrícola
Geo-TIFF - Georeferenced Tag Image File Format
GPS - Global Positioning System / Sistema de Posicionamento Global
HRV - High Resolution Visible
HDF - Hierarchical Data Format
IBGE - Instituto Brasileiro de Geografia e Estatística
IAF - Índice de Área Foliar
ICMS - Imposto sobre Circulação de Mercadorias e Serviços
INPE - Instituto Nacional de Pesquisas Espaciais
INMET - Instituto Nacional de Meteorologia
IP - Índice de Penalização
IV - Índice de Vegetação
kc - Coeficiente de cultura
ky - Fator de resposta à produtividade
LANDSAT - Land Satellite
LEGAL - Linguagem Espacial para Geoprocessamento Algébrico
LSPA - Levantamento Sistemático da Produção Agrícola
MARS - Monitoring Agriculture through Remote Sensing techniques
MODIS - Moderate Resolution Imaging Spectroradiometer
N - Norte - orientação geográfica
NASA - National Aeronautics and Space Administration
NASS - National Agricultural Statistics Service
NC - Nível de Cinza
NDVI - Normalized Difference Vegetation Index
NOAA - National Oceanic and Atmospheric Administration
PI - Plano de Informação
Pixel - Picture Element
PREVS - Pesquisa Objetiva de Previsão de Safras
S - Sul - orientação geográfica
SEAB - Secretaria de Estado da Agricultura e do Abastecimento do Paraná
SIG - Sistema de Informação Geográfica
SPRING - Sistema de Processamento de Informações Georeferenciadas
SR - Sensoriamento Remoto
TM - Thematic Mapper
USDA - United States Department of Agriculture
W - Oeste - orientação geográfica
31
CAPÍTULO 1
INTRODUÇÃO
O setor agropecuário brasileiro tem ampliado substancialmente sua
participação nas exportações do país, tendo gerado uma receita cambial em
torno de US$ 29,5 bilhões em 2003, o que representou aproximadamente 29%
das vendas brasileiras ao exterior. Esse setor é o principal responsável pelo
superávit da balança comercial nos últimos anos, minimizando os
desequilíbrios externos da economia e atestando sua competitividade na
geração de divisas para o País (CNA, 2003).
Especificamente no caso da soja, o Brasil tornou-se em 2003 o maior
exportador mundial desta commodity, superando os Estados Unidos (USDA,
2003). Ainda em 2003, as vendas brasileiras do complexo soja (segmentos de
grãos, farelo e óleo) alcançaram US$ 8,1 bilhões contra US$ 6,3 bilhões do ano
anterior, o que correspondeu a 12% do total das exportações (CNA, 2003).
Somente no Rio Grande do Sul, a soja representou, no ano-safra 2002/03,
cerca de 8% do total de grãos produzidos no país, sendo a cultura agrícola de
maior importância no Estado.
Dada a importância do agronegócio para a economia do país, ações
governamentais para o controle eficiente das importações e exportações dos
produtos agrícolas, tanto em relação à balança comercial, quanto ao adequado
abastecimento do mercado interno, exigem informações constantes sobre a
produção final desses produtos. Tais informações são também relevantes para
direcionar financiamentos da produção e para que o produtor possa tomar
decisões referentes ao plantio e à comercialização. No município, são
utilizadas como base para o cálculo da distribuição dos recursos do Imposto
sobre Circulação de Mercadorias e Serviços (ICMS) e para quantificar
indenizações federais por avarias climáticas que tenham afetado
significativamente a produção agrícola.
32
No Brasil, as previsões de safras agrícolas de abrangência nacional ou regional
atualmente operacionais são realizadas utilizando informações municipais
obtidas através de um sistema de levantamento subjetivo, baseado em
opiniões de agentes técnicos e econômicos relacionados ao setor (Sano et al.,
1998). Esse sistema, denominado Levantamento Sistemático da Produção
Agrícola (LSPA), fornece mensalmente informações referentes à estimativa de
área plantada, produtividade média e produção de diversas culturas, a partir da
fase de intenção de plantio até o final da colheita (IBGE, 2003). Contudo, em
função do seu caráter subjetivo, essas informações não permitem uma análise
quantitativa dos erros envolvidos, além de serem passíveis de manipulação. Da
mesma forma, sua análise não permite a detecção de variações sutis que
ocorrem ao longo do tempo, interessantes para o mercado (Pino, 2001a).
Em adição, a grande extensão territorial brasileira, aliada à dinâmica espaço-
temporal da atividade agrícola, torna difícil a obtenção de informações
atualizadas e confiáveis sobre este setor da economia. Por outro lado, a
utilização das chamadas geotecnologias, que envolvem imagens de
sensoriamento remoto, Sistemas de Informações Geográficas (SIGs) e
Sistemas de Posicionamento Global (GPS), podem auxiliar na obtenção dessas
informações de forma mais rápida, precisa e com menor custo, quando
comparadas às geradas pelas técnicas subjetivas tradicionalmente utilizadas
(Pino, 2001b).
Assim, pesquisadores brasileiros têm concentrado esforços com o intuito de
desenvolver metodologias que possibilitem a incorporação das geotecnologias
nos atuais sistemas de levantamentos de safras agrícolas, seja na estimativa
da área plantada, seja na estimativa da produtividade agrícola, variáveis
essenciais para se estimar a produção final de uma cultura.
Pesquisas relacionadas à identificação de culturas, bem como à medição da
área por elas ocupadas, estão concentradas principalmente na classificação de
imagens adquiridas por sensores ópticos de média resolução espacial a bordo
dos satélites da série Landsat, tendo como auxílio informações obtidas a
33
campo (Medeiros et al., 1996; Ippoliti-Ramilo et al., 2003) e amparadas por
sistemas de amostragem (Adami, 2003; Luiz, 2003). Já as pesquisas
envolvendo estimativa da produtividade agrícola vêm sendo desenvolvidas
utilizando dados agrometeorológicos, associados ou não, às imagens de
sensoriamento remoto, através de modelos matemáticos (Rudorff e Batista,
1990, 1991; Fontana e Berlato, 1998), passíveis de serem integrados aos SIGs
(Berka et al., 2003; Melo et al., 2003).
1.1. Justificativa
O principal entrave para a utilização das imagens de sensoriamento remoto
óptico na identificação e medição de áreas agrícolas e, conseqüentemente, em
um sistema rotineiro de levantamento de safras é a baixa freqüência com que
as imagens são adquiridas, aliado à intensa cobertura de nuvens por ocasião
da safra agrícola. Tais fatores têm restringido o uso dessas imagens a
pequenas áreas, tendo-se poucos estudos envolvendo áreas maiores, ou em
nível nacional (Mendonça,1986; Fontana et al., 2001).
Todavia, o funcionamento simultâneo dos satélites Landsat 5 e 7, no período
correspondente aos anos-safra de 1999/00 a 2001/02, possibilitou a obtenção
de imagens livres de nuvens durante o período considerado ideal à
separabilidade espectral da cultura da soja dos demais alvos.
Quanto à estimativa da produtividade agrícola, para que os modelos possam
gerar prognósticos em grandes áreas, viabilizando sua aplicação em sistemas
de levantamento agrícola em escala estadual ou nacional, é fundamental sua
associação aos SIGs. Berka et al. (2003) propõem um modelo
agrometeorológico para estimativa da produtividade da soja no Paraná, o qual
foi implementado em uma linguagem de programação e integrado a um SIG.
Esse modelo pode ser adaptado para qualquer região ou período de
abrangência, pela substituição das variáveis de entrada (dados
agrometeorológicos).
34
Além disto, o lançamento do sensor MODIS, em 1999, que adquire imagens
com características muito superiores às adquiridas pelos sensores da série
NOAA/AVHRR, até então utilizadas neste tipo de pesquisa (Liu e Kogan, 2002;
Melo et al., 2003), abre novas possibilidades para a incorporação dos dados de
sensoriamento remoto em modelos agronômicos de estimativa de
produtividade.
Outro aspecto inerente a esses modelos é que sua validação está atrelada aos
dados oficiais históricos de produtividade. Estes, entretanto, são estimados em
função da produção contabilizada em cada município e de sua área plantada,
subjetivamente estimada por ocasião da semeadura da cultura. Por
conseguinte, qualquer erro na estimativa da área plantada implica,
invariavelmente, em erros na estimativa da produtividade, o que compromete a
validação desses modelos. O presente trabalho pretende também dar uma
contribuição neste sentido, pois uma vez conhecida a real área plantada com a
cultura, sua produtividade final pode ser recalculada através da produção total.
Contudo, apesar dos esforços despendidos e do crescente aumento da
disponibilidade de imagens de sensoriamento remoto, bem como do avanço
em relação aos SIGs, ainda não foi estabelecida uma metodologia eficiente e
operacional capaz de fornecer estatísticas agrícolas baseadas,
fundamentalmente, em geotecnologias.
35
1.2. Hipótese Os recentes avanços geotecnológicos permitem o desenvolvimento de um
sistema objetivo e operacional de estimativa da produção da cultura da soja,
capaz de dar suporte ao atual sistema de levantamento de safras agrícolas.
Visando testar a hipótese, é objetivo deste trabalho desenvolver um sistema
para estimativa da produção da cultura da soja através da utilização de
geotecnologias e testá-lo no Estado do Rio Grande do Sul.
Para tal, foram definidos os seguintes objetivos específicos:
Estimar a área plantada com soja, em nível municipal e estadual, para o
ano-safra 2000/01, com base na classificação e interpretação de imagens
adquiridas pelos sensores TM e ETM+;
avaliar a metodologia proposta por Adami (2003) na estimativa da área
plantada com soja, em nível estadual, para os anos-safra 2000/01 e
2001/02;
adaptar o modelo de produtividade implementado por Berka et al. (2003)
às condições agrometeorológicas do Rio Grande do Sul, visando à
estimativa da produtividade da soja, em nível municipal e estadual, nos
anos-safra de 2000/01 a 2002/03;
verificar o potencial de utilização do produto Índice de Área foliar (IAF)
gerado a partir das imagens adquiridas pelo sensor MODIS como variável
espectral no modelo de estimativa da produtividade da soja;
comparar os dados de área plantada e produtividade, estimados a partir
da metodologia proposta, com os dados oficiais fornecidos pelo LSPA.
36
37
CAPÍTULO 2
FUNDAMENTAÇÃO TEÓRICA
2.1. Cultura da Soja
2.1.1. Histórico
Embora diferentes autores discordem quanto ao local específico de onde a soja
(Glicine max (L.) Merrill) cultivada surgiu, todos concordam que sua região de
origem seja o sudeste da Ásia. No Brasil, a soja foi introduzida na Bahia por
Gustavo D’Utra, em 1882, com sementes trazidas dos Estados Unidos (Costa,
1996). Dez anos mais tarde, novas variedades foram introduzidas e testadas
no Estado de São Paulo (Dall´Agnol, 2004). Entretanto, os primeiros relatos do
seu cultivo comercial datam de 1924, no Rio Grande do Sul. O ano de 1936
marcou o início da expansão da cultura no Estado e, em 1941, a soja aparecia
pela primeira vez nas estatísticas agrícolas oficiais. A partir da segunda metade
da década de 60 a área plantada com a cultura aumentou consideravelmente,
fato que se deveu, em grande parte, ao imediato aproveitamento da infra-
estrutura utilizada no cultivo do trigo, que permanecia ociosa no período de
estação quente, e à boa adaptação dos cultivares originários do sul dos
Estados Unidos (Embrapa, 1981; Costa, 1996). No início dos anos 70, o
Paraná tornou-se grande produtor e a partir de 1980 ocorreu a expansão para
a região Centro-Oeste do país, caracterizada por condições edáficas e
climáticas privilegiadas.
2.1.2. Panorama Mundial e Nacional
Com a expansão da fronteira agrícola o Brasil aumentou consideravelmente
sua participação no mercado internacional, possuindo atualmente a condição
de segundo maior produtor mundial, com a produção do ano-safra 2002/03
totalizando em torno de 52 milhões de toneladas (CONAB, 2003), o que
representa aproximadamente 42% da produção de grãos do país. Outrossim,
entre os países produtores, o Brasil é o que dispõe da maior fronteira para
38
expansão da área plantada, que ultrapassou no ano-safra 2002/03 os 18
milhões de hectares. Segundo Nakasu (2002), estima-se que o país possua
uma área agrícola potencial de aproximadamente 150 milhões de hectares, dos
quais pouco mais de um terço está ocupado com agricultura. Isto demonstra a
tendência de expansão na área cultivada com soja e outras culturas, que
deverá se concentrar nos estados das regiões Norte, Nordeste e,
principalmente, Centro-Oeste. Na Figura 2.1 observa-se a distribuição da
produção de soja entre os principais países produtores.
FIGURA 2.1 - Distribuição da Produção de Soja no Mundo, Ano-Safra 2003/04. FONTE: Adaptada de USDA (2004).
No âmbito regional, o Rio Grande do Sul ocupa a terceira posição entre os
estados brasileiros com maior área plantada com esta oleaginosa, que
ultrapassou no ano-safra 2002/03, os 3,5 milhões de hectares (Tabela 2.1). Até
o final dos anos 60 o Estado detinha em torno de 90% da produção brasileira.
Atualmente, participa com 18,5% da produção nacional, que representou 9,63
milhões de toneladas no ano-safra 2002/03. Na Figura 2.2 observa-se a área
plantada, produtividade média e produção, referentes à cultura da soja nos
principais estados produtores.
Estados Unidos 34 %
Argentina 18,1 %
Brasil29 %
Outros 10,5 %China
8,4%
39
0
2.000
4.000
6.000
8.000
10.000
12.000
14.000
MT PR RS GO MS MG BA SP MA SC
Área (mil ha)Produtividade (kg.ha )Produção (mil ton.)
FIGURA 2.2 - Área Plantada (mil ha), Produtividade Média (kg ha-1) e Produção (mil ton.) Referentes à Cultura da Soja para o Ano-Safra 2002/03 nos Principais Estados Produtores. FONTE: Adaptada de CONAB (2003).
Ao analisar a Tabela 2.1 percebe-se que até o ano-safra 2000/01 o Rio Grande
do Sul praticamente não alterou a área plantada com a cultura. O incremento
observado nas safras subseqüentes foi devido, principalmente, ao
favorecimento que a cultura obteve junto ao mercado internacional e às
características intrínsecas à soja geneticamente modificada, que foi
rapidamente introduzida no Estado, devido à facilidade de manejo e à
diminuição dos custos de produção, fatos que incentivaram o plantio em
regiões até então consideradas pouco adequadas ao seu cultivo. Por outro
lado, a produtividade média vem oscilando consideravelmente, em virtude,
principalmente, das oscilações no regime pluviométrico, fortemente
influenciado pela ocorrência de fenômenos climáticos globais, como “El Niño” e
“La Niña” (Berlato e Fontana, 1999). Matzenauer et al. (2003) reportam que na
quase totalidade dos anos ocorre déficit hídrico para a cultura da soja no
-1
40
Estado, sendo que praticamente a totalidade das lavouras é conduzida sem
suprimento hídrico adicional.
TABELA 2.1 - Evolução da Área Plantada, Produtividade e Produção da Soja no Rio Grande do Sul Entre os Anos-Safra 1995/96 e 2002/03.
Ano-safra Área plantada (ha) Produtividade (kg ha-1) Produção (ton.)
1995/96 2.763.912 1.565 4.326.560
1996/97 2.946.275 1.619 4.770.629
1997/98 3.163.429 2.088 6.605.743
1998/99 3.045.072 1.459 4.443.999
1999/00 3.004.815 1.593 4.786.029
2000/01 2.965.010 2.339 6.935.552
2001/02 3.295.342 1.703 5.610.511
2002/03 3.593.700 2.680 9.631.100
FONTE: Adaptada de EMATER/RS (2003).
Apesar disso, as condições climáticas e edáficas são consideradas favoráveis
para o cultivo da soja no Rio Grande do Sul, o qual se concentra nas porções
norte e noroeste do Estado (Figura 2.3). Estas regiões respondem por cerca de
90% da produção gaúcha, podendo, portanto, ser utilizada como estimadora da
produção total do Rio Grande do Sul. Além da soja, a única cultura de verão
em evidência é o milho, sendo que a escolha pelo plantio deste ou da soja é
definida pelas especulações em relação ao preço final pago ao agricultor por
ocasião da próxima colheita e, em menor importância, pelas previsões sobre o
regime pluviométrico.
41
FIGURA 2.3 - Porcentagem da Área Plantada com Soja por Município Referente ao Ano-Safra 2000/01. FONTE: Adaptada de EMATER/RS, (2003).
2.1.3. Exigências Climáticas
Segundo Farias et al. (2000), a disponibilidade hídrica, o fotoperíodo e a
temperatura são os fatores que mais afetam o desenvolvimento e a
produtividade da soja. A necessidade de água durante todo o ciclo fenológico
varia entre 450 e 800 mm, dependendo das condições climáticas, do manejo
da cultura e da duração do ciclo. Os períodos mais críticos em relação à
disponibilidade hídrica são os que correspondem à germinação/emergência e à
floração/enchimento de grãos. Durante o primeiro período, tanto o excesso,
quanto a escassez de água são prejudiciais à obtenção de uma boa
uniformidade na população de plantas. No segundo período, o estresse hídrico
expressivo, aliado à baixa umidade relativa do ar, pode provocar queda das
42
flores, vagens e folhas, além de acelerar a senescência da planta, reduzindo a
fase destinada ao enchimento de grãos e, conseqüentemente, a produtividade
(Sediyama et al., 1996).
Apesar disso, segundo o estudo realizado por Cunha et al. (1999), a
disponibilidade hídrica é uma variável que limita a expressão da produtividade
potencial da soja no Rio Grande do Sul, independente do ciclo do cultivar, da
época de semeadura e do local. Os autores afirmam, ainda, que há
variabilidade entre as regiões, existindo aquelas onde a magnitude da perda de
produtividade potencial por déficit hídrico é maior. A Figura 2.4 apresenta um
índice de perda de potencial de produtividade da soja por deficiência hídrica no
Rio Grande do Sul para cultivares de ciclo médio semeadas em 15 de
novembro.
FIGURA 2.4 - Índice de Perda de Potencial de Produtividade da Soja por Deficiência Hídrica (Escala Relativa 0 - 1, Valores Iguais ou Menores, com Probabilidade de 80%), no Rio Grande do Sul, para Cultivares de Ciclo Médio Semeadas em 15 de Novembro. FONTE: Adaptada de Cunha et al. (1999).
Área de estudo
43
Além do regime hídrico, outro fator que interfere no desenvolvimento da soja é
o comprimento do dia ou fotoperíodo. Em virtude de ser uma planta de dias
curtos, a soja só tem sua floração induzida quando o fotoperíodo é menor que
um comprimento crítico. Devido ao fotoperíodo crítico ser constante para um
mesmo cultivar, a planta sofre modificações no crescimento e desenvolvimento
quando semeada em latitudes diferentes da qual está adaptada ou em
diferentes épocas de semeadura para uma mesma latitude. Ainda assim, as
exigências fotoperiódicas de um cultivar estão intimamente relacionadas às
exigências térmicas, ou seja, um cultivar exigente em fotoperíodo curto também
será exigente em somas térmicas. Portanto, os cultivares com menor
fotoperíodo crítico (de ciclo tardio) exigem maior quantidade de somas térmicas
(Costa, 1996).
As temperaturas mais apropriadas para o crescimento e desenvolvimento da
soja estão entre 20 e 30oC. Temperaturas do solo entre 24 e 30oC são
necessárias para promover a germinação e favorecer a emergência dos
cotilédones, bem como para promover a fixação simbiótica do nitrogênio
atmosférico. Nos estádios vegetativos e reprodutivos, temperaturas abaixo de
10 ou acima de 40oC promovem efeitos adversos à cultura, pois além de
diminuírem a taxa de crescimento, provocam estragos na floração e diminuição
na capacidade de retenção das vagens (Farias et al., 2000).
2.1.4. Ciclo Fenológico
Dependendo da exigência fotoperiódica, o ciclo fenológico da cultura pode
variar, da germinação até a maturação completa, de 75 a 200 dias,
aproximadamente (Sediyama et al., 1996). No Rio Grande do Sul, os cultivares
recomendados para semeadura são agrupados em: precoce (até 126 a 132
dias), semiprecoce (129 a 138 dias), médio (133 a 142 dias), semitardio (145
dias) e tardio (145 a 150 dias). Entretanto, a maioria dos cultivares registrados
no Estado está classificada como ciclo médio e semiprecoce (Costa, 2002).
44
A germinação da semente de soja é induzida após absorver aproximadamente
50% do seu volume em água. A emergência da plântula ocorre entre 4 e 10
dias após a semeadura, dependendo das condições de umidade, temperatura
e profundidade de semeadura (Berlato, 1987; Menosso, 2000). O período
vegetativo se estende até a formação da terceira à quinta folha trifoliolada (40 a
70 dias), quando a planta está apta a receber a indução floral. O período de
floração pode variar de 7 a 15 dias, quando se inicia o crescimento do fruto. A
maturação fisiológica dos grãos ocorre de 40 a 70 dias após o final da floração
(Costa, 1996; UFSM, 1996).
2.1.5. Zoneamento Agroclimático
De acordo com Costa (1996), o zoneamento agroclimático da soja para o Rio
Grande do Sul foi realizado em função da temperatura, da disponibilidade
hídrica e do fotoperíodo. Para a definição da aptidão térmica foi considerada a
soma de temperaturas acima de 15 oC para o mês de janeiro, o mais quente do
ano. Assim, foram definidas regiões geográficas em função do seguinte critério:
< 150°C, insuficiência térmica; entre 150 e 200°C, pouca disponibilidade
térmica; > 200 °C, boa disponibilidade térmica.
Com relação à disponibilidade hídrica, foi considerada a porcentagem de anos
com 50 mm ou mais de deficiência hídrica durante os meses de janeiro e
fevereiro (período de início da floração e enchimento dos grãos). As regiões
geográficas foram definidas de acordo com o seguinte critério: muito boa <
20%; boa 20 - 33%; moderada 33 - 50%; inapta > 50%.
No Rio Grande do Sul, a época recomendada para a semeadura da soja se
estende de 10 de outubro a 20 de dezembro, embora o período preferencial
seja o mês de novembro. Como conseqüência, a colheita inicia em meados de
março, findando no início de maio. A Figura 2.5 mostra o zoneamento
agroclimático para a cultura da soja no Rio Grande do Sul. Atualmente,
baseado nesses critérios e na disponibilidade fotoperiódica, o zoneamento
45
agroclimático fornece a época de semeadura preferencial e tolerada para cada
município, de acordo com a metodologia descrita em Cunha et al. (2001).
FIGURA 2.5 - Zoneamento Agroclimático para a Cultura da Soja no Rio Grande do Sul. FONTE: Adaptada de Costa (1996, p. 32, 34 e 36).
2.2. Geoprocessamento e Sistemas de Informações Geográficas Segundo Câmara e Davis (2001), geoprocessamento é a disciplina do
conhecimento que utiliza técnicas matemáticas e computacionais para o
tratamento da informação geográfica. As aplicações de geoprocessamento em
SIGs envolvem dois grupos de dados espaciais: geo-campos e geo-objetos
(Goodchild, 1992).
Os geo-campos são variações espaciais contínuas usadas para representar
dados distribuídos espacialmente (Câmara, 1995), tais como mapas de solo e
dados meteorológicos espacializados. Os geo-campos não possuem
46
identificação e nem podem ser individualizados. Por conseguinte, sua
representação gráfica, resultante de uma classificação com base em alguns
atributos, é tratada apenas como pertencente a certa classe que a descreve.
Os geo-campos correspondem na prática a dados temáticos, imagens de
sensoriamento remoto, modelos numéricos de terreno etc.
Os geo-objetos são dados individualizáveis que descrevem objetos do mundo
real em termos do seu posicionamento em relação a um sistema de
coordenadas, de seus atributos e das relações topológicas existentes (Câmara,
1995). Topologia é a estrutura de relacionamentos espaciais (vizinhança,
proximidade, pertinência) que podem se estabelecer entre os objetos
geográficos (Câmara e Medeiros, 1998). Os objetos geográficos podem estar
associados a várias representações gráficas (polígonos, pontos etc.) e seus
atributos são armazenados em um banco de dados convencional, que permite
ao sistema analisá-los e exibi-los segundo os interesses do usuário. Alguns
exemplos de geo-objetos são: municípios, propriedades rurais e talhões
agrícolas.
As ferramentas computacionais utilizadas em geoprocessamento, chamadas
de Sistemas de Informações Geográficas (SIGs), são softwares especializados
para aquisição, edição, armazenamento, integração, análise e saída de dados
espacialmente distribuídos (Bailey e Gatrell, 1995). Além de promoverem a
integração entre os geo-objetos e os geo-campos, os SIGs possuem a
capacidade de analisar, de forma espacial, uma grande variedade de dados em
amplas regiões geográficas, para a extração de novas informações pertinentes
à tomada de decisões, permitindo que a ação de cada fator isolado e, em
conjunto, seja avaliada rapidamente (Câmara e Medeiros, 1998).
O SPRING (Sistema de Processamento de Informações Georeferenciadas)
(www.dpi.inpe.br/spring) é um SIG desenvolvido pelo INPE que, além de
possuir uma ampla gama de características desejadas num sistema desta
natureza, reúne ferramentas necessárias ao processamento e análise de
imagens adquiridas por sensores remotos, somado ao fato de ser
47
gratuitamente distribuído. Esse sistema possui, ainda, um módulo de
programação denominado Linguagem Espacial para Geoprocessamento
Algébrico (LEGAL). Esse módulo permite ao usuário uma maior flexibilidade em
relação às suas aplicações, pois possibilita que sejam desenvolvidas rotinas
computacionais específicas que ampliam os recursos do sistema e, na maioria
dos casos, facilitam o processamento, a geração e a análise das informações.
2.3. Sensoriamento Remoto Óptico e suas Relações com Pesquisas Agrícolas
Jensen (2000) define o sensoriamento remoto como a arte e a ciência de se
obter informações acerca de objetos presentes na superfície terrestre sem
contato físico com os mesmos. Um sensor remoto é um sistema capaz de
detectar, medir e registrar a Radiação Eletromagnética (REM) emitida ou
refletida pela superfície terrestre. Um sensor remoto óptico é constituído,
basicamente, de um coletor que intercepta a radiância vinda do alvo e a
direciona para um conjunto de detectores. Estes transformam a radiância em
sinal elétrico, cuja intensidade é transformada num valor numérico digital que,
em se tratando de sensores orbitais, pode ser armazenado a bordo do satélite,
ou transmitido para receptores em Terra (CCRS, 2002).
Os sensores remotos podem registrar a radiância em diferentes intervalos de
comprimento de onda do espectro eletromagnético, denominados bandas ou
canais espectrais. Contudo, nem todo o espectro eletromagnético pode ser
medido por um sensor remoto. Os constituintes atmosféricos (oxigênio, ozônio,
vapor d’água, gás carbônico etc.) absorvem parte da radiação solar incidente,
que, conseqüentemente, não alcança a superfície da Terra. Entretanto, em
alguns intervalos de comprimento de onda, esta absorção é relativamente
pequena, sendo denominados janelas atmosféricas, ou seja, nesses intervalos
a atmosfera é praticamente transparente à REM (CCRS, 2002). Desta forma, o
posicionamento das bandas espectrais dos sistemas sensores deve estar entre
os limites desses intervalos (Figura 2.6).
48
FIGURA 2.6 - Curva da Transmitância Atmosférica. FONTE: Adaptada de CCRS (2002).
2.3.1. Resolução, Número e Posicionamento das Bandas Espectrais
Os sensores remotos operam em diferentes bandas espectrais
simultaneamente, sendo que o número de bandas e a dimensão do intervalo de
comprimentos de onda dessas bandas, comumente denominada de largura da
banda, definem a resolução espectral. A resolução espectral será tanto maior,
quanto maior o número e mais estreitas forem as bandas posicionadas numa
faixa espectral em que opera o sistema sensor. O posicionamento e a
resolução espectral das bandas são características muito importantes, pois
determinarão, em conjunto com as resoluções espacial e radiométrica, a
capacidade de um sensor em discriminar ou representar os alvos em uma área
imageada (Mather, 1999).
De uma forma geral, os sensores remotos são especificados para atender
distintas aplicações, que requerem características próprias quanto ao número,
posicionamento e largura espectral das bandas. Assim, os sensores ópticos
orbitais geralmente possuem três bandas na porção do visível, uma banda na
porção do infravermelho próximo e uma ou duas bandas na porção do
infravermelho médio do espectro eletromagnético. Alguns sensores remotos
possuem ainda uma banda centrada em comprimentos de onda maiores,
correspondentes ao infravermelho termal, para medir a radiância emitida pelos
alvos da superfície terrestre. Outros sensores possuem uma banda
AAbbssoorrççããoo
49
denominada pancromática, cuja faixa espectral é larga e se estende desde o
visível ao infravermelho próximo.
2.3.2. Resolução Espacial
A resolução espacial está relacionada com à área da superfície terrestre
imageada instantaneamente pelo sistema sensor (IFOV; Instantaneous Field-
of-View), que, após ser reamostrada, é representada por um elemento na
imagem digital denominado pixel. A radiância vinda dessa área e detectada
pelo sensor em uma determinada banda espectral é posteriormente
transformada em nível de cinza do pixel da imagem digital. Assim, quanto
menor for a área da superfície terrestre individualizada pelo sistema sensor,
maior será sua resolução espacial e, conseqüentemente, menor será o objeto
possível de ser individualizado. No entanto, é possível distinguir objetos que
são consideravelmente menores que a resolução espacial, em função do
contraste destes em relação aos adjacentes, embora, muitas vezes, tais
objetos só possam ser reconhecidos em função do contexto geral da imagem
(Schowengerdt, 1997).
A resolução espacial está intimamente ligada à largura da superfície terrestre
imageada (FOV; Field-of-View) em cada período orbital do satélite e,
conseqüentemente, à resolução temporal. Em geral, a largura da faixa de
imageamento é dada pelo número de células (detectores) da barra de
detectores presente no sistema sensor versus a resolução espacial. Ou seja,
quanto maior a resolução espacial, menor a área da superfície terrestre
individualizada por cada detector, para um dado sensor. Conseqüentemente,
menor será a largura da faixa imageada em cada passagem do satélite, que
levará mais tempo para fazer o recobrimento total da Terra, implicando numa
menor resolução temporal. Por outro lado, um sensor que possui uma baixa
resolução espacial consegue imagear uma faixa maior da superfície terrestre
em cada passagem, resultando em uma maior resolução temporal (Mather,
1999). Apesar disso, é de se esperar que os novos sistemas sensores a serem
50
desenvolvidos consigam reunir características de alta resolução espacial sem,
entretanto, comprometer radicalmente a faixa de imageamento.
Em se tratando de aplicações na agricultura, a resolução espacial ideal
depende muito do nível de detalhe que se pretende observar. Em aplicações
que envolvam a estimativa da produtividade agrícola através de suas
características espectrais, que necessitam do monitoramento constante de
dosséis agrícolas de grandes culturas sem a necessidade de informações
detalhadas, a resolução espacial mais indicada parece ficar em torno de 500 x
500 m a 1000 x 1000 m (Pax-Lenney e Woodcock, 1997). Resoluções
espaciais entre 10 x 10 m e 30 x 30 m são indicadas para estimativa da área
plantada em nível de município ou região, onde se busca, basicamente, a
identificação e medição dos talhões agrícolas. Estudos que requerem um nível
maior de detalhe, como os relacionados à chamada agricultura de precisão,
que abrangem o monitoramento e controle precoce de injúrias em dosséis
agrícolas, envolvendo a observação de detalhes dentro de uma propriedade
rural, a resolução espacial indicada deve ficar abaixo de 1 x 1 m (Lamb e
Brown, 2001).
2.3.3. Resolução Temporal
A resolução temporal pode ser genericamente definida pelo intervalo de temo
decorrido entre duas passagens consecutivas do satélite sobre um mesmo
ponto da superfície terrestre. Em sistemas sensores que fazem o imageamento
sistemático da Terra, o conceito de resolução espacial está intimamente
relacionado ao tempo necessário para a obtenção de duas imagens de um
mesmo local. Entretanto, alguns sistemas sensores possuem a capacidade de
adquirir imagens em visada lateral para imagear áreas localizadas à esquerda
ou à direita em relação à órbita real do satélite. Isto permite aumentar a
freqüência de observações em uma determinada área de interesse, além de
possibilitar a visão estereoscópica. Porém, o imageamento de uma área
localizada fora da visada vertical do sensor compromete o imageamento
51
sistemático de uma área localizada na órbita original. Como conseqüência, tais
sensores não fazem a cobertura sistemática do globo terrestre, pois adquirem
imagens em locais pré-determinados por solicitações do usuário final. Outra
forma de reduzir o período de obtenção de imagens de um mesmo local é a
utilização de um conjunto de satélites com sensores similares e com órbitas
intercaladas.
A resolução temporal ideal para o monitoramento agrícola depende
principalmente do tipo de estudo que se pretende realizar. Em estudos
envolvendo a identificação de culturas agrícolas, a obtenção de uma ou duas
imagens em períodos bem definidos dentro do ciclo da cultura se mostra
suficiente, embora pesquisas apontem para uma melhora na identificação de
culturas agrícolas utilizando imagens multitemporais (Oetter et al., 2000;
Ippoliti-Ramilo et al., 2003; Rizzi e Rudorff, 2003).
Entretanto, as principais culturas de interesse econômico possuem seu ciclo
concentrado no período de primavera/verão, muito favorável à cobertura de
nuvens. Assim, em estudos envolvendo a estimativa da produtividade agrícola
em grandes áreas, onde o monitoramento da vegetação deve ser realizado em
intervalos curtos de tempo, a resolução temporal deve ser tal que possibilite a
aquisição de pelo menos um mosaico de imagens livres de nuvens a cada 10-
15 dias. Para estudos envolvendo agricultura de precisão, onde a obtenção de
imagens deve ser feita em períodos pré-definidos do estádio fenológico das
culturas, visando à identificação de pragas e doenças, deficiências nutricionais
e ervas daninhas, a questão da freqüência de obtenção de imagens é ainda
mais crítica (Covey, 1999; Casady e Harlan, 2002).
2.3.4. Resolução Radiométrica
A resolução radiométrica está relacionada à capacidade de um sistema sensor
em discriminar pequenas variações na quantidade de radiância refletida ou
emitida pelos alvos. Para representar essas variações no formato de uma
imagem digital, os diferentes valores do sinal são quantizados em uma escala
52
binária e representados através de uma escala monocromática, onde ao sinal
com intensidade zero é atribuído o preto e ao sinal de máxima intensidade é
atribuído o branco. Para se expressar a resolução radiométrica emprega-se a
expressão 2n, sendo “n” o nível de quantização da imagem, ou seja, o número
de bits utilizado na geração da imagem digital. A maioria das imagens geradas
a partir de sensores remotos utiliza uma quantização de 8 bits. Desta forma, a
quantidade de níveis de cinza possível de ser representada na imagem é dada
por 28, ou seja, 256 (Mather, 1999). Este nível de quantização parece ser
adequado para pesquisas envolvendo monitoramento da atividade agrícola.
2.3.5. Sistemas Sensores
2.3.5.1. Sensores TM e ETM +
As imagens adquiridas pelo sensor TM (Thematic Mapper) a bordo dos
satélites Landsat 4 e 5 (LAND SATellite) foram sem dúvida as mais utilizadas
em pesquisas envolvendo a atividade agrícola. Sua resolução espacial permite
a delimitação dos talhões agrícolas de grandes culturas e outros alvos, como
estradas, áreas de floresta, corpos d’água etc. O sensor TM a bordo do satélite
Landsat 5, que está em operação desde março de 1984, tem uma resolução
radiométrica de 8 bits, possuindo 7 bandas espectrais, sendo 3 na porção do
visível, 3 na porção do infravermelho próximo e médio e 1 na porção do
infravermelho termal (Tabela 2.2) (USGS, 2003).
No intuito de substituir o Landsat 5 foi lançado em 05 de outubro de 1993 o
satélite Landsat 6, tendo como carga útil o sensor ETM (Enhanced Thematic
Mapper). Contudo, esse satélite falhou ao atingir a órbita final e não chegou a
operar (NASA, 2004).
Com o lançamento do satélite Landsat 7 em 15 de abril de 1999, entrou em
operação o sensor ETM+ (Enhanced Thematic Mapper plus), com
características semelhantes ao TM, possuindo ainda uma banda pancromática
com resolução espacial de 15 x 15 m e alteração da resolução espacial da
banda termal de 120 x 120 m para 60 x 60 m (Tabela 2.2), além de um
53
sofisticado sistema de calibração a bordo (LANDSAT, 2003). O ETM+ parou de
operar por problemas técnicos em maio de 2003. Entretanto, com o
funcionamento simultâneo dos sensores TM e ETM+ entre abril de 1999 e maio
de 2003, a resolução temporal do sistema Landsat 5 e 7 passou de 16 para 8
dias, aumentando a possibilidade de obtenção de imagens livres de cobertura
de nuvens.
A grande vantagem oferecida pela utilização das imagens desses sensores é a
alta disponibilidade mundial de seus produtos, o que resulta em um
considerável acervo de trabalhos técnicos e científicos, que serve de base para
comparações e discussões no âmbito da pesquisa e da aplicação. No Brasil, o
Instituto Nacional de Pesquisas Espaciais é o responsável pela recepção das
imagens Landsat, que estão disponíveis ao usuário final cerca de uma semana
após a aquisição dos dados pelo sistema sensor e sua transmissão
concomitante para a antena localizada em Cuiabá, MT.
TABELA 2.2 - Características dos Sistemas Sensores TM e ETM+.
Sensor Banda 1 (µm)
Banda 2 (µm)
Banda 3 (µm)
Banda 4 (µm)
Banda 5 (µm)
Banda 6 (µm)
Banda 7 (µm)
Banda Pan (µm)
Faixa imag. (km)
Res. Temp. (dias)
Res. esp. (m)
TM 0,450 - 0,515
0,525 - 0,605
0,630 - 0,690
0,750 - 0,900
1,550 - 1,750
10,400 - 12, 500
2,090 - 2,350 - 185 16 30*
ETM+ 0,450 - 0,515
0,525 - 0,605
0,630 - 0,690
0,750 - 0,900
1,550 - 1,750
10,400 - 12, 500
2,090 - 2,350
0,520 - 0,900 185 16 30**
* Banda 6 = 120m. ** Banda 6 = 60m e banda Pan = 15m.
2.3.5.2. Sensor MODIS
O sensor MODIS (MODerate resolution Imaging Spectroradiometer) está a
bordo dos satélites Terra e Acqua, lançados pela NASA em 18 de dezembro de
1999 e 4 de maio de 2002, respectivamente. Estes satélites fazem parte do
projeto EOS (Earth Observing System) formado por diversos países,
constituindo uma série de plataformas para monitoramento terrestre em várias
áreas de conhecimento, em diferentes escalas. O MODIS é um radiômetro de
12 bits de quantização, que possui 36 bandas espectrais, centradas desde a
54
porção do visível ao infravermelho termal, algumas muito interessantes ao
monitoramento da atividade agrícola. Este sensor possui resolução espacial de
250 x 250 m nas duas primeiras bandas (vermelho e infravermelho próximo),
500 x 500 m nas bandas 3 a 7 (Tabela 2.3) e 1.000 x 1.000 m nas demais 29
bandas. Estas estão posicionadas a partir do comprimento de onda de 0,405
até 14,385 µm, com largura variando entre 10 e 500 nm (MODIS, 2003).
Algumas destas bandas estão estrategicamente posicionadas visando,
principalmente, fornecer informações para alimentar algoritmos que buscam
promover a correção dos efeitos atmosféricos, descritos em Vermote e
Vermeulen (1999).
TABELA 2.3 - Características do Sistema Sensor MODIS.
Sensor B 1 (µm)
B 2 (µm)
B 3 (µm)
B 4 (µm)
B 5 (µm)
B 6 (µm)
B 7 (µm)
Faixa imag. (km)
Res. Temp. (dias)
Res. esp. (m)
MODIS 0,62 -0,67
0,841 -0,876
0,459 -0,479
0,545 -0,565
1,23 - 1,25
1,628 - 1,652
2,105 - 2,155 2.330 1 - 2 250* -
500
* Bandas 1 e 2 = 250 m
Os dados deste sensor têm características muito apropriadas no que se refere
à resolução temporal, pois, em função da larga faixa imageada em cada
período orbital do satélite (2.330 km), o MODIS observa diariamente
praticamente toda a superfície terrestre. Isto permite a geração de imagens
livres de cobertura de nuvens por meio da composição de várias imagens
obtidas em um período maior (e.g. 16 dias). Tanto as imagens diárias, quanto
as composições estão disponíveis ao usuário final no web site do EOS
(modis.gsfc.nasa.gov) cerca de seis dias após a passagem do satélite ou o
término do período, sem qualquer ônus. Além disso, as imagens são
disponibilizadas com correções atmosféricas e geométricas previamente
realizadas, estando prontamente utilizáveis sem a necessidade de
georreferenciamento adicional.
Outra característica particular às imagens do sensor MODIS é que o EOS as
disponibiliza sob a forma de produtos direcionados a aplicações específicas,
55
divididas em Terrestres, Oceânicas e Atmosféricas. Em relação às aplicações
terrestres, dois produtos são particularmente interessantes ao monitoramento
da atividade agrícola, sejam eles o MOD13Q1 e o MOD15A2.
O primeiro é um produto contendo composições de imagens de 16 dias sob a
forma dos índices de vegetação NDVI e EVI (descritos no Item 2.5), além da
reflectância de superfície correspondente às bandas do azul, vermelho,
infravermelho próximo e infravermelho médio, em uma resolução espacial de
250 m (neste caso, as bandas do azul e infravermelho médio, originalmente
obtidas com 500 m de resolução espacial, são reamostradas para 250 m). Para
cada ponto da imagem o algoritmo seleciona o pixel de melhor qualidade em
relação à geometria de visada e interferência atmosférica dentre todas as
passagens do período, que é então utilizado na geração das imagens
compostas. Maiores detalhes sobre o MOD13Q1 podem ser encontrados em
Huete et al. (1999).
O segundo produto contém composições de imagens de 8 dias sob a forma
dos parâmetros biofísicos IAF (Índice de Área Foliar) e fAPAR (fração da
radiação fotossinteticamente ativa absorvida) em uma resolução espacial de
1000 m. A metodologia utilizada na geração das imagens IAF e fAPAR,
disponíveis no MOD15A2, se baseia em dois algoritmos, denominados principal
e auxiliar, que estão detalhadamente descritos em Knyazikhin et al. (1999).
Em resumo, os produtos gerados a partir das imagens do sensor MODIS
possuem características radiométricas, geométricas, espaciais e de atenuação
dos efeitos atmosféricos muito superiores às adquiridas pelo sensor AVHRR a
bordo dos satélites da série NOAA, utilizadas até então em pesquisas
objetivando o monitoramento da vegetação em escala regional e estadual (Liu
e Kogan, 2002; Melo et al., 2003). Os algoritmos de correção atmosférica e de
geração das imagens compostas estão atualmente em sua versão 4.0, embora
alguns produtos ainda sejam disponibilizados na versão 3.0.
Afora todos os aspectos técnicos envolvidos e discutidos até então, existe a
promessa por parte do EOS da disponibilização ininterrupta dos dados MODIS
56
por pelo menos 15 anos (Huete, 2003). Estes fatos, aliados à disponibilidade
gratuita e em tempo quase real desses produtos, abrem novas possibilidades
para a incorporação dos dados de sensoriamento remoto em modelos
agronômicos de estimativa de produtividade e, conseqüentemente, em
sistemas rotineiros de geração de estatísticas agrícolas.
Ressalta-se, ainda, que o Brasil recebe rotineiramente as imagens do sensor
MODIS sobre todo o território brasileiro através de uma estação de recepção
situada em Cuiabá, MT.
2.4. Comportamento Espectral e Temporal de Alvos Agrícolas Cada objeto apresenta um comportamento diferente frente à relação entre a
radiação que nele incide e a radiação por ele refletida, transmitida e absorvida,
denominado de comportamento ou resposta espectral (Novo, 1989). Além das
propriedades físico-químicas, outras características inerentes aos alvos
interferem no seu comportamento espectral.
Para que se possam compreender os fenômenos da interação da radiação
eletromagnética com a vegetação, é fundamental o conhecimento das
propriedades espectrais das plantas, responsáveis pelo comportamento
espectral do dossel como um todo, bem como das características associadas
ao solo.
2.4.1. Comportamento Espectral e Temporal de Culturas Agrícolas
A interação da radiação solar com a vegetação ocorre principalmente nas
folhas, onde acontece o processo da fotossíntese. Na porção visível do
espectro eletromagnético (0,4 a 0,7 µm) a vegetação apresenta uma alta
absorção da radiação incidente, promovida pelos pigmentos fotossintéticos
presentes nas folhas (clorofila, xantofila etc.). Os picos de absorção ocorrem
nas regiões do vermelho e do azul, havendo um pico de refletividade em torno
do comprimento de onda de 0,55 µm (verde) (Figura 2.7). O vermelho é um
intervalo do espectro eletromagnético no qual existe uma relação inversamente
57
proporcional entre a intensidade da REM refletida e a quantidade de clorofila
presente no dossel vegetal. Assim, com o aumento da cobertura vegetal e
conseqüentemente o incremento na quantidade de pigmentos celulares por
área, presentes em um maior número de folhas, a quantidade da REM refletida
no vermelho diminui, devido ao aumento da absorção da REM incidente
(Jensen, 2000).
Acima de 0,7 µm, mais especificamente entre 0,7 e 1,3 µm (infravermelho
próximo), a reflectância aumenta consideravelmente quando comparada à
região do visível. Isto resulta do forte contraste entre os índices de refração do
conteúdo celular (rico em água) e do espaço intercelular (rico em ar), que
provoca reflexões e refrações da REM no interior da folha (Knipling, 1970).
Como esta porção da radiação solar não é utilizada pelas plantas, estas
possuem um mecanismo de baixa absorção e grande reflexão e transmissão
da energia incidente. A baixa absorção evita um maior aquecimento da planta,
que ocasionaria uma maior transpiração e, conseqüentemente, maior demanda
hídrica (Jensen, 2000). Por este motivo, quanto mais densa e vigorosa a
cobertura vegetal, maior a superfície de interface células/ar, o que acarreta um
aumento das reflexões, refrações e transmissões da REM e,
conseqüentemente, maior a reflectância nesta porção do espectro
eletromagnético. Entre 1,3 e 2,5 µm (infravermelho médio), a reflectância das
folhas diminui em função das bandas de absorção da água, por volta dos
comprimentos de onda 1,4; 1,9 e 2,7 µm (Lillesand e Kiefer, 1999).
58
FIGURA 2.7 - Resposta Espectral Típica de uma Folha Fotossinteticamente Ativa. FONTE: Adaptada de Hoffer (1976).
Como a concentração dos pigmentos fotossintéticos, bem como a estrutura
interna das folhas sofrem influência de fatores externos (deficiências
nutricionais, estresse hídrico, ataque de pragas e doenças, temperatura etc.), o
comportamento espectral da vegetação sofre influência indireta desses fatores
(Figura 2.8).
59
FIGURA 2.8 - Curvas da Reflectância Espectral Obtidas em Folhas de Milho com Diferentes Conteúdos de Água e Pigmentos Fotossintetizantes. FONTE: Adaptada de Moreira (2001, p. 86).
Entretanto, quando é medida a reflectância de um dossel vegetal, caracterizado
pela aglomeração de plantas de uma mesma espécie, outros fatores interferem
na sua resposta espectral. Segundo Daughtry et al. (1984), mudanças no IAF,
na quantidade de fitomassa e no estádio de desenvolvimento da cultura são
manifestados na reflectância dos dosséis vegetais. Como essas mudanças são
gradativas com o tempo, resultam em correspondente mudança gradativa na
reflectância espectral da vegetação (Fontana et al., 2002). O constante
incremento do IAF provoca um aumento da reflectância na porção do
infravermelho próximo. Isto ocorre porque a energia transmitida através da
camada superior de folhas é refletida parcialmente pela camada logo abaixo.
Parte dessa energia é transmitida pela camada superior de folhas, sendo então
somada à energia refletida pelo dossel, este fenômeno é denominado de
reflectância aditiva. No entanto, a partir do IAF 3 observa-se uma tendência de
saturação a novos incrementos de IAF e a reflectância na porção do
infravermelho próximo deixa de ser proporcional ao IAF, praticamente
saturando quando o mesmo se aproxima do valor 8 (Figura 2.9).
60
FIGURA 2.9 - Fator de Reflectância de Folhas de Milho Sobrepostas. FONTE: Adaptada de Gausman et al. (1976).
Em suma, quanto mais fitomassa fotossinteticamente ativa é acrescentada a
um dossel vegetal, maior é a reflexão da energia na porção do Infravermelho
Próximo (IVP) e menor é a reflexão no intervalo de comprimento de onda
correspondente ao Vermelho (V), acarretando um aumento da razão IVP/V.
Nenhum outro material comumente encontrado na natureza apresenta este tipo
de comportamento espectral, o que possibilita a diferenciação entre a
vegetação e os demais alvos em uma imagem adquirida por um sensor remoto.
Outros fatores exercem influência significativa na reflexão da REM de um
dossel agrícola. A geometria da cena (posição em relação à fonte de
iluminação e visada) pode fazer com que dois alvos agrícolas semelhantes,
mas distantes no tempo e no espaço sejam vistos de forma diferente por um
sensor remoto. Como as espécies agrícolas geralmente são cultivadas sob a
forma de fileiras, nos estádios iniciais de desenvolvimento a relação entre a
quantidade de radiação oriunda das plantas e do solo que alcança o sistema
sensor pode ser substancialmente alterada em função de alterações no ângulo
de visada (Jackson et al., 1979). Modificações nos ângulos de iluminação
61
(zenital e azimutal), bem com na direção de orientação e no espaçamento das
fileiras, alteram substancialmente a proporção de solo, sombra e vegetação,
vistos pelo sensor (Kollenkark et al., 1981).
Em adição, apesar das diferentes espécies vegetais possuírem assinaturas
espectrais semelhantes (Price, 1994), a geometria interna do dossel (ângulo de
inserção, distribuição, orientação e espaçamento das folhas na planta, bem
como seu tamanho e forma) provoca diferenças na distribuição do fator de
reflectância direcional, promovendo alterações no seu comportamento
espectral (Formaggio e Epiphanio, 1990). Dosséis planófilos (folhas dispostas
horizontalmente), como a soja, refletem mais a radiação incidente na direção
vertical que dosséis erectófilos (folhas dispostas verticalmente), como o milho.
Isto ocorre porque estes captam a radiação refletida para dentro do dossel,
reduzindo a quantidade de radiação refletida verticalmente. Em função disso,
um sensor apontado para o nadir pode receber cerca de 20% mais radiação de
um dossel planófilo do que de um dossel erectófilo (Jackson e Pinter Jr., 1986)
(Figura 2.10).
FIGURA 2.10 - Fator de Reflectância para Dosséis Planófilos e Erectófilos. FONTE: Adaptada de Jackson e Pinter Jr. (1986).
62
Ainda assim, uma mesma cultura agrícola apresenta comportamento espectral
variável conforme seu estádio de desenvolvimento. Portanto, mesmo tendo
comportamentos espectrais semelhantes, duas culturas podem ser
diferenciadas por se encontrarem em estádios fenológicos diferentes. Isto pode
ocorrer devido a estas terem sido plantadas em épocas diferentes, em função
do zoneamento agroclimático, ou pelo fato de terem a duração do ciclo
fenológico diferente. Em função disso, devem ser exploradas as variações
espectro-temporais e, em alguns casos, utilizadas imagens multitemporais para
facilitar ou aumentar a precisão da classificação de alvos agrícolas através de
sensoriamento remoto. Neste sentido, o conhecimento do calendário agrícola,
bem como da distribuição das culturas na região em estudo é de fundamental
importância para a escolha do período mais propício para a aquisição das
imagens.
2.4.2. Comportamento Espectral e Temporal do Solo
Em virtude de o solo ser o substrato de fundo para praticamente a totalidade
dos alvos agrícolas estudados com auxílio de sensores remotos orbitais, o
conhecimento das suas propriedades espectrais é necessário para o
entendimento dos seus efeitos no comportamento espectral dos dosséis
vegetais (Ben-Dor et al., 1999). Entre os fatores que mais interferem na
reflectância dos solos estão os constituintes químicos, em especial, os óxidos
de ferro, os quais afetam sua coloração e outras propriedades espectrais
(Stoner e Baumgardner, 1981; Baret et al., 1993; Ben-Dor et al., 1999).
Além dos constituintes químicos do solo, outros fatores exercem influência na
sua resposta espectral. Solos com textura fina possuem maior capacidade de
retenção de água. Como a presença de umidade diminui a reflectância,
principalmente no IVM, esses solos geralmente têm reflectância menor. Em
contrapartida, solos com textura mais grossa (arenosos) são normalmente bem
drenados, resultando em um menor conteúdo de umidade e,
conseqüentemente, uma reflectância mais alta (Lillesand e Kiefer, 1999).
63
Portanto, fica evidente a influência da precipitação pluvial no comportamento
espectral do solo. Ou seja, quanto mais fina for a textura do solo, maior sua
habilidade em manter um alto conteúdo de umidade após a precipitação pluvial,
ocasionando uma maior absorção da radiação incidente (Jensen, 2000). Pelo
mesmo motivo, um solo parcial ou totalmente descoberto apresenta respostas
espectrais distintas em duas imagens, sendo uma adquirida no período seco e
outra após a precipitação pluvial.
A presença de matéria orgânica é outro fator que exerce influência nas
características espectrais dos solos, geralmente diminuindo a reflectância em
toda a porção visível e IVP do espectro eletromagnético (Figura 2.11). Nagler et
al. (2000) afirmam que a presença de restos de vegetação seca altera a
reflectância dos solos tanto no visível e infravermelho próximo, quanto no
infravermelho médio.
FIGURA 2.11 - Resposta Espectral de 5 Amostras de Solo em Função do Teor de Matéria Orgânica, Textura e Teor de Óxido de Ferro: A=Alto Teor de Matéria Orgânica (>2%) e Textura Fina; B= Baixo Teor de Matéria Orgânica (<2%) e Baixo Teor de Óxido de Ferro (<1%); C= Baixo Teor de Matéria Orgânica (<2%) e Médio Teor de Óxido de Ferro (<1-4%); D= A=Alto Teor de Matéria Orgânica (>2%) e Baixo Teor de Óxido de Ferro (<1%); E= Alto Teor de Óxido de Ferro (>4%) e Textura Fina. FONTE: Adaptada de Stoner e Baumgardner (1981).
64
A rugosidade superficial do solo atua imprimindo uma forte componente
direcional à reflectância dos solos (Baret et al., 1993). De acordo com Kimes
(1983), devido à sua baixa transmitância, os solos apresentam uma maior
intensidade de sombreamento, pois o lado iluminado da superfície reflete a
REM na direção da fonte de iluminação, deixando sombreada a superfície
oposta. Assim, visadas realizadas na direção do espalhamento à frente irão
apresentar valores de reflectância mais baixos em virtude do sensor integrar
uma maior porção de sombra em seu campo de visada (Figura 2.12).
FIGURA 2.12 - Espalhamento da REM Provocada pela Rugosidade Superficial do Solo. FONTE: Adaptada de Kimes (1983).
2.5. Índices de Vegetação Um índice de vegetação (IV) resulta da combinação dos valores de reflectância
em dois ou mais intervalos de comprimento de onda, possuindo uma certa
relação com a quantidade e o estado da vegetação em uma dada área da
superfície terrestre. Em função disto, uma característica inerente aos IVs é a
redução no volume dos dados a ser analisado, pois praticamente toda a
informação referente à vegetação fica resumida a somente um valor numérico.
Ou seja, a informação registrada em algumas bandas (geralmente duas) passa
a ser contida em apenas um índice de vegetação, permitindo modelar mais
facilmente os dados espectrais em conjunto com as variáveis biofísicas da
vegetação.
65
Segundo Jackson e Huete (1991), um IV ideal deve ser capaz de responder a
pequenas variações no estado fenológico da vegetação e não pode ser muito
influenciado por variações das condições e tipos de solo, da geometria da cena
e das condições atmosféricas. O índice de vegetação mais utilizado em
pesquisas relacionadas à dinâmica da cobertura vegetal é o Normalized
Difference Vegetation Index (NDVI), dado pela Equação 2.1:
VIVPVIVPNDVI
+−
= (2.1)
onde,
IVP = reflectância no Infravermelho Próximo;
V = reflectância no Vermelho.
Embora numericamente os valores do NDVI possam variar entre -1 e 1, a
vegetação está associada aos valores positivos. Materiais que refletem mais
intensamente na porção do vermelho em comparação com o infravermelho
próximo (nuvens, água e neve) apresentam NDVI negativo. Solos descobertos
e rochas refletem o vermelho e o infravermelho próximo quase na mesma
intensidade, por conseguinte, seu NDVI aproxima-se de zero (Lillesand e
Kiefer, 1999).
De acordo com Huete et al. (1985), os índices de vegetação são influenciados
pelo solo até que o mesmo esteja completamente coberto pela vegetação. Nos
estádios iniciais de desenvolvimento e em culturas que não cobrem
uniformemente a superfície, essa influência deve ser considerada. Huete
(1988) adicionou uma constante denominada “L” à equação que produz o
NDVI, criando assim o Soil Adjusted Vegetation Index (SAVI). Essa constante é
um fator de correção que varia gradualmente de 0, para dosséis com alta
cobertura vegetal, a 1, para baixa cobertura de vegetação. O autor ainda
comenta que o valor 0,5 para essa constante reduz consideravelmente a
interferência do solo em dosséis vegetais com diferentes densidades, sendo
66
passível de ser utilizado em pesquisas onde o índice de área foliar do dossel é
desconhecido. O SAVI é determinado através da Equação 2.2.
( ) ( )
( )LVIVPLVIVPSAVI
+++−
=1.
(2.2)
onde,
IVP = reflectância no Infravermelho Próximo;
V = reflectância no Vermelho;
L = constante para correção dos efeitos do solo.
Outros índices foram desenvolvidos para tentar minimizar os efeitos do solo,
tais como: o Green Vegetation Index (GVI) (Kauth e Thomas, 1976), o
Perpendicular Vegetation Index (PVI) (Richardson e Wiegand, 1977), o
Transformed Soil Adjusted Vegetation Index (TSAVI) (Baret et al., 1989), o
Modified Soil Adjusted Vegetation Index (MSAVI) (Qi et al., 1994), o Otimized
Soil Adjusted Vegatation Index (OSAVI) (Rondeaux et al., 1996), entre outros.
Apesar destas modificações se mostrarem satisfatórias, estes índices ainda se
mostram instáveis em relação aos efeitos atmosféricos (Myneni e Asrar, 1994;
Huete et al., 1997). Para corrigir ou minimizar tais efeitos, Kaufman e Tanré
(1992) propuseram o Atmospherically Resistant Vegetation Index (ARVI),
promovendo uma modificação no cálculo do NDVI, utilizando a diferença da
reflectância nas bandas do azul e do vermelho em substituição ao vermelho,
como um indicador da interferência atmosférica (Equações 2.3 e 2.4):
AVIVPAVIVPARVI
+−
= (2.3)
onde a constante AV é determinada através da Equação 2.4:
67
AV = V - γ (A - V) (2.4) onde, A = reflectância no Azul;
V = reflectância no Vermelho;
γ = variável que depende das características dos aerossóis presentes na região
em estudo (geralmente utiliza-se o valor 1,0).
Com o desenvolvimento do sensor MODIS, um novo índice de vegetação,
denominado Enhanced Vegetation Index (EVI), foi proposto por Huete et al.
(1999). O EVI foi formulado a partir de uma combinação entre o SAVI e o ARVI,
com a finalidade de atenuar os efeitos tanto do solo como da atmosfera, de
acordo com a Equação 2.5:
LACVCIVPVIVPGEVI
+−+−
=**
*21
(2.5)
onde,
IVP = reflectância no Infravermelho Próximo;
V = reflectância no Vermelho;
A = reflectância no Azul;
C1 = Coeficiente de correção dos efeitos atmosféricos para o vermelho (6);
C2 = Coeficiente de correção dos efeitos atmosféricos para o azul (7,5);
L = Fator de correção para a interferência do solo (1);
G = Fator de ganho (2,5).
Os coeficientes C1 e C2 podem ser alterados de acordo com condições
regionais, sendo que os produtos disponibilizados pelo EOS utilizam as
especificações acima. Além disso, o EVI tem se mostrado mais sensível às
alterações na biomassa vegetal, principalmente em regiões de alta densidade
de vegetação, como áreas de floresta (Huete et al., 2002).
68
Muito embora a literatura aponte para a possibilidade da utilização dos mais
variados IVs, os quais possuem vantagens e limitações características, o
consenso é que o NDVI, se não for o mais adequado é, sem dúvida, o mais
utilizado. Dentre os motivos, é um índice simples de ser calculado e
interpretado, possui boa sensibilidade às alterações na vegetação e é
medianamente sensível ao solo e à atmosfera. Além disso, é um índice
amplamente aceito pela comunidade científica e possui uma base histórica
para comparação de resultados (Ray, 1994).
2.5.1. Relações dos Índices de Vegetação com Variáveis Biofísicas
Os índices de vegetação têm sido amplamente utilizados para o monitoramento
da vegetação, tanto em pequenos experimentos, utilizando sensores remotos
terrestres, quanto em grandes áreas, utilizando sensores orbitais de alta e
baixa resolução espacial. Em se tratando de agricultura, as pesquisas com IVs
se concentram na estimativa das propriedades biofísicas da vegetação. Grande
parte dos modelos de produtividade agrícola parte do princípio que a
produtividade final de uma cultura é extremamente dependente das condições
climáticas (precipitação pluvial, temperatura, umidade, insolação etc.) e de
cultivo (manejo e fertilidade do solo, sanidade etc.) e que algumas variáveis
biofísicas, determináveis através de IVs, como o IAF, refletem as condições de
crescimento impostas pelo clima e pelo manejo.
Daughtry et al. (1984), em um estudo envolvendo variáveis biofísicas,
características espectrais e produtividade para as culturas do milho, algodão e
soja, afirmam que o NDVI foi altamente correlacionado com o IAF. Este índice
também estimou o IAF para o milho e para o algodão, apresentando altos
coeficientes de correlação. A Figura 2.13 mostra a relação existente entre o IAF
e o NDVI para a cultura do trigo (Asrar et al., 1984). É possível observar que a
relação exponencial entre estas variáveis pode limitar o monitoramento das
culturas a partir do ponto de saturação do NDVI (Figura 2.13).
69
FIGURA 2.13 - Relações Entre NDVI e IAF para a Cultura do Trigo. FONTE: Adaptada de Asrar et al. (1984 p. 303).
Os IVs têm sido empregados, também, no estabelecimento de padrões de
crescimento e desenvolvimento ao longo do ciclo das culturas agrícolas. Motta
et al. (2003) analisaram o perfil temporal do NDVI oriundo de imagens
NOAA/AVHRR, em três regiões de soja no Estado do Rio Grande do Sul. Os
autores relatam que a evolução temporal do NDVI esteve relacionada com as
diferentes fases do ciclo fenológico da cultura. Os maiores valores de NDVI
foram observados durante o mês de fevereiro, período associado ao pleno
crescimento e desenvolvimento da cultura (maior densidade de biomassa). Em
contrapartida, baixos valores de NDVI foram observados durante o mês de
outubro, coincidente com o estabelecimento da cultura (Figura 2.14).
70
FIGURA 2.14 - Evolução Temporal do NDVI Máximo Mensal de Regiões de Soja no Estado do io Grande do Sul, Ano-Safra 1999/00. FONTE: Motta et al. (2003).
2.6. Processamento de Imagens de Sensoriamento Remoto Nas aplicações que observam a dinâmica espaço-temporal é necessário que
toda alteração retratada nas imagens seja inerente aos alvos imageados.
Contudo, em se tratando de sensoriamento remoto orbital, as imagens da
superfície terrestre são obtidas a longas distâncias da mesma. Ainda assim,
durante o período de obtenção da imagem, o satélite percorre uma órbita que
está sujeita a pequenas variações ao mesmo tempo em que a Terra, além de
possuir superfície arredondada, está em constante movimento de rotação
(Eastman, 1998). Deste modo, a qualidade geométrica da imagem está
associada a uma série de fatores, que, combinados, podem fazer com que a
imagem não retrate fielmente as condições dos alvos imageados. Para
minimizar esses fatores foram desenvolvidas várias técnicas de
processamento, algumas delas descritas a seguir.
71
2.6.1. Correção Geométrica
Para propósitos de mapeamento é essencial que as imagens de sensoriamento
remoto sejam georreferenciadas com exatidão ao mapa proposto como base
(Eastman, 1998). Isso é necessário para que as informações extraídas das
imagens possam ser integradas juntamente com outros dados
georreferenciados relativos à área em estudo. Em função disso, a correção
geométrica visa eliminar distorções sistemáticas introduzidas durante o
processo de aquisição da imagem, bem como posicioná-la no espaço,
atribuindo-lhe coordenadas geodésicas relacionadas a um sistema de projeção
da superfície terrestre (Richards e Jia, 1999).
Segundo Fonseca (2000), a correção geométrica pode ser dividida em três
etapas: transformação geométrica, mapeamento inverso e reamostragem. A
transformação geométrica define o espaço geográfico a ser ocupado pela
imagem corrigida, estabelecendo uma relação entre as coordenadas da
imagem e as coordenadas geodésicas. A transformação geométrica pode ser
realizada principalmente por dois modelos matemáticos: modelo fotogramétrico
e modelo polinomial.
O modelo fotogramétrico faz o referenciamento da imagem a um sistema de
projeção cartográfica utilizando informações de efemérides e órbita do satélite
no momento da aquisição da imagem. Apesar de corrigir as distorções internas
da imagem, esse modelo resulta em erros por volta de 1 a 2 % no seu
posicionamento geográfico (Schowengerdt, 1997). Atualmente, as imagens
provindas dos sensores TM e ETM+ são comercializadas pelo INPE com este
nível de correção geométrica.
O modelo polinomial utiliza equações para estabelecer uma relação entre
coordenadas de imagem e coordenadas geodésicas, através de pontos de
controle. Os pontos de controle são feições homólogas facilmente identificáveis
(confluência de rios, cruzamento de estradas etc.) tanto na imagem de
interesse, quanto no sistema de referência (cartas topográficas, mapas digitais,
imagem previamente registrada etc.). O desempenho desse modelo depende
72
da distribuição e da exatidão das coordenadas dos pontos de controle, bem
como da adequação da função polinomial escolhida (Crósta, 1992).
A segunda etapa do processo de correção geométrica é o mapeamento
inverso, que recupera a informação referente aos níveis de cinza da imagem
original, que definirá o valor a ser associado a uma certa posição na imagem
corrigida. A última etapa, denominada reamostragem, define os valores dos
níveis de cinza que irão compor a imagem resultante, através da informação
obtida no mapeamento inverso. Os interpoladores utilizados na reamostragem
são: vizinho mais próximo, bilinear e cúbico. Por utilizar o nível de cinza mais
próximo ao resultado do mapeamento inverso, o interpolador vizinho mais
próximo deve ser utilizado em estudos baseados na radiometria da imagem
(Mather, 1999). Os interpoladores bilinear e cúbico alteram o valor do pixel da
imagem de saída, mas por retornarem melhores resultados, devem ser
utilizados em estudos relacionados ao mapeamento de uso e cobertura do solo
que envolvam a classificação digital ou visual das imagens (Crósta, 1992).
2.6.2. Classificação Digital de Imagens de Sensoriamento Remoto
A classificação digital de imagens consiste no estabelecimento de um processo
de decisão, no qual um grupo de pixels é definido como pertencente a uma
determinada classe (Venturieri e Santos, 1998). O resultado de uma
classificação é uma imagem temática, na qual os pixels classificados são
representados por símbolos gráficos ou cores, associados a uma classe
definida pelo usuário.
Dutra et al. (1981) dividem os algoritmos de classificação em dois tipos:
estatístico e determinístico. O primeiro considera que os atributos dos objetos
possuem comportamento aleatório, podendo ser descritos por funções de
distribuição de probabilidade. O segundo presume que o comportamento dos
atributos das classes não é aleatório e pode ser descrito por funções que
assumem valores bem definidos de acordo com a classe.
73
Segundo (Schowengerdt, 1997), os métodos de classificação digital de
imagens podem ser classificados em três categorias, de acordo com o tipo de
treinamento: supervisionados, não-supervisionados e híbridos.
2.6.2.1. Classificação Supervisionada
Os métodos de classificação supervisionada se baseiam na disponibilidade
prévia de amostras representativas, identificadas na imagem, para cada classe
de interesse (Mather, 1999). O algoritmo classificador utiliza, então, a
informação estatística referente a essas amostras na classificação dos demais
pixels da imagem. Em função disso, para que a classificação seja bem
sucedida, é fundamental que as amostras de treinamento sejam homogêneas e
representativas das classes de interesse. Entre os métodos de classificação
supervisionada, destacam-se o paralelepípedo e o máxima verossimilhança, ou
MAXVER, como sendo os mais utilizados (Lillesand e Kiefer,1999).
O método do paralelepípedo é um classificador do tipo determinístico, onde são
identificados os valores mínimos e máximos dos histogramas das amostras das
classes em cada uma das bandas, que são usados para definir os vértices de
um paralelepípedo no espaço de atributos. Assim, o pixel cujo valor do nível de
cinza se encontrar dentro desse paralelepípedo é rotulado como pertencente à
classe correspondente (Mather, 1999). Em outras palavras, um pixel só será
classificado como pertencente a uma determinada classe se o valor do seu
nível de cinza estiver entre os valores máximos e mínimos das amostras, em
cada banda espectral selecionada para classificação. Muito embora seja
relativamente simples, o método do paralelepípedo apresenta algumas
limitações. Alguns pixels podem não se enquadrar dentro dos valores que
definem os paralelepípedos, não sendo, portanto, classificados (Fonseca,
2000). Outro aspecto que afeta o desempenho desse método é a correlação
existente entre as bandas dos sensores remotos, principalmente aquelas
centradas na região do visível (Venturieri e Santos, 1998).
74
O MAXVER é um classificador estatístico que utiliza os valores dos níveis de
cinza de cada classe previamente definidas a partir das amostras de
treinamento, avaliando a probabilidade que cada pixel da imagem tem de
pertencer a cada uma das classes identificadas e o designa àquela cuja
probabilidade é maior (Dutra et al., 1981).
2.6.2.2. Classificação Não-Supervisionada
A diferença básica deste procedimento para as técnicas de classificação
supervisionada é o fato de as classes não serem definidas pelo analista e sim
pelo algoritmo de agrupamento. Esse algoritmo associa cada pixel da imagem
a uma classe espectral, com base nas propriedades intrínsecas do conjunto de
dados (Dutra et al., 1981). Diferentemente dos algoritmos de classificação
citados anteriormente, que utilizam a técnica de classificação pixel a pixel, o
ISOSEG é baseado em um conjunto de regiões com diferentes atributos
estatísticos (média, matriz de covariância e área), definidas pela técnica de
segmentação de imagens (Venturieri e Santos, 1998).
2.6.2.2.1. Segmentação
Schowengerdt (1997) define a segmentação como uma forma de incorporar
informações espaciais e espectrais em um processo não supervisionado de
agrupamento. Entre os métodos utilizados para a segmentação de uma
imagem digital, o mais empregado para monitoramento de áreas agrícolas é o
de crescimento por regiões (Bins et al., 1996; Moreira, 2001). Esse método é
um processo de interatividade pelo qual são agrupadas regiões contínuas,
similares radiometricamente, a partir de pixels individuais, até que todos sejam
contabilizados (Nascimento e Almeida Filho, 1996). Uma etapa inerente ao
processo de segmentação é a definição dos limiares de similaridade e área. O
limiar de similaridade define que duas regiões são similares quando o valor da
distância euclidiana mínima entre as médias das regiões é inferior ao limiar
estipulado. Já o limiar de área representa a área mínima, em pixels, para que
75
uma região seja individualizada. Regiões menores que o limiar estipulado são
absorvidas por outras regiões que possuem média espectral mais próxima.
Em se tratando de áreas agrícolas, os talhões são representados por regiões
nas imagens, onde um agrupamento de pixels se refere ao mesmo tipo de
cultura. Portanto, o conhecimento do relacionamento entre pixels vizinhos é
uma rica fonte de informação. Com a segmentação tem-se, então, o
delineamento das fronteiras dos talhões agrícolas, necessárias para aumentar
a exatidão da classificação (Barros et al., 2001).
Após a segmentação, o ISOSEG utiliza a matriz de covariância e o vetor de
média para estimar o valor central de cada classe. Fonseca (2000) separa a
classificação pelo método ISOSEG em três etapas.
Na definição do limiar, o analista fornece um limiar de aceitação, dado em
porcentagem, com o qual se calcula uma distância mínima entre as regiões
pertences à mesma classe. Quanto maior o limiar fornecido, menor a distância
entre as regiões e, portanto, maior será o número de classes detectadas pelo
algoritmo.
Na detecção das classes, o algoritmo ordena as regiões em ordem decrescente
de área e inicia o procedimento para agrupá-las em classes. Em seguida, um
novo rótulo é atribuído à região de maior área que ainda não tenha sido
classificada. A essa área são associadas todas as regiões cuja distância seja
inferior ao valor mínimo definido pelo limiar de aceitação. Essa etapa é repetida
até que todas as regiões tenham sido classificadas.
Como a detecção das classes é um processo seqüencial, que pode favorecer
as classes que são detectadas em primeiro lugar, a última etapa, denominada
competição entre classes, visa eliminar este “favorecimento”. As regiões são
então reclassificadas considerando-se os novos parâmetros estatísticos das
classes, obtidos na etapa anterior. O processo se repete até que a média das
classes não se altere e termina com todas as regiões associadas a uma classe.
76
2.6.2.3. Classificação Híbrida
A classificação híbrida é um procedimento de classificação que utiliza as duas
abordagens descritas anteriormente (supervisionada e não supervisionada).
Essa classificação é recomendada principalmente em estudos que envolvem
uma estratificação temática mais detalhada (Venturieri e Santos, 1998), onde,
separadamente, os métodos supervisionados e não-supervisionados não
retornam resultados satisfatórios. Primeiramente, através da classificação não-
supervisionada, a imagem é agrupada em regiões espectralmente
homogêneas. Tais regiões são utilizadas para a aquisição das amostras de
treinamento, que serão utilizadas na classificação supervisionada
(Schowengerdt, 1997).
2.6.2.4. Interpretação Visual
Muito embora as diferentes técnicas de classificação possam retornar
resultados que auxiliam no mapeamento das classes de uso do solo
representadas em uma imagem de sensoriamento remoto, sempre irão ocorrer
erros na classificação. Tais erros ocorrem por omissão ou inclusão de áreas
em uma determinada classe temática. Para contorná-los, os softwares
especializados possuem ferramentas específicas, com as quais o usuário pode
alterar, manualmente, um ou um grupo de pixels erroneamente classificados
para a classe temática correta. Na interpretação visual, além das
características espectrais dos alvos presentes na imagem, o usuário leva em
conta outros aspectos que não são considerados pelo algoritmo classificador.
Em outras palavras, o usuário consegue observar de forma integrada as
características espectrais, temporais, texturais e principalmente espaciais da
imagem. Além disso, o conhecimento prévio de informações acerca da área em
estudo, adquiridas por visitas in situ ou em uma base de dados, facilita
consideravelmente a interpretação visual das imagens.
77
2.7. Estatísticas Agrícolas e Relações com o Sensoriamento Remoto Pino (1999) define a expressão estatísticas agrícolas como o conjunto de
estatísticas sobre variáveis referentes ao setor agropecuário, entre as quais se
destacam a área plantada, a produtividade e, por conseqüência destas, a
produção de determinada cultura agrícola. Apesar de existirem diferentes
meios para a obtenção das estatísticas agrícolas, descritos e detalhados em
FAO (1996a; 1996b), este documento ficará restrito a reportar alguns exemplos
do que foi e têm sido feito em nível mundial e nacional, visando à incorporação
das geotecnologias, em especial as imagens de sensoriamento remoto, aos
métodos de obtenção das estatísticas agrícolas.
Com o lançamento do primeiro satélite da série Landsat pela agência espacial
americana (NASA), em 23 de julho de 1972, iniciou-se o processo de obtenção
de imagens para monitoramento ambiental de uma forma regular para toda a
superfície terrestre. Nos Estados Unidos, essas imagens foram adotadas como
ferramenta adicional pelo Serviço Nacional de Estatísticas Agrícolas (NASS),
na tentativa de aprimorar os métodos de amostragem para estimativa de área
plantada, anteriormente realizados apenas com o auxílio de fotografias aéreas.
Neste caso, a principal vantagem das imagens orbitais é a periodicidade com
que as mesmas são adquiridas, fornecendo dados mais atualizados em relação
às aerofotos (FAO, 1998). A partir de 1978, tais imagens se tornaram a
principal fonte de informação para o método de estratificação de áreas
agrícolas do NASS (Allen et al., 2002a). Os resultados alcançados pela
utilização das imagens do Landsat 1 alentaram para o aperfeiçoamento de
novas metodologias visando à aplicação das imagens de sensoriamento
remoto como suporte à geração de estatísticas agrícolas.
Então, movido pelo crescente aumento na capacidade de processamento dos
computadores, o NASS começou a desenvolver em 1987 um SIG denominado
Computer-Assisted Stratification and Sampling (CASS), visando automatizar a
construção dos painéis por área e a seleção das amostras, até então
realizados manualmente. A partir de 1993, o CASS foi adotado no sistema de
78
estimativa do NASS, sendo substituído em 1997 pelos softwares Arcview,
ArcInfo e Erdas (FAO, 1996a, 1998; Wigton, 2004).
Além dos dados de área plantada, o NASS fornece prognósticos de
produtividade agrícola obtidos através de um sistema que utiliza dados
coletados em campo e entrevistas junto aos produtores rurais. Neste caso,
imagens NOAA/AVHRR, sob a forma de índice de vegetação (NDVI), são
utilizadas apenas para o monitoramento da vegetação durante a estação de
crescimento das culturas e comparadas com imagens e dados de produtividade
de anos anteriores. Apesar disto, a análise das imagens possibilita apenas
inferências limitadas da variação interanual nos níveis de produtividade (Hale et
al., 1999; Allen et al., 2002b).
Baseado em parte na experiência americana, o projeto MARS (Monitoring
Agriculture through Remote Sensing techniques) foi aprovado em 1988 visando
atender os propósitos da Common Agricultural Policy (CAP) da Comunidade
Européia, criada com a meta principal de aumentar o poder competitivo dos
países membros frente ao mercado mundial. Neste sentido, o Fundo Europeu
de Orientação e Garantia Agrícola (EAGGF) direciona subsídios aos produtores
rurais objetivando, entre outras finalidades, reduzir a superprodução de
determinadas culturas dentro da Comunidade Européia (CE) (EUROPA, 2003).
Como o subsídio é definido de acordo com a área plantada informada pelos
próprios agricultores, o EAGGF necessita de um método de aferição confiável,
rápido, de baixo custo e que possa ser aplicado uniformemente em todos os
países pertencentes à CE. Para tanto, visando identificar e quantificar a área
das culturas agrícolas de maior importância, o MARS utiliza um método
amostral que faz uso de imagens adquiridas pelos sensores SPOT/HRV e
Landsat/TM. Nesse método, os contornos das unidades de amostragem são
definidos sob a forma de quadrados de 50 x 50 km ou círculos de 25 km de raio
(para serem compatíveis com uma imagem HRV/SPOT). As imagens são
classificadas através de algoritmos computacionais e interpretação visual, onde
somente áreas de identificação duvidosa são analisadas em campo. Em 1993,
79
35.000 locais em 11 países membros foram aferidos utilizando cerca 240
imagens de sensoriamento remoto (Terres et al., 1995).
O projeto MARS conta também com um sistema de monitoramento da
produtividade agrícola, denominado Crop Growth Monitoring System (CGMS)
(mars.jrc.it/stats/cgms), utilizado como subsídio aos métodos tradicionais de
geração de estatísticas agrícolas da CE. Esse sistema toma por base dados
meteorológicos e imagens NOAA/AVHRR e SPOT/VEGETATION integrados
em um modelo agrometeorológico-espectral para realizar estimativas de
produtividade de diversas culturas em toda a CE (Supit e van der Goot, 2003).
O CGMS vem sofrendo modificações ao longo de suas versões, onde novas
variáveis e parâmetros são introduzidos, sendo que as pesquisas futuras
buscam viabilizar a utilização de dados de modelos numéricos de previsão do
tempo e imagens oriundas do sensor MODIS (Boogaard, 2003). Além disso, o
CGMS vem sendo adaptado visando gerar prognósticos regionais de acordo
com a necessidade de alguns países, como demonstram os trabalhos de Buffet
et al. (1999) na Bélgica, Kuittinen et al. (1999) na Finlândia, até mesmo fora da
CE (Curnel e Oger, 2003).
No Brasil, o único levantamento agrícola oficial onde as imagens de
sensoriamento remoto foram utilizadas foi o sistema PREVS (Pesquisa
Objetiva de Previsão de Safras), originado em 1986 de uma cooperação entre
o Instituto Brasileiro de Geografia e Estatística (IBGE) e o Instituto Nacional de
Pesquisas Espaciais (INPE). Esse sistema teve como finalidade gerar
prognósticos de área plantada tendo por base o método de segmentos
amostrais do NASS. A coleta de dados de campo nas amostras foi baseada em
fotografias aéreas de arquivo para definir os campos de uso do solo. Os dados
coletados foram utilizados para expansão da amostra com o fim de obter
informações sobre os principais produtos agrícolas em nível estadual.
Entretanto, o uso de fotografias aéreas de arquivo dificulta a demarcação dos
segmentos amostrais, devido à dinâmica do uso do solo no decorrer do tempo
(INPE - IBGE, 1998).
80
A PREVS foi inicialmente projetada para abranger parte do território nacional,
envolvendo os Estados de São Paulo, Santa Catarina, Paraná e o Distrito
Federal (FAO, 1998). Muito embora houvesse tentativas de desenvolver novas
metodologias (Medeiros et al., 1996; Adami, 2003), o sistema PREVS se
restringiu ao Estado do Paraná, mesmo assim, realizado somente até o ano de
2001 (Adami, 2004), e só utilizou imagens do satélite Landsat 5 na fase de
construção dos painéis amostrais, embora se pretendesse utilizá-las como
variável auxiliar dos estimadores por regressão (Ippoliti-Ramilo et al., 1999).
Atualmente, a utilização das imagens de sensoriamento remoto na geração das
estatísticas agrícolas brasileiras oficiais se concentra apenas no âmbito da
pesquisa, onde alguns artigos de maior relevância para o presente trabalho
serão discutidos em itens específicos no decorrer do texto.
2.8. Estimativa da Área Plantada a Partir de Imagens de Sensoriamento Remoto
Uma das premissas necessárias em um sistema de levantamento de safras
agrícolas é a estimativa da área plantada com as diferentes culturas presentes
em uma determinada região (Pax-Lenney e Woodcock, 1997). A identificação
de áreas ocupadas pelas culturas através da classificação de imagens de
sensoriamento remoto parte do princípio que as culturas, em função de suas
características intrínsecas, possuem comportamento espectral distintos, os
quais são manifestados em uma imagem digital. Além da possibilidade da
identificação e quantificação da área ocupada, uma imagem classificada
possibilita a localização espacial dos talhões, o que facilita uma aferição
diretamente no campo, bem como a estimativa/previsão em anos
subseqüentes.
Entretanto, somente certas culturas podem ser monitoradas com imagens de
média resolução espacial. São aquelas que ocupam as maiores áreas, sendo
cultivadas mecanicamente e, portanto, em talhões cujas dimensões mínimas
geralmente superam uma dezena de hectares e que, conseqüentemente, são
as que possuem maior importância econômica (Luiz e Epiphanio, 2001).
81
Contudo, em uma região tradicionalmente agrícola, um número muito restrito
de culturas são consideradas como as mais importantes. Uma série de
condicionantes, sejam eles ambientais, econômicos ou de tradição, fazem com
que um determinado município ou região tenha uma certa vocação agrícola
para determinadas culturas, que não se altera em um curto período de tempo.
Assim, a utilização de informações prévias e o conhecimento das culturas
implantadas na região facilitam a classificação das diferentes espécies
agrícolas.
Além disso, em regiões caracterizadas pela presença de várias espécies
agrícolas ou quando o plantio das culturas é distribuído ao longo de uma
estação do ano, deve ser levado em consideração o aspecto multitemporal das
imagens de sensoriamento remoto, pelo fato das diferentes culturas
apresentarem respostas espectrais características em função do estádio
fenológico (Barros et al., 2001).
Medeiros et al. (1996) utilizaram uma imagem Landsat TM na estimativa da
área plantada com as culturas da cana-de-açúcar, milho e soja, em nível
municipal, na região norte de São Paulo. Os resultados apontaram grandes
discrepâncias entre a estimativa de área plantada, obtida através da
classificação digital da imagem e a estimativa pelo LSPA/IBGE. Apesar de não
apontarem a origem dessas discrepâncias, os autores destacam que as
imagens de satélite podem fornecer informações objetivas e confiáveis de
estimativa de área plantada.
Ippoliti-Ramilo et al. (2003) utilizaram imagens multitemporais de junho,
setembro e outubro, meses com maior probabilidade de obtenção de imagens
livres de nuvens, em uma área caracterizada por culturas de ciclo curto e cana-
de-açúcar. Em virtude das imagens coincidirem com o período que antecede o
plantio, as culturas foram classificadas em função do uso provável dos talhões
no verão.
Motta et al. (2001) correlacionaram a área estimada através de um classificador
não-supervisionado versus medições em campo feitas com um GPS
82
topográfico, objetivando avaliar o potencial das imagens Landsat/TM na
estimativa da área plantada com soja. Os autores utilizaram duas imagens
adjacentes adquiridas em datas coincidentes com o pleno desenvolvimento da
cultura, para uma área da região nordeste do Rio Grande do Sul, tendo
encontrado um alto coeficiente de determinação (0,97) entre a área estimada
na imagem e a medida em campo.
Fontana et al. (2001) utilizaram imagens Landsat na estimativa da área
plantada com soja em nível nacional para o ano-safra 1999/00. Apesar de
abranger cerca de 60% da área cultivada com a cultura no Brasil, o estudo
esbarrou no problema relacionado à cobertura de nuvens por ocasião da
obtenção das imagens. Isto ocorreu também em virtude de os autores terem
utilizado somente imagens adquiridas pelo sensor TM, que não foi satisfatório
para a aquisição de imagens livres de nuvens no período considerado ideal,
devido à sua baixa resolução temporal para este estudo. Como conseqüência,
a maioria dos municípios estudados no Rio Grande do Sul (155 entre os 282
analisados) não teve sua área totalmente classificada. Apesar de reportarem a
facilidade na identificação e medição das áreas cultivadas, os autores não
fizeram uma comparação entre a área estimada através classificação das
imagens e a fornecida pelo IBGE.
Adami (2003) sugere um método para estimativa de área plantada baseado na
técnica de amostragem por segmentos quadrados. Nesse método, a área de
estudo é dividida em segmentos regulares de 1 x 1 km. Alguns desses
segmentos são aleatoriamente escolhidos, nos quais as culturas de interesse
têm sua área quantificada por meio de visitas em campo. Através de um
método denominado expansão direta, esta informação é utilizada na estimativa
da área plantada no restante da região em estudo. O autor utilizou tal método
objetivando estimar a área plantada com café, milho e soja em uma região do
norte do Paraná. Os resultados alcançados mostraram diferenças entre a
estimativa de área plantada obtida pelo método empregado em comparação à
gerada subjetivamente pelo Departamento de Economia Rural do Estado
83
(DERAL). Para as culturas de café e milho, as diferenças relativas foram de
14,2 e -78,6%, com coeficientes de variação (CV) de 24,53 e 26,05%,
respectivamente. Isto pode ser justificado pelo fato de essas culturas terem
pouca expressão na região em estudo (2% para o café e 3% para o milho), o
que diminui a precisão das estimativas. No caso da soja, que representa cerca
de 30% da área, o método de amostragem subestimou a área plantada em
apenas 5,9% em relação ao DERAL, com o CV ficando em 6,59%. Apesar dos
resultados encontrados, é difícil inferir sobre a exatidão do método proposto,
pois não se pode assegurar que a estimativa subjetiva do DERAL corresponda
à realidade do campo, em virtude da ausência de um dado de referência
confiável.
Luiz (2003) propoz um método para estimativa de área plantada com grandes
culturas que leva em conta a própria conformação da imagem digital. O autor
afirma que pela classificação de alguns pixels (através da classificação da
imagem e/ou por visitas em campo) aleatoriamente escolhidos em uma
imagem de uma região agrícola, pode-se inferir sobre a área ocupada por cada
classe de uso do solo em toda região, utilizando-se de técnicas estatísticas.
Segundo o autor, esse método é indicado para regiões onde as culturas
agrícolas superam 1% da área total do município, e possuem talhões que
excedem os 10 hectares. Para a verificação do método proposto, o autor
realizou 10 sorteios (número amostral igual a 100) sobre uma imagem
classificada por meio de visitas em campo, visando à estimativa da área das
culturas cana-de-açúcar, soja e milho em um município do nordeste do Estado
de São Paulo. Apesar de a média das 10 estimativas ter sido próxima ao dado
tido como referência, para as três culturas analisadas (15.316 contra 15.096 ha
para cana-de-açúcar, 17.377 contra 16.155 ha para soja e 1.733 contra 1.674
ha para milho), foram encontradas grandes diferenças entre as estimativas de
cada sorteio no caso da soja. Os dados dos sorteios individuais para cana-de-
açúcar e milho não foram apresentados no trabalho. Ainda assim, o autor
salienta que além de se ter uma boa noção do valor correto da área plantada,
84
os dados estão associados a um erro de estimativa amostral, fornecendo a
informação sobre a qualidade da estimativa realizada.
2.9. Estimativa da Produtividade Através de Modelos
Segundo Rudorff (1985), os modelos de estimativa de produtividade visam
representar de forma simplificada a relação existente entre a cultura e o
ambiente. Baier (1979) classificou os modelos que relacionam as plantas e o
seu ambiente em três categorias: modelos estatísticos empíricos, modelos de
simulação de crescimento e modelos de análise da cultura e seu meio.
Os modelos estatísticos empíricos utilizam séries históricas de dados climáticos
e de produtividade, relativos a uma mesma região. Através de técnicas
estatísticas de regressão linear, esses modelos produzem equações que
podem ser usadas para a estimativa da produtividade. Sua grande
desvantagem é que, muito freqüentemente, estes modelos são localizados,
pois as variáveis agrometeorológicas, definidoras da produtividade, são
espacialmente homogêneas somente em áreas limitadas, com o mesmo tipo de
solo, relevo, clima, práticas de cultivo etc. (Braga, 1995). Além disso, diferentes
cultivares de uma mesma espécie agrícola costumam apresentar respostas
diferentes a essas variáveis (Farias et al., 2000). Ainda assim, embora
retornem bons resultados em condições climáticas normais, os modelos
estatísticos empíricos se mostram insensíveis às variações climáticas bruscas,
as quais influenciam consideravelmente a produtividade (FAO, 1986). Apesar
disso, altos coeficientes de correlação entre a produtividade final de culturas
agrícolas e elementos climáticos têm sido relatados na literatura (Mota, 1997;
Chen, 1981; entre outros).
Os modelos de simulação de crescimento são uma representação simplificada
dos mecanismos físicos, químicos e fisiológicos que interferem no crescimento
e desenvolvimento das plantas. Esses modelos partem do princípio que uma
vez conhecidos esses mecanismos, o impacto das variáveis meteorológicas em
processos específicos (fotossíntese, respiração e transpiração) pode ser
85
simulado por equações matemáticas. Entretanto, do ponto de vista da
aplicação prática, tais modelos apresentam severas restrições pela falta de
informações detalhadas, tanto de fisiologia das plantas, quanto do ambiente
(Berlato, 1987).
Os modelos de análise da cultura e seu meio, ou modelos agrometeorológicos,
visam representar, também de forma simplificada, as relações existentes entre
a resposta da planta e as variáveis ambientais durante todo o ciclo da cultura.
Esses modelos requerem um detalhado conhecimento sobre o que ocorre na
interação entre a planta, o solo e o meio atmosférico, tais como: fluxo de água
no solo e na planta, evapotranspiração, radiação solar etc. Essa interação é
então transferida para sistemas de equações que permitem analisar as
contribuições das variáveis agrometeorológicas na expressão da produtividade
final da cultura (Berlato, 1987). Apesar disso, Doorenbos e Kassam (1979)
discutiram a dificuldade na determinação prévia da produtividade, afirmando
que outros fatores intimamente relacionados à produtividade final de uma
cultura (processos fisiológicos, propriedades físico-químicas do solo, manejo,
diferença de cultivares etc.) não podem ser completamente introduzidos em
modelos desta natureza. Parte desta questão pode ser resolvida a partir da
incorporação de um termo espectral, representado por um índice de vegetação,
ao modelo agrometeorológico (Rudorff e Batista, 1990; Fontana e Berlato,
1998).
2.9.1. Modelos Agrometeorológicos
Doorenbos e Kassam (1979) desenvolveram um modelo de estimativa de
produtividade passível de ser aplicado a várias culturas agrícolas. Esse modelo
se baseia na quantificação do estresse hídrico através da relação entre a
evapotranspiração real (ETr) e a evapotranspiração máxima (ETm), limitado
por um fator de resposta à produtividade (ky) (Equação 2.6):
−−=
ETmETrkyPMPR 11 (2.6)
86
onde, PR = produtividade real;
PM = produtividade máxima;
ky = fator de resposta à produtividade;
ETr = evapotranspiração real;
ETm = evapotranspiração máxima.
O modelo permite a divisão do ciclo da cultura em períodos menores de tempo
(e.g. 5, 10 ou 15 dias), onde são calculados a produtividade e o déficit relativo
da evapotranspiração para cada um desses períodos. A produtividade final é
então determinada pelo somatório das produtividades parciais. Entretanto,
como a sensibilidade ao déficit hídrico é variável ao longo do ciclo da cultura, o
período de semeadura deve ser considerado, pois irá determinar a magnitude
da influência das condições climáticas no crescimento e desenvolvimento da
cultura, nos diferentes estádios do seu ciclo fenológico.
O modelo proposto por Doorenbos e Kassam (1979) tem sido amplamente
utilizado, direta ou indiretamente, em várias pesquisas relacionadas ao tema
(Rudorff e Batista, 1990, 1991; Sugawara, 2002; Berka et al., 2003), sendo
algumas delas abordadas no decorrer do texto.
2.9.2. Modelos Espectrais e Agrometeorológicos-espectrais
Alguns métodos têm sido propostos paea incorporar uma variável espectral na
estimativa da produtividade. Esses métodos relacionam os índices de
vegetação à produtividade das culturas através de equações de regressão,
sendo denominados modelos espectrais. Esses modelos também podem ser
associados a modelos agrometeorológicos, sendo então denominados de
modelos agrometeorológicos-espectrais (Equação 2.7). Entretanto, poucos
estudos desenvolvidos até hoje conseguiram estabelecer uma relação entre as
imagens de sensoriamento remoto e as condições biofísicas das culturas, de
tal forma que as imagens possam ser utilizadas na geração de estatísticas
agrícolas. Pois alguns fatores intimamente ligados à produtividade parecem
87
não ser manifestados na reflectância dos dosséis agrícolas ou não são
perceptíveis pelas imagens até então utilizadas.
Ya = ao + a1 .(IV) + a2. Ym (2.7)
Onde,
Ya = produtividade estimada através do modelo agrometeorológico-espectral;
a0, a1 e a2 = coeficientes da equação de regressão;
IV = Índice de Vegetação;
Ym = produtividade estimada pelo modelo agrometeorológico.
2.9.3. Parametrização dos Modelos de Produtividade
Uma etapa crucial no desenvolvimento de modelos de produtividade em escala
municipal ou estadual é a sua parametrização em relação aos dados oficiais
históricos. Em outras palavras, o cálculo da produtividade é realizado para
alguns anos-safra, onde pequenas alterações são realizadas em alguns
parâmetros agronômicos do modelo na tentativa de aproximar ao máximo os
dados calculados aos dados oficiais. Após a parametrização, o modelo é
utilizado no cálculo da produtividade dos demais anos. Contudo, os dados
oficiais de produtividade (kg ha-1) são estimados em função da produção (kg)
observada no final da safra e da área plantada (ha), subjetivamente estimada
por ocasião da semeadura da cultura. Assim, qualquer erro na estimativa da
área plantada implica, invariavelmente, em erros na estimativa da produtividade
final, o que compromete a parametrização do modelo. Isto reforça a
necessidade da estimativa correta da área plantada para o teste e ajuste dos
parâmetros agronômicos em modelos de produtividade.
2.9.4. Relação dos Modelos de Produtividade com Dados Meteorológicos
Um sistema de previsão de safras eficiente deve utilizar o menor volume de
dados possível para que o processamento e análise das informações sejam
realizados de uma forma rápida, sem, entretanto, comprometer a precisão dos
88
resultados. Ainda assim, deve fornecer estatísticas agrícolas confiáveis em
tempo oportuno (geralmente no início do ciclo da cultura) para que sejam
traçadas decisões referentes à política de preços e ao abastecimento interno.
Todavia, os dados meteorológicos necessários aos modelos de produtividade
(referentes à safra em questão) só estarão sendo produzidos ao longo do ciclo
da cultura, quando tais decisões já devem ter sido postas em prática. Em
adição, esses dados não estão prontamente disponíveis para a utilização no
modelo, quer seja por fatores relacionados ao acesso aos mesmos, quer seja
pelo pré-processamento e interpolação necessários. Neste sentido, dados
meteorológicos históricos podem ser usados para alimentar modelos que visam
à estimativa prévia da produtividade. Assim que os dados reais forem sendo
disponibilizados, os dados históricos podem ser substituídos, aumentando a
precisão da previsão (Hoogenboom, 2000).
Apesar disso, os dados históricos podem não representar corretamente as
condições meteorológicas do ano em estudo. Fenômenos climáticos globais,
como “El Niño” e ”La Niña”, têm impacto expressivo no clima de algumas
regiões, principalmente na distribuição e intensidade do regime pluviométrico
(principal definidor da produtividade) no período primavera/verão (Berlato e
Fontana, 1999). Apesar disso, a ocorrência desses fenômenos é bem
caracterizada ao longo dos anos, além de ser prevista com certa antecedência.
Nestes casos, pode ser empregado um modelo que utilize dados
meteorológicos de anos caracterizados pela ocorrência desses fenômenos.
Assim, além da obtenção de previsões mais confiáveis, podem ser tomadas
medidas visando minimizar prováveis prejuízos (Hoogenboom, 2000), como o
reescalonamento do plantio ou até mesmo a implantação de uma cultura
menos exigente em disponibilidade hídrica.
2.9.5. Pesquisas Envolvendo Modelos de Produtividade
Rudorff e Batista (1990) utilizaram um modelo agrometeorológico para estimar
a produtividade da cana-de-açúcar em lavouras comerciais em quatro anos-
safra. Esses autores propuseram, ainda, um modelo espectral utilizando o RVI
89
(Ratio Vegetation Index), oriundo de imagens MSS/Landsat e um modelo
agrometeorológico-espectral para a mesma estimativa, para os três primeiros
anos. O modelo agrometeorológico-espectral foi elaborado a partir da técnica
da regressão linear múltipla, onde entraram como variáveis independentes, a
produtividade estimada através do modelo agrometeorológico e o RVI referente
à data na qual este índice mais se correlacionou com a produtividade
observada. Os autores reportam que para os três primeiros anos-safra os
coeficientes de determinação entre a produtividade observada e a estimada
pelo modelo espectral e pelo modelo agrometeorológico variaram entre 0,14 e
0,59 e entre 0,28 e 0,64, respectivamente. A regressão entre a produtividade
observada e a produtividade do modelo agrometeorológico-espectral
apresentou valores de r2 que variaram entre 0,50 e 0,69, ou seja, houve uma
melhora substancial dos resultados.
Em outro estudo, Rudorff e Batista (1991) utilizaram o RVI oriundo de imagens
TM/Landsat e dados meteorológicos para desenvolver modelos de estimativa
de produtividade para a cultura do trigo em lavouras comerciais durante dois
anos-safra. Novamente, os autores afirmam que o modelo agrometeorológico-
espectral estimou com maior precisão (r2 = 0,65) a produtividade final da cultura
quando comparado aos modelos espectral (r2 = 0,48) e agrometeorológico (r2 =
0,43).
Fontana e Berlato (1998) empregaram dados de máximo NDVI semanais,
oriundos de imagens NOAA/AVHRR com resolução espacial degradada para
15 x 15 km, em um modelo agrometeorológico-espectral visando estimar a
produtividade da cultura da soja no Estado do Rio Grande do Sul. Os autores
afirmam que este modelo explicou 55,2% da variação da produtividade, contra
54% do modelo sem a variável espectral. Mesmo tendo apresentado resultados
muito próximos, a diferença entre a produtividade observada e estimada foi
estatisticamente menor no modelo que inclui a variável espectral.
Outro enfoque para a utilização de imagens de sensoriamento remoto na
estimativa da produtividade de culturas agrícolas foi dado por Liu e Kogan
90
(2002). Os autores confrontaram uma série histórica de 12 anos de dados de
produtividade de soja com dados de máximo NDVI e temperatura de brilho,
extraídos de imagens adquiridas pelo sensor NOAA/AVHRR, na produção de
equações de regressão visando à estimativa da produtividade da cultura para
nove Estados brasileiros. Os coeficientes de determinação variaram de 0,29
para o Rio Grande do Sul a 0,92 para Minas Gerais. Os autores apontam que
as imagens oriundas desse sensor podem dar suporte às pesquisas que visam
à estimativa/previsão da produtividade agrícola em escalas estadual e nacional.
2.9.6. Integração de Modelos de Produtividade em SIG
Uma das limitações dos modelos de produtividade é que estes são
desenvolvidos para aplicações pontuais, o que restringe a sua utilização a
locais onde os dados agrometeorológicos estão disponíveis (Hoogenboom,
2000). Entretanto, a estimativa da produtividade em escala municipal ou
estadual deve abranger, espacialmente, toda a área em estudo. Isto exige a
disponibilidade, bem como a espacialização e integração de uma grande
variedade de dados agrometeorológicos, só possível com o auxílio de técnicas
de geoprocessamento e análise espacial integradas aos SIGs (Hartkamp et al.,
1999).
Os modelos de produtividade agrícola integrados aos SIGs são constituídos por
vários planos de informação (PIs) que podem representar mapas de solo,
dados meteorológicos espacializados, modelos digitais de elevação ou
imagens de sensoriamento remoto (geralmente sob a forma de índice de
vegetação ou parâmetros biofísicos das plantas). Esses modelos podem ser
utilizados tanto em nível de lavoura, quanto em escalas regionais ou nacionais,
bastando definir a resolução espacial (escala) das variáveis de entrada.
Através de um programa desenvolvido em uma linguagem de programação
integrada (e.g. LEGAL/SPRING), que contenha as equações matemáticas
intrínsecas ao modelo, o SIG possibilita ao usuário promover a integração e a
análise espacial e temporal simultâneas entre os diferentes PIs (Hartkamp et
91
al., 1999), tendo como resultado a informação relativa à produtividade da
cultura em estudo. Essa informação pode ser armazenada em um banco de
dados geográfico e associada às informações referentes à área plantada,
resultando na estimativa da produção. Desta forma, uma vez desenvolvido um
modelo de estimativa de produtividade viável para uma determinada cultura e
local, basta fornecermos ao sistema os valores atualizados das variáveis de
entrada do modelo para a obtenção da estimativa da produtividade de um
determinado período.
Berka et al. (2003) utilizaram o modelo agrometeorológico proposto por
Doorenbos e Kassam (1979), implementado na linguagem de programação
LEGAL/SPRING, denominado AGROMET, para estimar a produtividade da
cultura da soja, em nível municipal e estadual, para cinco anos-safra no
período de 1996/97 a 2000/01, para o Estado do Paraná. Em adição aos dados
meteorológicos, os autores inseriram uma variável biofísica, representada por
valores de IAF, obtidos em experimento a campo. A análise dos resultados
apontou que o modelo agrometeorológico foi satisfatório na estimativa da
produtividade para os anos-safra de 1997/98 a 1999/00, pois a diferença
encontrada entre os valores estimados e os fornecidos pela Secretaria da
Agricultura e do Abastecimento do Paraná (SEAB) não foi estatisticamente
significativa. Os autores afirmam que a causa da superestimação da
produtividade em 17% para o ano-safra 1996/97 foi a ocorrência de uma
doença fúngica, cujo efeito não foi considerado pelo modelo. Os autores
reportam ainda que a subestimação da produtividade em 10,5% para o ano-
safra 2000/01 foi, possivelmente, devida à subestimação, por parte da SEAB,
do valor referente à área plantada com a cultura, de tal forma que eles supõem
que o valor da produtividade foi aumentado para ser condizente com o volume
da produção observado neste período.
Melo et al. (2003) adaptaram o modelo de produtividade ajustado por Berlato
(1987) para a estimativa da produtividade da soja no Rio Grande do Sul por
meio de um SIG. Para tal, os autores utilizaram dados meteorológicos e de
92
produtividade referentes ao período de 1982 a 2000 para o ajuste (excetuando
os anos de validação) e aos anos de 1982, 1985, 1990, 1991 e 1997 para a
validação do modelo. Em adição, os autores inseriram um termo espectral,
extraído de compostos de imagens NDVI/AVHRR, com resolução espacial de 9
x 9 km, para os meses de dezembro e janeiro. Os coeficientes de determinação
entre a produtividade observada e a estimada pelo modelo foram de 0,73 e
0,77, para os períodos de ajuste e validação, respectivamente. A incorporação
do termo espectral melhorou o desempenho das estimativas, sendo que os
coeficientes de determinação para os períodos de ajuste e validação foram de
0,91 e 0,88, respectivamente. Além de aumentar a acurácia das estimativas, a
utilização das imagens de satélite permitiu a geração de mapas com diferentes
níveis de produtividade de soja para toda a região em estudo.
Apesar dos resultados alcançados, tal metodologia requer uma longa série de
dados históricos (imagens de SR, dados meteorológicos e de produtividade)
para promover o ajuste do modelo de estimativa. Isto inviabiliza sua aplicação a
curto prazo em regiões como o Centro-Oeste brasileiro, onde a exploração da
atividade agrícola é relativamente recente e a disponibilidade de dados
meteorológicos históricos é pequena.
93
CAPÍTULO 3
MATERIAL E MÉTODOS
3.1. Ferramentas Computacionais As diferentes etapas do projeto foram realizadas em um microcomputador
padrão PC, com configurações de hardware e sistema operacional
especificadas para atender as necessidades do referido projeto. O aplicativo
computacional que deu suporte às análises foi o SPRING/INPE 3.6.03, no qual
foram executadas as etapas relativas ao processamento digital das imagens e
ao processamento geográfico dos dados.
O modelo de produtividade AGROMET, primeiramente desenvolvido em
linguagem LEGAL por Sugawara (2002), foi integrado ao SPRING pela Divisão
de Processamento de Imagens (DPI) do INPE como uma interface gráfica
(Figura 3.1), estando provisoriamente disponível somente numa versão de
distribuição interna (SPRING 3.7), utilizada na execução do modelo.
FIGURA 3.1 - Interface do Modelo AGROMET.
94
As imagens e produtos oriundos do sensor MODIS são disponibilizados no
portal de dados do EOS no formato Hierarchical Data Format (HDF) e foram
reprojetadas para o formato Georeferenced Tag Image File Format (Geo-TIFF),
através do software Modis Reprojection Tool 3.1, desenvolvido pelo EOS
especificamente para este fim. Por serem disponibilizadas em 16 bits e,
portanto, incompatíveis com o SPRING, as imagens MODIS foram convertidas
para 8 bits, utilizando-se o software ConvGeotiff 1.0, desenvolvido pelo INPE.
3.2. Criação do Banco de Dados Geográfico Um banco de dados georreferenciado abrangendo os limites geodésicos da
área de estudo foi criado, onde foram armazenados todos os dados referentes
ao projeto. Esses dados representam tanto geo-campos e geo-objetos,
referentes às imagens de sensoriamento remoto, dados agrometeorológicos e
mapas base para georreferenciamento, quanto dados tabulares relacionados
aos geo-objetos, que envolvem dados de produtividade, área plantada e
produção de soja, em nível municipal.
As imagens Landsat utilizadas na estimativa da área plantada foram inseridas
no banco de dados através do módulo de importação do SPRING. O processo
de importação engloba, também, o registro das imagens. Nesse processo, foi
utilizado como base cartográfica um mapa cadastral georreferenciado contendo
os limites políticos municipais correspondentes ao ano de 2001, adquirido junto
à Fundação Estadual de Proteção Ambiental do Rio Grande do Sul
(FEPAM/RS). Devido à alta qualidade geométrica, as imagens MODIS foram
importadas sem a necessidade de georreferenciamento adicional.
Os dados coletados pelas estações meteorológicas representam amostras
pontuais e foram inseridos através do formato American Standard Code for
Information Interchange (ASCII). Os demais dados agrometeorológicos (mapas
de altitude e de capacidade de armazenamento de água dos solos)
necessários foram importados em um formato compatível ao modelo
AGROMET.
95
Os dados oficiais fornecidos pelo IBGE (área plantada, produtividade e
produção de soja, em nível municipal) estão disponíveis na web page da
EMATER/RS (Empresa de Assistência Técnica e Extensão Rural do Rio
Grande do Sul) (www.emater.tche.br) e foram importados no formato de dados
tabulares relacionados ao mapa cadastral dos municípios que estão
englobados pela área de estudo.
3.3. Área de Estudo A área de estudo está localizada entre as latitudes S 27o 03’ e S 30o 13’ e as
longitudes W 50o 40’ e W 56o 20’, abrangendo 322 municípios (117.628 km2),
os quais correspondem a mais de 90% da área plantada com soja no Rio
Grande do Sul (Figura 3.2). A agricultura é tecnificada, apesar das áreas
dotadas de irrigação artificial pelo sistema pivô central serem muito reduzidas.
É comum a prática de dois ciclos agrícolas por ano. Na estação de verão a
principal espécie cultivada é a soja, com um pequeno destaque para o milho,
utilizado em rotação com a soja para viabilizar a implantação do sistema plantio
direto na palha. No período de inverno enfatizam-se as culturas do trigo, aveia
e cevada. Existem, ainda, áreas de pecuária extensiva sob pastagem natural
(campo nativo), que vêm sendo substituídas pelo cultivo da soja. Os extremos
oeste e sul são também caracterizados pela presença de áreas de arroz
irrigado.
96
FIGURA 3.2 - Área de Estudo e a Respectiva Localização Geográfica.
97
3.3.1. Características Agroclimáticas
Pelo sistema internacional de classificação climática de Köeppen, o clima do
Rio Grande do Sul pertence à zona fundamental temperada (C), tipo
fundamental úmido (Cf), com duas variedades específicas: subtropical (Cfa) e
temperado (Cfb). A maior parte da área de estudo enquadra-se na variedade
Cfa, onde a temperatura média do mês mais quente é superior a 22,0 ºC. Uma
pequena parte (extremo Nordeste) é classificada como pertencente ao clima
Cfb, com temperatura média do mês mais quente inferior a 22,0 ºC.
A temperatura média anual oscila entre 14,0 e 20,0ºC, sendo que a do mês
mais quente (janeiro) varia entre 18,0 e 26,5ºC e a do mês mais frio (julho)
varia entre 9,5 e 15,8ºC. Os totais anuais médios de precipitação pluvial
situam-se entre 1.100 e 2.500 mm (Mota, 1951; Cunha et al., 2001). Apesar de
ser bem distribuída ao longo do ano (verão 24%, outono 25%, inverno 25% e
primavera 26%), em virtude da maior demanda evaporativa da atmosfera no
verão, a precipitação pluvial normal neste período é, em geral, insuficiente para
atender as necessidades hídricas das culturas (Berlato, 1992).
A duração do brilho solar varia entre 2.200 e 2.500 horas por ano e a umidade
relativa do ar oscila entre 75 e 85% (Cunha et al., 2001). As classes de solos
predominantes na região são: Chernossolos, Latossolos, Neossolos,
Argissolos, Nitossolos, Cambissolos, Alissolos, Planossolos e Luvissolos
(Brasil, 1973), segundo a nova classificação brasileira (Prado, 2001).
Para facilitar a compreensão da metodologia, a Figura 3.3 exibe um fluxograma
das principais etapas que envolveram o trabalho.
98
FIGURA 3.3 - Fluxograma das Principais Etapas que Envolveram a
Metodologia do Trabalho.
3.4. Estimativa da Área Plantada
3.4.1. Estimativa Via Mapeamento das Imagens Landsat - Ano-safra 2000/01
A estimativa da área plantada foi realizada para o ano-safra 2000/01 através da
classificação automática e visual de imagens adquiridas pelos sensores TM e
ETM+. A classificação automática seguiu a metodologia de uma classificação
não-supervisionada (ISOSEG) descrita no Item 2.6.2.2. Para cada órbita/ponto
foram utilizadas imagens adquiridas em dois períodos distintos ao longo do
ciclo da cultura. As datas de obtenção das imagens foram selecionadas
levando em consideração o período de melhor separabilidade espectral da
99
cultura da soja em relação aos demais alvos (final de janeiro a meados de
março), bem como a ausência de cobertura de nuvens (Tabela 3.1).
TABELA 3.1 - Imagens Landsat Utilizadas na Estimativa de Área Plantada com Soja no Ano-safra 2000/01.
Órbita/ponto (deslocamento)
221/80 (4” N)
222/79 (3” S)
222/80 (3” S)
223/79 (2” S)
223/80 (2” S)
224/79 (5” S)
Classificação automática e Interpretação
visual
10-02-01** 05-03-01** 05-03-01** 04-03-01* 04-03-01* 03-03-01**
Interpretação visual 14-03-01* 25-02-01* 08-02-01** 08-02-01** 08-02-01** 07-02-01**
* Sensor TM ** Sensor ETM+ A classificação automática teve por base as imagens adquiridas em meados de
março (com exceção da órbita/ponto 221/80), por apresentarem a melhor
qualidade em relação ao problema de cobertura de nuvens. A primeira fase
envolveu o processo de segmentação. Para tanto, foi utilizado um algoritmo,
denominado crescimento de regiões (Item, 2.6.2.2.1), com limiares de área e
similaridade definidos em 64 pixels (≅ 4 ha) e sete níveis de cinza,
respectivamente. Para diminuir o tempo computacional exigido pelo grande
volume de dados, optou-se por utilizar apenas a banda 4 no processo de
segmentação, por ser a que possibilitou a melhor discriminação das áreas com
soja. Após a segmentação, foi realizada a extração das regiões utilizando-se as
bandas 3, 4 e 5 dos referidos sensores.
Posteriormente, as imagens foram classificadas através do algoritmo ISOSEG
(Item 2.6.2.2), com limiar de aceitação de 75%, que agrupou as regiões em
classes espectrais homogêneas. As diferentes classes espectrais foram
superpostas às imagens Landsat e analisadas individualmente, sendo então
associadas às classes temáticas de uso do solo, as quais se resumiram a soja
100
e não-soja. Como resultado, obteve-se um PI temático contendo apenas essas
duas classes.
Como os erros de omissão e inclusão são inerentes a uma classificação
baseada somente em um algoritmo computacional, fez-se necessário realizar a
interpretação visual (Item 2.6.2.4) como complemento à classificação
automática. Para aumentar a exatidão da classificação, esta fase do projeto
tomou por base as imagens adquiridas em ambos períodos (fevereiro e março).
Neste caso, o PI contendo as classes temáticas foi superposto às imagens
Landsat, sendo as duas classes temáticas criteriosamente analisadas, ora
sobre as imagens adquiridas em fevereiro, ora sobre as adquiridas em março.
As áreas erroneamente classificadas pelo ISOSEG foram então alteradas para
a classe temática correta.
O critério para definir uma área da imagem como pertencente a um
determinado tema de uso do solo é particularmente importante na interpretação
visual, pois irá definir se as classes temáticas resultantes irão representar a
realidade existente no campo. No presente estudo, o critério utilizado foi
apenas a análise visual das imagens, pelo fato da soja possuir boa
separabilidade espectral dos demais usos do solo presentes na região. Outra
característica da cultura na região em estudo é a relativa rigidez do calendário
agrícola. A semeadura da soja tem início no final de outubro, findando em
meados de dezembro. Isto faz com que no período compreendido entre final de
janeiro e início de março, a cultura esteja em pleno desenvolvimento vegetativo
ou reprodutivo, permitindo uma satisfatória identificação visual das áreas
cultivadas através das imagens utilizadas.
Como resultado, obteve-se um plano de informação (PI) para o mapa temático
contendo apenas duas classes, sejam elas, áreas com soja e áreas sem soja.
Através do cruzamento deste mapa com o PI cadastral contendo os limites
políticos municipais, calculou-se a área plantada com a cultura em cada um
dos 322 municípios, esta informação foi armazenada de forma tabular no banco
de dados.
101
A análise preliminar desta informação, bem como do mapa temático
classificado permitiu inferir sobre algumas características inerentes à área de
estudo. Uma pequena parcela de municípios (região central) agrupa a maior
parte dos talhões cultivados com soja. A concentração dos talhões de soja
diminui gradativamente à medida que se avança em direção à região mais
externa da área em estudo, a qual é formada por municípios onde a cultura
possui pouca expressão. Em função disso, optou-se por estratificar a área de
estudo (tanto a informação temática, quanto a tabular) considerando-se a
porcentagem de área plantada com soja em cada município, em relação à sua
área total. Para tanto, os limiares estabelecidos para a definição dos estratos
foram: 0-20% (estrato 1), 20-40% (estrato 2) e 40-67% (sendo 67% o limite
superior) (estrato 3). A estratificação visou estabelecer a exatidão da estimativa
de área plantada feita pelo levantamento subjetivo do IBGE, em relação à
porcentagem de área ocupada pela cultura no município. Deste modo,
determinou-se quão precisa foi a estimativa do IBGE para cada estrato.
3.4.2. Estimativa Via Método de Amostragem por Segmentos das Imagens Landsat - Ano-safra 2000/01
Nesta fase do projeto, objetivou-se avaliar o método de amostragem por
segmentos, proposto por Adami (2003), para a estimativa de área plantada
com soja no Rio Grande do Sul, em nível estadual. Assim sendo, o mapa
temático contendo a classificação das imagens Landsat foi dividido em
segmentos regulares de 1 x 1 km (unidades amostrais), os quais respeitaram
os limites geodésicos dos estratos citados no Item anterior, uma vez que o
método proposto sugere uma estratificação visando reduzir o número de
segmentos a serem amostrados. Sendo assim, obtiveram-se 111.628
segmentos, distribuídos em: 60.917 no estrato 1; 22.542 no estrato 2; e 28.169
no estrato 3.
102
Posteriormente, determinou-se o tamanho amostral necessário para gerar uma
estimativa com intervalo de confiança de 95%, com um erro amostral de 5%, de
acordo com a Equação 3.1, baseada em Cochran (1977).
2
22/ )(E
pqzn α= (3.1)
Onde:
n = número total de segmentos a serem amostrados;
z = distribuição normal padronizada;
α = nível de significância;
p = percentual da área cultivada com soja;
q = percentual da área utilizada para outros fins;
E = erro esperado para a estimativa.
O número amostral em cada estrato (subamostras), determinado pela Equação
3.2 (Cochran, 1977), é dado por:
n
pNqp
N
pNqp
Nn
L
hh
hhh
hh
hhh
h
∑=
)1/(
1/ (3.2)
onde:
hn = número amostral, em cada estrato;
hN = número total de segmentos no estrato;
hp = percentual da área do estrato cultivado com soja;
hq = percentual da área do estrato utilizado para outros fins;
103
L = número de estratos.
n = número total de segmentos a serem amostrados (Equação 3.1);
Deste modo, foram determinadas 26 subamostras para o estrato 1, 74
subamostras para o estrato 2 e 165 subamostras para o estrato 3, totalizando
265 amostras. Como o presente trabalho visa desenvolver uma metodologia
operacional para estimativa de área plantada, onde se busca minimizar o
trabalho em campo sem, entretanto, comprometer a precisão da estimativa,
optou-se por testar um número menor de subamostras em cada estrato, o qual
foi reduzido em 50 e 75%. Decidiu-se, também, duplicar o número amostral,
obtendo-se, assim, 4 conjuntos amostrais, de acordo com a Tabela 3.2.
TABELA 3.2 - Número de Subamostras Distribuídas por Estrato em Cada Conjunto Amostral.
CONJUNTO AMOSTRAL 1 2 3 4
ESTRATOS (NO DE MUNICÍPIOS) NÚMERO DE SUBAMOSTRAS (SUBAMOSTRAS/MUNICÍPIO)
ESTRATO 1 - 0-20% (176) 7 (0,04) 13 (0,07) 26 (0,15) 52 (0,30)
ESTRATO 2 - 20-40% (75) 18 (0,24) 37 (0,49) 74 (0,99) 148 (1,97)
ESTRATO 3 - 40-67% (71) 42 (0,59) 83 (1,17) 165 (2,32) 330 (4,65)
TOTAL 67 (0,21) 133 (0,41) 265 (0,82) 530 (1,65)
QUANTIDADE DE SEGMENTOS AMOSTRADOS 0,06% 0,12% 0,24% 0,48%
Para efeito de verificação do método, realizaram-se 100 sorteios aleatórios,
para cada conjunto amostral, visando obter a estimativa da área plantada com
soja em cada sorteio, totalizando 400 sorteios. Por exemplo, para o conjunto
amostral 1 foram escolhidos aleatoriamente 7 segmentos no estrato 1, 18
segmentos no estrato 2 e 42 segmentos no estrato 3, perfazendo 67
segmentos de um total de 111.628 (procedimento efetuado 100 vezes). A
Z
104
estimativa da área plantada foi realizada através do método de expansão
direta, na qual a área total estimada da cultura ( Z^
) é obtida pela Equação 3.3
(Cochran, 1977):
∑=
∑=
=in
k kizm
i ieZ1 ,1
^ (3.3)
A variância estimada é:
inis
iniNiNm
iZv
2)(
1)
^( −∑
== (3.4)
onde:
2is = variância estimada no estrato i;
i = índice para representar o estrato; i = 1, ...,m;
k = índice para representar o segmento escolhido; k = 1,..., ni;
m = número de estratos;
ni = número de segmentos escolhidos no i-ésimo estrato;
Ni = número total de segmentos no i-ésimo estrato;
ei = (ni/Ni)-1, fator de expansão ou inverso da probabilidade de que um
segmento tem de estar na amostra escolhida no i-ésimo estrato;
zi,k = valor da característica desejada, no k-ésimo segmento, no i-ésimo
estrato;
O Coeficiente de Variação (CV) estimado é dado pela Equação 3.5:
CV =
Z
Zv^
)^
( (3.5)
105
onde:
)^
(Zv = variância estimada da cultura, (eq. 3.4);
Z^
= área total estimada da cultura, (eq. 3.3);
3.4.3. Estimativa Via Método de Amostragem por Segmentos das Imagens Landsat - Ano-safra 2001/02
Para cada conjunto amostral foram determinados os 3 melhores sorteios, ou
seja, os 3 sorteios cujas amostras de segmentos retornaram as estimativas
mais próximas à obtida pelo mapeamento das imagens Landsat (Item 3.4.1),
totalizando 12 sorteios. Estes segmentos foram então sobrepostos às imagens
adquiridas durante o ano-safra 2001/02 (Tabela 3.3). Em cada segmento
escolhido realizou-se a interpretação visual utilizando-se os mesmos critérios
adotados no mapeamento das imagens do ano-safra 2000/01 (Item 3.4.1).
Neste caso, não foi executado o processo de classificação automática, pelo
fato de os segmentos amostrados representarem menos de 3% da área de
estudo. Em seguida à interpretação visual, calculou-se a área de soja em cada
segmento e, adotando-se a mesma metodologia descrita no Item 3.4.2, obteve-
se a estimativa da área plantada com a cultura, gerada a partir dos dados
obtidos em cada sorteio.
TABELA 3.3 - Imagens Landsat Utilizadas na Estimativa de Área Plantada com
a Cultura da Soja no Ano-safra 2001/02.
Órbita/ponto (deslocamento)
221/80 (4” N)
222/79 (3” S)
222/80 (3” S)
223/79 (2” S)
223/80 (2” S)
224/79 (5” S)
Interpretação visual
20-01-02*
09-03-02*
04-02-02**
08-03-02**
04-02-02**
08-03-02**
03-02-02*
15-03-02**
11-02-02**
15-03-02**
02-02-02**
26-02-02* * Sensor TM ** Sensor ETM+
106
Este procedimento foi adotado partindo do princípio que os segmentos contidos
nos 3 melhores sorteios de cada conjunto amostral sejam os que melhor
representem a população no ano-safra 2000/01 (pois foram os que retornaram
as estimativas mais próximas ao mapeamento). Soma-se a isto o fato de que a
área em estudo consiste de uma região particular, onde se adota a soja
praticamente sob um sistema de monocultura, cuja área e disposição dos
talhões pouco se alteram de uma safra para outra. Portanto, é de se esperar
que os sorteios que melhor representaram a população em determinada safra
possam retornar as estimativas mais exatas também na safra subseqüente.
3.5. Estimativa da Produtividade A estimativa da produtividade da cultura da soja foi realizada para os anos-
safra de 2000/01 a 2002/03. Para tal, foi utilizado o modelo agrometeorológico
AGROMET, proposto por Berka et al. (2003). Esse modelo foi desenvolvido
para a estimativa da produtividade de culturas agrícolas, particularmente a
soja, no Estado do Paraná e foi adaptado às condições agrometeorológicas do
Rio Grande do Sul. Todas as equações que envolvem o cálculo da
produtividade estão detalhadamente descritas em Doorembos e Kassam
(1979) e Sugawara (2002). Desta forma, este documento ficará restrito a relatar
os procedimentos que envolveram a sua adaptação à área de estudo, bem
como à introdução do termo espectral.
3.5.1. Definição das Variáveis Agrometeorológicas
Os elementos meteorológicos requeridos pelo modelo AGROMET para o
cálculo da produtividade são: temperatura média do ar (oC); velocidade do
vento a 2 metros de altura (km dia-1); umidade relativa do ar (%); insolação
(horas dia-1) e precipitação pluvial (mm dia-1). Estes dados foram coletados
pelas estações meteorológicas do Instituto Nacional de Meteorologia (INMET) e
da Fundação Estadual de Pesquisa Agropecuária do Rio Grande do Sul
(FEPAGRO/RS). A Tabela 3.4 relaciona as estações meteorológicas utilizadas
na estimativa da produtividade, cujas localizações espaciais podem ser
107
visualizadas na Figura 3.4. Nota-se que, além do reduzido número de estações
meteorológicas disponíveis, parte delas está localizada além dos limites físicos
da área de estudo. Contudo, acredita-se que a utilização destas possa fornecer
informações adicionais para a geração dos mapas interpolados. Ressalta-se
que nem sempre os dados das estações estavam disponíveis para todos os
anos-safra e para a totalidade dos elementos meteorológicos utilizados.
Entretanto, buscou-se utilizar a maior quantidade de dados meteorológicos
possível para cada estação, em cada quinzena.
TABELA 3.4 - Localização das Estações Meteorológicas Utilizadas na
Estimativa da Produtividade da Soja no Rio Grande do Sul.
Estação meteorológica Latitude (S) Longitude (W) Fonte de Dados Bom Jesus 28° 40´ 50° 26´ INMET Cachoeirinha 29° 57´ 51° 06´ FEPAGRO/RS Caxias do Sul 29° 10´ 51° 12´ INMET Cruz Alta 28° 38´ 53° 36´ INMET Encruzilhada do Sul 30° 32´ 52° 31´ INMET Erechim 27° 37´ 52° 16´ FEPAGRO/RS Farroupilha 29° 14´ 51° 26´ FEPAGRO/RS Ijuí 28° 23´ 53° 54´ INMET Iraí 27° 11´ 53° 14´ INMET Júlio de Castilhos 29° 13´ 53° 40´ FEPAGRO/RS Lagoa Vermelha 28° 25´ 51° 35´ INMET Passo Fundo 28° 15´ 52° 24´ INMET Porto Alegre 30° 01´ 51° 13´ INMET Quarai 30° 26´ 56° 27´ FEPAGRO/RS Santa Maria 29° 42´ 53° 42´ INMET Santa Rosa 27° 51´ 54° 25´ FEPAGRO/RS São Borja 28° 39´ 56° 00´ FEPAGRO/RS São Gabriel 30° 20´ 54° 14´ FEPAGRO/RS São Luiz Gonzaga 28° 23´ 54° 58´ INMET Taquari 29° 48´ 51° 49´ FEPAGRO/RS Uruguaiana 29° 45´ 57° 05´ INMET
108
FIGURA 3.4 - Distribuição Espacial das Estações Meteorológicas Utilizadas na Estimativa da Produtividade da Soja no Rio Grande do Sul.
A resolução espacial empregada no modelo foi de 1 x 1 km. Desta forma, todas
as variáveis são representadas por meio de uma grade regular (matriz) onde
cada ponto (pixel) corresponde a uma área de 1 x 1 km no terreno, sendo que
o modelo calcula a produtividade da soja para cada ponto. A escala temporal
utilizada foi quinzenal, ou seja, são calculadas produtividades parciais a cada
15 dias, desde a implantação da cultura até sua senescência. A produtividade
final é resultado do somatório das produtividades parciais. Em função disto, os
dados meteorológicos diários foram organizados em médias quinzenais, salvo
os dados referentes à precipitação pluvial, os quais foram somados
quinzenalmente. Após a importação, tais dados foram espacializados através
do algoritmo média ponderada por quadrante, recomendado quando as
amostras são do tipo ponto (INPE, 2003), pois a utilização de métodos
geoestatísticos incorreria em um acréscimo considerável no tempo de
execução da espacialização, dado o grande número de planos de informação
utilizados em cada estimativa.
109
São necessários, ainda, dados adicionais referentes à altitude e à capacidade
de armazenamento de água (CAD) dos solos da região. Para o dado de altitude
foi utilizado um modelo digital de elevação (DEM), com resolução espacial de 1
x 1 km, disponibilizado pelo Eros Data Center-USGS (www.usgs.gov). Para o
dado referente à CAD foi utilizado um mapa de classificação de solos (Brasil,
1973) previamente digitalizado, disponível em Kuhn, (2002). Neste caso, para
cada classe de solo foi atribuído um valor de CAD, adotando-se o critério
descrito na Tabela 3.5.
TABELA 3.5 - Capacidade de Armazenamento de Água (CAD) para as Diferentes Classes de Solo.
Classe pedológica do solo CAD (mm) Neossolo Quartzarênico, Neossolo Flúvico de textura arenosa, Planossolos
50
Latossolo Vermelho-Amarelo, Latossolo Vermelho (menos de 35% de argila), Neossolo Litólico, Chernossolos 70
Luvissolos, Argissolos, Nitossolos, Latossolos (exceto Latossolo Vermelho com menos de 35% de argila), Cambissolos e Neossolo Flúvico de textura média a argilosa.
100
FONTE: Adaptada de EMBRAPA (1999); Farias et al. (2000); Farias (2001).
3.5.2. Definição do Componente Espectral
Além das variáveis citadas anteriormente, o AGROMET requer a informação
referente ao IAF da cultura em cada quinzena. Neste caso, o modelo aceita a
entrada dos dados tanto sob a forma de parâmetros, quando um único valor é
utilizado para toda a área em estudo, quanto através de planos de informação,
quando cada ponto da grade regular (pixel) contém o valor correspondente ao
IAF da respectiva área do terreno. A segunda alternativa é a que possibilita a
inserção de parâmetros biofísicos de culturas extraídos das imagens de
sensoriamento remoto como componente espectral no modelo de estimativa da
produtividade.
110
A disponibilização por parte do EOS do produto IAF derivado das imagens
MODIS encorajou o uso desta variável no modelo AGROMET. Em função
disso, foram obtidas imagens compostas de IAF (MOD15A2 versão 4.0), desde
outubro de 2000 até abril de 2001. Entretanto, uma análise preliminar das
mesmas mostrou a existência de um erro na estimativa do IAF da soja. Apesar
de as imagens IAF retornarem valores aparentemente coerentes nas fases
inicial e final do ciclo da cultura, elas mostram valores inválidos no período de
pleno desenvolvimento (janeiro e fevereiro), conforme pode ser observado na
Figura 3.5.
FIGURA 3.5 - Imagens IAF do Sensor MODIS da 4a Semana de Fevereiro e 1a
Semana de Abril de 2001 e o Mapa Temático da Classificação das Imagens Landsat.
111
Em decorrência disto, optou-se pela utilização dos dados de índice de
vegetação como componente espectral do modelo. Assim, foram obtidos
compostos de imagens de 16 dias (composições) do sensor MODIS, sob a
forma dos índices de vegetação NDVI e EVI (MOD13Q1 versão 4.0), desde
outubro até abril, para os anos-safra de 2000/01 a 2002/03. Tais imagens
foram reamostradas para 1 x 1 km, visando compatibilizá-las à resolução
espacial empregada no AGROMET. Entretanto, a utilização de um termo
espectral no modelo de estimativa de produtividade compreendeu duas
questões que merecem destaque.
A primeira diz respeito à definição do IV a ser empregado, visto que se alguns
trabalhos e palestras oriundos de pesquisadores envolvidos diretamente no
desenvolvimento dos produtos MODIS apontavam para uma maior
sensibilidade às alterações da biomassa vegetal por parte do EVI em relação
ao NDVI (Huete et al., 1999, 2002; Huete, 2003), apesar de ainda serem
inexistentes os trabalhos relacionando tal índice às pesquisas agrícolas.
A segunda envolveu a definição do período mais adequado ao monitoramento
da soja pelo AGROMET. Conforme já mencionado, a época destinada à
implantação da cultura pode ocorrer desde a segunda quinzena de outubro até
meados de dezembro (embora o período preferencial seja novembro), sendo
que a colheita se estende de março ao início de maio. Em função disso, apesar
de o AGROMET promover o acompanhamento da cultura durante todo o ciclo
da soja, fez-se necessário adequá-lo às condições médias da região, em
relação à data de semeadura e colheita.
Tais questões puderam ser resolvidas determinando-se o perfil temporal dos
IVs sob as áreas de soja. Com isto, além de poder comparar o desempenho
dos dois índices, foi possível determinar o período mais adequado à utilização
do modelo AGROMET. Para tanto, as composições de imagens MODIS do
ano-safra 2000/01 foram associadas ao mapa temático referente à área
plantada com soja, visando determinar o perfil temporal dos índices de
vegetação (NDVI e EVI) para a média de toda a área de soja e dos demais
112
usos de solo, para toda a área em estudo. Neste caso, para serem compatíveis
à escala temporal do modelo AGROMET, os compostos de imagens de 16 dias
foram associados às quinzenas utilizadas na estimativa da produtividade, de
acordo com a Tabela 3.6.
TABELA 3.6 - Período Utilizado nas Composições de Imagens MODIS e as Quinzenas Correspondentes.
Composição Período utilizado na composição Quinzena considerada
1 15 de outubro a 30 de outubro Outubro 2
2 31 de outubro a 15 de novembro Novembro 1
3 16 de novembro a 01 de dezembro Novembro 2
4 02 de dezembro a 17 de dezembro Dezembro 1
5 18 de dezembro a 02 de janeiro Dezembro 2
6 01 de janeiro a 16 de janeiro Janeiro 1
7 17 de janeiro a 01 de fevereiro Janeiro 2
8 02 de fevereiro a 17 de fevereiro Fevereiro 1
9 18 de fevereiro a 05 de março Fevereiro 2
10 06 de março a 21 de março Março 1
11 22 de março a 06 de abril Março 2
12 07 de abril a 22 de abril Abril 1
Ainda assim, para ser utilizada no modelo AGROMET a informação espectral
deve, necessariamente, estar sob a forma de IAF. Para isso, as imagens de
índice de vegetação (IV) foram primeiramente transformadas em imagens
fração da cobertura do solo através do método proposto por Choudhury et al.
(1994), de acordo com a Equação 3.6:
Fc = 6,0
minmaxmax1
−−
−IVIV
IVIV (3.6)
onde,
Fc = fração do solo coberto pela cultura;
113
IVmax = valor máximo do IV da imagem; IVmin = valor mínimo do IV da imagem; IV = valor do IV de cada pixel da imagem.
O IAF é estimado pela Equação 3.7, seguindo a metodologia sugerida por
Norman et al. (2003).
IAF = -2ln(1-Fc) (3.7)
Neste caso, o modelo utiliza o IAF para o cálculo da produtividade através do
fator de compensação de crescimento (Fcc) (Equação 3.8) proposto por
Doorembos e Kassam (1979).
Fcc = 0,515-e(-0,664-(0,515*IAF) (3.8)
3.5.3. Parametrização do Modelo
De posse das variáveis de entrada (meteorológicas e agronômicas), o modelo
AGROMET exige a definição de alguns parâmetros específicos para cada
cultura agrícola. As relações desses parâmetros com a produtividade final
variam de acordo com o estádio de desenvolvimento das plantas e estão
detalhadamente descritas em Doorembos e Kassam (1979) e Sugawara
(2002).
O primeiro parâmetro a ser definido é o coeficiente de cultura (kc), que
expressa a relação entre a evapotranspiração máxima de uma cultura qualquer
e a evapotranspiração de referência, variando conforme o aumento da área
foliar e o estádio de desenvolvimento da cultura. Apesar de haver valores de kc
específicos para o Rio Grande do Sul, determinados em experimentos em
campo (Matzenauer et al., 2002), optou-se por utilizar valores baseados em
Doorembos e Kassan (1979), pois procura-se desenvolver um sistema de
114
estimativas passível de ser utilizado em nível nacional, sem a dependência de
parâmetros determinados localmente.
O segundo parâmetro, denominado fator de resposta à produtividade (ky), diz
respeito à resposta da vegetação à disponibilidade hídrica e relata a diminuição
relativa da produtividade em função da diminuição da evapotranspiração.
O último parâmetro é a profundidade do sistema radicular (D) da cultura, a qual
interfere na capacidade de aproveitamento da água disponível no solo e,
conseqüentemente, na produtividade final. A Tabela 3.7 descreve os valores
dos coeficientes utilizados na estimativa da produtividade da soja pelo
AGROMET.
TABELA 3.7 - Coeficiente de Cultura (kc), Fator de Resposta à Produtividade
(ky) e Profundidade do Sistema Radicular (D), Estimados para a Cultura da Soja e Utilizados no Modelo de Produtividade.
Quinzena kc ky D (m)
1 0,62 0,20 0,15
2 0,90 0,30 0,20
3 1,14 0,50 0,25
4 1,32 0,90 0,30
5 1,44 0,90 0,40
6 1,44 0,90 0,60
7 1,38 1,00 0,75
8 1,20 1,00 0,75
9 1,08 1,00 0,75
FONTE: Adaptada de Doorenbos e Kassam (1979, p. 25 e 39) para kc e ky e de UFSM (1996) para D.
Além dos parâmetros citados anteriormente, o fator de produtividade agrícola
(FPA) é o que mais tem influência no cálculo da produtividade final, apesar de
ser constante para todo o ciclo da cultura. O FPA está relacionado à
115
quantidade de matéria seca produzida pela planta que é contabilizada como
rendimento econômico. No caso da soja, são contabilizados apenas os grãos,
os quais correspondem entre 30 e 40% da planta. Como o AGROMET
determina a produtividade com base na matéria seca de toda a planta, o FPA é
multiplicado pelo valor da produtividade obtido em cada quinzena. Outra
característica própria ao FPA é que este é o principal fator utilizado na
parametrização do AGROMET (Item 2.9.3). No caso específico deste trabalho,
o FPA utilizado foi de 35,67%. Cabe lembrar que os valores de todos os
parâmetros utilizados permaneceram inalterados para os três anos-safra
estudados.
A parametrização do AGROMET envolveu, ainda, outro aspecto que merece
destaque. Para evitar que a subjetividade inerente aos dados oficiais tivesse
influência na parametrização do modelo, foram utilizados os dados referentes à
área plantada, estimados através da classificação das imagens Landsat, para
efetuar uma correção nos dados de produtividade oficiais fornecidos pelo
LSPA. Neste caso, supõe-se que para uma dada produção, erros na estimativa
da área plantada implicam diretamente em erros na estimativa da
produtividade. Desta forma, os dados de produtividade em nível estadual e
municipal foram recalculados aplicando-se um mesmo fator de correção,
definido a partir da diferença entre o valor de área plantada fornecido pelo
LSPA e o estimado pelo presente estudo, em nível estadual. Este processo foi
efetuado para o ano-safra 2000/01, sendo que para o ano 2001/02 foi utilizado
o valor do incremento encontrado através da estimativa de área pelo método
dos segmentos. Para o ano 2002/03 não foi efetuada a estimativa da área
plantada. Em função disso, adotou-se o incremento em relação ao ano-safra
2001/02, estimado pelo IBGE.
Após a parametrização do modelo, o cálculo da produtividade foi realizado para
os três anos-safra estudados. Cabe ressaltar que para o ano-safra 2002/03
foram utilizadas apenas as variáveis meteorológicas precipitação pluvial e
temperatura média do ar, disponíveis no portal AGRITEMPO
116
(www.agritempo.gov.br), além do IAF do referido ano. As demais variáveis
(umidade relativa do ar, insolação e velocidade do vento) não estavam
disponíveis e foram substituídas pelos dados referentes ao ano 2000/01, o qual
apresentou condições meteorológicas relativamente semelhantes.
3.5.4. Substituição da Variável Índice de Área Foliar
Objetivando avaliar a influência do termo espectral na estimativa da
produtividade, as imagens MODIS foram substituídas por valores de IAF de
soja obtidos por Fontana et al. (1992) através de um experimento a campo sem
irrigação. Neste caso, foi utilizado o mesmo valor de IAF para toda a área de
estudo, variando apenas de quinzena para quinzena, os quais estão descritos
na Tabela 3.8. As demais variáveis e parâmetros utilizados foram mantidos
inalterados, salvo o valor correspondente ao FPA, o qual foi definido em
30,02%. Posteriormente, realizou-se novamente o cálculo da produtividade
para os três anos-safra.
TABELA 3.8 - Índices de Área Foliar (IAF) Estimados para a Cultura da Soja,
Utilizados no Modelo de Produtividade.
Quinzena 1 2 3 4 5 6 7 8 9
IAF 0,11 0,77 2,20 3,30 5,50 6,90 5,50 3,85 1,10
FONTE: Adaptado de Fontana et al. (1992).
3.5.5. Cálculo da Produtividade em Nível Municipal e Estadual
Por fim, o cálculo da produtividade final retorna um PI contendo um valor para
cada ponto da grade regular, embora só alguns sejam representativos de áreas
com soja, já que toda a área de estudo é computada pelo modelo. Desta forma,
utilizou-se o PI temático de área plantada (classificação das imagens Landsat)
(Figura 4.7) para associar a variação espacial dos dados agrometeorológicos
às áreas de plantio de soja, de modo que somente as áreas com soja fossem
computadas no cálculo. Este mesmo PI foi utilizado para os 3 anos-safra, uma
117
vez que tais áreas pouco se alteram de uma safra para outra. Em seguida, a
produtividade média por município foi calculada através do mapa da divisão
política municipal. Neste procedimento, os municípios que o LSPA não
informou como sendo produtores de soja, assim como aqueles onde a cultura
não foi identificada através do mapeamento das imagens Landsat foram
descartados, restando 304 municípios. A média da produtividade em toda a
área em estudo foi calculada por meio de um mapa cadastral contendo seus
limites.
Através de um teste de comparação de pares de observação (teste t), os dados
de produtividade, em nível municipal, obtidos pelo modelo AGROMET foram
comparados estatisticamente aos fornecidos pelo LSPA e corrigidos em função
da área plantada. Para tanto, o dado de produtividade de cada município foi
ponderado pela sua percentagem de área plantada com soja, para evitar que
municípios pouco expressivos e de baixa produtividade, tivessem a mesma
influência na média das estimativas que municípios tradicionais no cultivo de
soja.
A produção da cultura da soja em nível estadual foi estimada pelo produto dos
valores referentes à área plantada e produtividade, estimados a partir do
presente trabalho.
3.5.6. Monitoramento Temporal da Soja
Além do cálculo da produtividade final, o modelo AGROMET gera PIs contendo
índices de penalização (IPs) e produtividades parciais calculados para cada
quinzena, através dos quais pode ser realizado o monitoramento da safra da
soja durante todo o ciclo fenológico da cultura, visualizando-se, de forma
espacial, a penalização ocorrida pelo déficit hídrico e a intensidade da perda na
produtividade em cada quinzena. O IP é calculado através da Equação 3.9:
118
IP =
−−
ETmETrky 11 (3.9)
onde, IP = Índice de Penalização;
ky = fator de resposta à produtividade (Tabela 3.7);
ETr = evapotranspiração atual;
ETm = evapotranspiração máxima.
Para calcular a média do IP e da produtividade parcial para toda a área de
estudo, em cada quinzena, utilizou-se a mesma metodologia descrita no Item
3.5.5.
119
CAPÍTULO 4
RESULTADOS E DISCUSSÃO
4.1. Estimativa de Área Plantada
4.1.1. Estimativa Via Mapeamento das Imagens Landsat - Ano-safra 2000/01
4.1.1.1. Mapeamento das Imagens Landsat
O mapeamento das áreas de soja através da classificação das imagens
Landsat envolveu diferentes etapas e os resultados alcançados devem ser
considerados individualmente. Quanto à segmentação das imagens, o
algoritmo empregado, os limiares estabelecidos e a banda utilizada mostraram-
se eficientes na demarcação dos limites dos talhões agrícolas e dos demais
alvos presentes na cena. Uma vez que até mesmo áreas de tamanho reduzido
(~ 4 ha) foram delimitadas de maneira aceitável para o estudo realizado.
Com relação ao algoritmo ISOSEG, este foi satisfatório na identificação dos
talhões onde a soja estava plenamente desenvolvida, muito embora existissem
algumas áreas onde a cultura foi confundida com outros alvos. Os erros por
omissão e inclusão ocorridos por ocasião da classificação automática para a
classe soja estão destacados (círculos vermelhos) nas Figuras 4.1 e 4.2,
respectivamente. Nota-se na Figura 4.1 que áreas visivelmente representadas
por talhões de soja não foram corretamente classificadas pelo ISOSEG. Essas
áreas geralmente representam pequenos talhões ou bordas de talhões
maiores, que foram omitidas pelo fato de sua resposta espectral diferir
ligeiramente de áreas onde a cultura está bem caracterizada. Da mesma forma,
o algoritmo classificou como áreas de soja regiões pertencentes a outros usos
de solo, como corpos d´agua, mata, solo exposto e outras culturas (Figura 4.2).
120
FIGURA 4.1 - Classe Temática Soja (Verde) Sobreposta à Imagem Landsat, Composição Colorida RGB453 e os Erros da Classificação por Omissão.
FIGURA 4.2 - Classe Temática Não-soja (azul) Sobreposta à Imagem Landsat,
Composição Colorida RGB453 e os Erros da Classificação por Inclusão.
121
Apesar dos erros observados por ocasião da classificação automática, estes
puderam ser corrigidos através da interpretação visual, dada a facilidade de
identificação das áreas com soja pelo intérprete. Na Figura 4.3, visualiza-se
uma porção de uma imagem Landsat onde as áreas com soja estão
representadas pela coloração amarelada. Percebe-se a facilidade na
identificação visual dessas áreas, função da diferença do comportamento
espectral da cultura em relação aos demais alvos presentes na cena.
FIGURA 4.3 - Imagem Landsat, Composição Colorida RGB453, Adquirida em 04-03-2001, Onde se Evidenciam as Áreas com Soja.
A facilidade na diferenciação visual das áreas com soja deve-se a algumas
características intrínsecas à cultura e à própria área em estudo. As condições
edáficas da região permitem o cultivo das mais variadas espécies de ciclo
anual. Entretanto, fatores de ordem climática e de mercado fazem com que a
área cultivada com soja tenha amplo destaque entre as demais. Conforme já
mencionado, além da soja, a única cultura que merece destaque na região em
122
questão é o milho. Contudo, a diferença entre a resposta espectral, função da
estrutura interna do dossel (Item 2.4.1.), aliada às diferenças no calendário
agrícola, permite diferenciar estas duas culturas nas imagens Landsat. A Figura
4.4 demonstra o comportamento espectral das culturas soja e milho para as
bandas 3, 4 e 5 do sensor ETM+, adquirida em 08-02-2001, nas quais foi
aplicado o contraste linear.
0
50
100
150
200
250
300
3 4 5Bandas
Nív
el d
e ci
nza
SojaMilho
FIGURA 4.4 - Comportamento Espectral das Culturas Soja (1) e Milho (2) na Imagem, Composição Colorida RGB453, de 08-02-2001.
Apesar da evidente caracterização das áreas cultivadas com soja nas imagens
Landsat, foram observados erros na classificação digital em determinados
talhões. Daí a necessidade de se utilizar pelo menos duas imagens de épocas
diferentes, pois as lavouras plantadas tardiamente ainda não alcançam o pleno
desenvolvimento quando da aquisição da primeira data da imagem, mas ficam
bem evidentes na segunda data de aquisição da imagem. Por outro lado, as
lavouras plantadas precocemente só ficam bem caracterizadas na primeira
data das imagens, pois já estão senescendo no momento da aquisição da
segunda imagem. É importante salientar que a classificação automática foi
realizada utilizando-se apenas uma data, portanto, é de se esperar que
ocorram erros na classificação.
1
2
1
2
123
A título de exemplo pode-se avaliar a Figura 4.5, a qual mostra áreas cultivadas
com soja em duas imagens Landsat adquiridas em datas distintas. Percebe-se,
nitidamente, que a área 1 seria corretamente classificada como pertencente à
classe soja se fossem utilizadas quaisquer imagens individualmente, pois tanto
na imagem a, quanto na imagem b essa área é formada por plantas
plenamente desenvolvidas, o que favorece sua identificação nas imagens
Landsat. Esta condição foi verificada na maioria das áreas presentes nas
imagens analisadas. Apesar disso, um estudo baseado somente na imagem
adquirida em 04-03-01 (Figura 4.5b) definiria a área 2 como pertencente à
classe não-soja. No entanto, na imagem de 08-02-01 (Figura 4.5a) esta área é
facilmente identificada, pois a soja está plenamente desenvolvida. Em
contrapartida, se fosse utilizada somente a imagem a, a área 3 seria definida
como não-soja e somente seria corretamente classificada com a utilização da
imagem b. Da mesma forma, na Figura 4.6 a delimitação correta do talhão 1 só
seria possível pela análise conjunta das imagens adquiridas em ambas as
datas. Ainda que pouco freqüentes, casos desta natureza foram observados de
maneira equivalente em ambas as datas analisadas durante a interpretação
visual.
FIGURA 4.5 - Composição Colorida RGB453 de Áreas com Soja em Imagens Adquiridas em: a) 08-02-2001 e b) 04-03-2001.
2
3
23
a b
1 1
85 ha
124
FIGURA 4.6 - Composição Colorida RGB453 de Áreas com Soja em Imagens Adquiridas em: a) 08-02-2001 e b) 04-03-2001.
A abordagem multitemporal e multiespectral facilitou a interpretação visual,
uma vez que o comportamento espectro-temporal típico da soja ficou bem
caracterizado em pelo menos uma das imagens. Isto permitiu a correta
identificação e delimitação das lavouras de soja durante a interpretação visual
a fim de corrigir os erros provenientes da classificação automática e gerar um
mapa temático da soja muito próximo da realidade.
A necessidade de mais de uma imagem em períodos específicos de aquisição
ao longo do ciclo da cultura, aliado ao já comentado problema relacionado à
cobertura de nuvens, reforça a importância da alta resolução temporal dos
satélites de sensoriamento remoto para viabilizar a utilização destas imagens
em um sistema rotineiro de levantamento de safras agrícolas.
4.1.1.2. Estimativa da Área Plantada por Município - Ano-Safra 2000/01
Dada a forma como foi conduzido o mapeamento das áreas com soja, mostrou-
se que o mesmo proporciona informações muito próximas à realidade. Além
disso, acredita-se que a resolução espacial das imagens Landsat permita a
medição das áreas identificadas com uma precisão satisfatória para uma
estimativa desta natureza. Assim, a título de discussão dos resultados, os
valores de área plantada com soja por município, obtidos através da
a b
200 ha
125
classificação das imagens Landsat, foram considerados como dado de
referência. Além disso, pelo fato de o estudo abranger mais de 90% da área
cultivada com soja no Rio Grande do Sul, os dados referentes ao somatório
dos 322 municípios analisados foram aqui denominados de nível estadual.
A Figura 4.7 apresenta o mapa temático da classificação das imagens Landsat
contendo as classes soja e não-soja e o mapa da divisão política dos
municípios compreendidos pelo estudo.
FIGURA 4.7 - Mapa Temático Referente ao Mapeamento das Áreas com Soja (ano-safra 2001) e a Divisão Política Municipal.
A Tabela 4.1 apresenta a área de soja obtida através da classificação das
imagens Landsat em comparação à obtida pelo LSPA, para alguns municípios
analisados e comentados no texto, bem como para o total da área em estudo.
A Tabela completa com os 322 municípios estudados encontra-se descrita no
Apêndice A.
Soja
Não soja
126
TABELA 4.1 - Área Plantada com a Cultura da Soja Fornecida pelo LSPA em
Comparação à Obtida Através da Classificação das Imagens Landsat para o Ano-safra 2000/01.
Área plantada (ha) Município LSPA Landsat (a) LSPA -
Landsat (b)
Diferença Relativa (%)
(bx100)/a
Carlos Gomes 1.800 194 1.606 827,8 Colorado 15.100 15.055 45 0,3 Giruá 56.500 47.239 9.261 19,6 Ijuí 42.200 32.257 9.943 30,8 Jóia 55.000 58.341 -3.341 -5,7 Júlio de Castilhos 50.000 60.315 -10.315 -17,1 Palmitinho 1.200 117 1.083 925,6 Santa Cruz do Sul 900 14 886 6328,6 São Miguel das Missões 40.500 40.912 -412 -1,0 São Martinho da Serra 7.500 7.549 -49 -0,6 Selbach 9.500 9.582 -82 -0,9 Soledade 6.400 11.637 -5.237 -45,0
Nível estadual 2.773.498 2.492.880 280.618 11,3
Em nível municipal, os resultados encontrados apontam grandes discrepâncias
entre as estimativas obtidas pelo presente estudo e as fornecidas pelo LSPA.
Na maioria dos municípios analisados (240 dos 322) o levantamento oficial
superestimou os valores de área plantada em relação aos obtidos pela
classificação das imagens Landsat.
As diferenças relativas mais acentuadas foram encontradas principalmente nos
municípios pertencentes ao estrato 1. Por exemplo, no município de Palmitinho,
observou-se uma diferença de 1.083 ha a menos para a estimativa do Landsat,
ou seja, o LSPA superestimou a área plantada em 9,2 vezes. Em Carlos
Gomes, a área plantada estimada pelo LSPA foi 1.606 ha maior que a
estimada pelo Landsat, uma superestimativa de 8,2 vezes. Em alguns casos, a
diferença relativa entre as duas estimativas é extremamente pronunciada,
127
como em Santa Cruz do Sul, onde a estimativa do LSPA (900 ha) superou a do
Landsat (14 ha) 63 vezes. Apesar das discrepâncias encontradas não
representarem grandes diferenças em termos absolutos ao avaliarmos os
municípios individualmente, estas promoveram considerável efeito na análise
conjunta dos 158 municípios pertencentes ao estrato 1.
Em contrapartida, em municípios onde a área plantada com soja é mais
expressiva (estratos 2 e 3), apesar de as diferenças relativas serem
consideravelmente menores, observou-se diferenças absolutas muito
pronunciadas. Por exemplo, em Júlio de Castilhos, a diferença entre Landsat
(60.315 ha) e LSPA (50.000 ha) foi de 10.315 ha, equivalendo a 17%. No
município de Jóia, a estimativa do Landsat (58.341 ha) foi 3.341 ha maior em
relação ao LSPA (55.000 ha). Em Giruá, observou-se uma diferença de 9.261
ha a menos para a estimativa do Landsat (47.239 ha) em relação ao LSPA
(56.500 ha), o que representa 19,6%. Em Soledade, a estimativa do LSPA
(6.400 ha) foi 45% menor à obtida pelo Landsat (11.637 ha). No município de
Ijuí, a estimativa do LSPA (42.200 ha) superou a do Landsat (32.257 ha) em
9.943 ha (30,8%). Ainda assim, houve municípios onde a diferença na
estimativa de área plantada, tanto em termos percentuais, quanto em números
absolutos, foi muito reduzida, vide Tabela 4.1 para os municípios de Colorado,
São Miguel das Missões, São Martinho da Serra e Selbach. Apesar da
dimensão das diferenças absolutas observadas, a análise dos estratos 2 e 3
mostrou uma diminuição na superestimativa por parte do LSPA em termos
percentuais em relação ao estrato 1 (Tabela 4.2).
128
TABELA 4.2 - Área Plantada com a Cultura da Soja Fornecida pelo LSPA em Comparação à Obtida Através da Classificação das Iimagens Landsat, para os Diferentes Estratos, no Ano-safra 2000/01.
Área plantada (ha) Estrato (no municípios)
LSPA Landsat (a) LSPA - Landsat
(b)
Diferença Relativa (%)
(bx100)/a
1 (176) 476.605 375.247 (15%) 101.358 27,0
2 (75) 826.828 695.154 (28%) 131.647 18,9
3 (71) 1.470.065 1.422.479 (57%) 47.586 3,3
Total (322) 2.773.498 2.492.880 (100%) 280.618 11,3
As discrepâncias encontradas em nível municipal convergem para o fato de
que o LSPA é mais eficiente na estimativa da área plantada em regiões
tradicionais de cultivo da soja. Isto ficou evidenciado quando analisada a
magnitude dos erros percentuais e absolutos nos diferentes estratos (Tabela
4.2). No estrato 1 a superestimativa do LSPA em relação ao Landsat foi de
27% (101.358 ha). Apesar de representar 55% da área de estudo, este estrato
contém somente 15% da área de soja. No estrato 2 está concentrada 28% da
área de soja, a qual corresponde a 20% da área em estudo. Neste caso, a
superestimativa do LSPA foi de 18,9% (131.647 ha). Já o estrato 3, apesar de
corresponder a somente 25% da área em estudo, concentra 57% da área
destinada ao cultivo de soja na região estudada. Neste estrato, a
superestimativa por parte do LSPA foi de 47.586 ha, correspondendo a apenas
3,4%. Em nível estadual, foi observado que a estimativa oficial, fornecida pelo
LSPA, foi superestimada em 280.618 ha (11,3%).
Ainda que as diferenças absolutas sejam marcantes em nível municipal, existe
um ligeiro equilíbrio quando são considerados vários municípios em uma
mesma região. Em outras palavras, a superestimativa da área plantada em
determinados municípios é compensada, em parte, pela subestimativa em
outros municípios. Este efeito é perceptível ao analisarmos a Figura 4.8, onde
são apresentadas, espacialmente, as diferenças absolutas entre as estimativas
129
do Landsat e do LSPA. Nota-se que na maioria dos municípios ocorreu uma
superestimativa por parte do LSPA (tonalidades avermelhadas), ainda que
houvesse regiões onde o valor da área plantada fornecido pelo LSPA foi
superado pela estimativa do Landsat (áreas em verde). As áreas onde a
diferença entre as estimativas foi muito reduzida (regiões em branco), em sua
maioria são representadas por municípios onde o plantio de soja é
praticamente inexistente.
FIGURA 4.8 - Diferença (ha), em Nível Municipal, Entre a Estimativa de Área Plantada Obtida pela Classificação das Imagens Landsat e a Estimativa Oficial Fornecida pelo LSPA no Ano-safra 2000/01.
130
4.1.2. Estimativa Via Método de Amostragem por Segmentos das Imagens Landsat - Ano-safra 2000/01.
A estratificação do mapa temático da soja correspondente à classificação das
imagens Landsat referente ao ano-safra 2000/01 (Figura 4.7) separou a área
de estudo em 3 regiões, conforme apresentado na Figura 4.9.
FIGURA 4.9 - Estratos Correspondentes à Porcentagem de Área Plantada com Soja por Município no Ano-safra 2000/01.
A Figura 4.10 ilustra uma porção da área de estudo dividida em segmentos
regulares de 1 x 1 km, a qual está representada pelos três estratos. As áreas
vermelhas com formato irregular representam os talhões de soja.
131
Unidade amostral (1 x 1 km) Talhões de soja
FIGURA 4.10 - Divisão de Parte da Área de Estudo em Segmentos Regulares de 1 x 1 km (Unidades Amostrais).
A Figura 4.11 mostra o resultado da estratificação da área de estudo e um
exemplo de um sorteio com 530 amostras, representado pelos pontos escuros.
132
FIGURA 4.11 - Estratos Correspondentes à Porcentagem de Área Plantada com Soja em Relação à Área do Município e Exemplo de Um Sorteio com 530 Amostras, no Ano-safra 2000/01.
As Figuras 4.12 a 4.15 apresentam os resultados das estimativas de área
plantada pelo método de amostragem, em ordem crescente de coeficiente de
variação (CV), e da diferença relativa em relação ao mapeamento das imagens
Landsat, além da média das estimativas, obtidos para cada um dos quatro
conjuntos amostrais (67, 133, 265 e 530 amostras) nos 100 sorteios realizados.
Os círculos azuis apontam os três sorteios (conjunto de segmentos)
selecionados para a estimativa da área plantada no ano-safra 2001/02. Os
dados referentes a esses três sorteios estão descritos na Tabela 4.3, os
demais se encontram descritos no Apêndice B.
133
-30-25-20-15-10-505
10152025303540
1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100Sorteios
Dife
renç
a re
lativ
a
Diferença (%)CV (%) Média
FIGURA 4.12 - Diferenças Percentuais da Estimativa Amostral em Relação ao Mapeamento das Imagens Landsat e Coeficientes de Variação Correspondentes aos 100 Sorteios Realizados para o Conjunto Amostral 1 (67 amostras).
-30
-25
-20
-15
-10
-5
0
5
10
15
20
25
30
35
40
1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100Sorteios
Dife
renç
a re
lativ
a
Diferença (%)CV (%) Média
FIGURA 4.13 - Diferenças Percentuais da Estimativa Amostral em Relação ao Mapeamento das Imagens Landsat e Coeficientes de Variação Correspondentes aos 100 Sorteios Realizados para o Conjunto Amostral 2 (133 amostras).
134
-30-25-20-15-10-505
10152025303540
1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
Sorteios
Dife
renç
a re
lativ
a
Diferença (%)CV (%) Média
FIGURA 4.14 - Diferenças Percentuais da Estimativa Amostral em Relação ao Mapeamento das Imagens Landsat e Coeficientes de Variação Correspondentes aos 100 Sorteios Realizados para o Conjunto Amostral 3 (265 amostras).
-30
-25
-20
-15
-10
-5
0
5
10
15
20
25
30
35
40
1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100Sorteios
Dife
renç
a re
lativ
a
Diferença (%)CV (%) Média
FIGURA 4.15 - Diferenças Percentuais da Estimativa Amostral em Relação ao Mapeamento das Imagens Landsat e Coeficientes de Variação Correspondentes aos 100 Sorteios Realizados para o Conjunto Amostral 4 (530 amostras).
135
A Tabela 4.3 demonstra que a área estimada foi muito similar ao dado de
referência para os 3 sorteios escolhidos, variando, contudo, em relação ao CV.
Entretanto, tais sorteios foram selecionados em função de se almejar
estimativas mais próximas possíveis da realidade, independente do valor do
CV.
TABELA 4.3 - Área Plantada com a Cultura da Soja Estimada Através do Método de Amostragem nas Imagens Landsat para o Ano-safra 2000/01.
MMaappeeaammeennttoo -- 22000000//0011 LLaannddssaatt 22..449922..888800 hhaa Conjunto amostral Amostragem - 2000/01 Sorteio 1 Sorteio 2 Sorteio 3
Área (ha) 2.489.164 2.511.366 2.494.068 Diferença (ha) -3.716 18.486 1.188 Diferença (%) -0,15 0,74 0,14
1 (67 amostras)
CV (%) 11,98 9,58 10,98 Área (ha) 2.485.710 2.484.564 2.486.830 Diferença (ha) -7.170 -8.316 -6.050 Diferença (%) -0,29 -0,33 -0,24
2 (133 amostras)
CV (%) 9,12 11,23 10,10 Área (ha) 2.497.336 2.494.215 2.493.293 Diferença (ha) 4.486 1.335 413 Diferença (%) 0,18 0,05 0,02
3 (265 amostras)
CV (%) 7,09 7,23 6,76 Área (ha) 2.490.734 2.489.711 2.491.868 Diferença (ha) -2.146 -3.169 -1,012 Diferença (%) 0,09 -0,13 -0,04
4 (530 amostras)
CV (%) 6,00 4,99 4,58
A análise conjunta das Figuras 4.12 a 4.15 permite concluir que, à medida que
aumenta o número amostral, diminui a amplitude de variação e a magnitude
das diferenças relativas das estimativas em relação ao mapeamento das
imagens Landsat, o mesmo ocorrendo em relação aos valores e,
conseqüentemente, da média dos CVs. Observa-se ainda a grande variação
entre as estimativas dos diferentes sorteios em um mesmo conjunto amostral,
muito embora a média das estimativas dos 100 sorteios tenha se aproximado
muito da estimativa do Landsat, em todos os conjuntos amostrais (67, 133, 265
e 530 segmentos).
136
Ainda assim, não se constatou efeito do CV sobre a precisão das estimativas
para um mesmo conjunto amostral, já que as maiores diferenças (em módulo)
estiveram associadas tanto a altos, quanto a baixos valores de CV, o mesmo
ocorrendo com as menores diferenças. O que se verificou, de fato, foi uma
tendência dos menores valores de CV corresponderem às diferenças negativas
(subestimativas), enquanto que os maiores CVs estarem relacionados às
diferenças positivas (superestimativas). Sendo assim, é fácil compreender
porque as estimativas mais próximas ao mapeamento das imagens Landsat
estão associadas aos valores intermediários de CV.
Ainda em relação ao CV, cabe mencionar que o ângulo de inclinação da sua
reta de distribuição diminui do conjunto amostral 1 para o conjunto amostral 4
(Figura 4.16). Isto significa que a relação entre o valor máximo e o mínimo
diminui consideravelmente, o que provoca uma certa estabilização dos valores
à medida que se aumenta o número amostral, conforme visualizado na Tabela
4.4. Isto converge para o fato que o número amostral ideal para a estimativa
em questão pode estar em torno de 530. A Figura 4.16 exibe os coeficientes de
variação relativos aos 100 sorteios realizados para os conjuntos amostrais de 1
a 4 (67 a 530 amostras).
137
0
5
10
15
20
25
30
35
1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
Sorteios
Coe
ficie
nte
de d
e Va
riaçã
o (%
)
67 amostras133 amostras265 amostras530 amostras
FIGURA 4.16 - Coeficientes de Variação Correspondentes aos 100 Sorteios Realizados para os Conjuntos Amostrais 1 a 4.
A despeito das assertivas anteriores, ao se adotar um sistema de amostragem
desta natureza visando à determinação da área plantada com determinada
cultura em uma região, a principal referência disponível para se inferir sobre a
precisão da estimativa é o CV, o qual está intimamente relacionado ao número
amostral utilizado. Contudo, a escolha do número amostral deve considerar,
primordialmente, a viabilidade da execução do método (ou seja, da avaliação
da área plantada nos segmentos escolhidos) de uma forma economicamente
viável e em tempo oportuno, o qual na maioria dos casos será realizado
através de visitas a campo, auxiliadas ou não, por imagens de sensoriamento
remoto.
No presente estudo, para o conjunto amostral contendo 530 amostras, as
diferenças relativas da estimativa via amostragem frente ao mapeamento do
Landsat variaram entre -10,53 e 10,28% (64% dos CVs ficaram entre -5 e 5%),
sendo que os CVs oscilaram entre 3,63 e 6,88% (43% dos CVs foram menores
138
que 5%) (Tabela 4.4). Além disso, os 530 segmentos representam tão somente
0,46% da área estudada, abrangida por 322 municípios, totalizando menos de
2 segmentos por município (Tabela 3.2), o que deve tornar viável a execução
prática do método. Para os demais conjuntos amostrais, a magnitude das
incertezas encontradas, tanto em termos de diferença relativa, quanto no que
se refere ao CV (principalmente para 67 e 133 amostras), torna sua aplicação
pouco indicada.
Por fim, o que fica evidenciado no sistema proposto ante os resultados
encontrados, particularmente no que se refere ao conjunto amostral 4, é que o
mesmo, além de proporcionar uma idéia da real área plantada, fornece o erro
associado à estimativa, o que não ocorre em se tratando dos dados oficiais
fornecidos pelo LSPA.
TABELA 4.4 - Variação das Diferenças e dos CVs e Média das Diferenças e dos CVs para os 100 Sorteios nos Diferentes Conjuntos Amostrais das Estimativas de Área Plantada Através do Método de Amostragem nas Imagens Landsat para o Ano-safra 2000/01.
Conjunto amostral
Variação das diferenças (%)
(% entre - 5 e 5%)
Média das diferenças
(%) Variação dos CVs
(%) (max/min) Média dos
CVs (%)
1 (67 amostras) -27,35 a 34,47 (20) 0,36 7,10 a 30,48 (4,3) 13,96
2 (133 amostras) -24,49 a 25,72 (33) 0,87 5,13 a 18,12 (3,5) 9,88
3 (265 amostras) -14,65 a 20,19 (51) -0,34 3,96 a 11,36 (2,9) 7,27
4 (530 amostras) -10,53 a 10,28 (64) -0,41 3,36 a 6,88 (1,9) 5,19
4.1.3. Estimativa Via Método de Amostragem por Segmentos das Imagens Landsat - Ano-safra 2001/02.
A Tabela 4.5 apresenta a estimativa da área plantada com soja, o respectivo
CV e o incremento em relação ao dado de referência, para cada conjunto
amostral, em cada um dos sorteios escolhidos no ano-safra 2001/02.
139
TABELA 4.5 - Área Plantada com a Cultura da Soja Estimada pelo Método de
Amostragem Sobre as Imagens Landsat Referentes ao Ano-safra 2001/02 e os Respectivos Incrementos em Relação ao Ano-safra 2000/01.
MMaappeeaammeennttoo -- 22000000//0011 LLaannddssaatt == 22..449922..888800 hhaa Conjunto amostral Amostragem - 2001/02 Sorteio 1 Sorteio 2 Sorteio 3 Média
Área (ha) 2.616.602 2.662.480 2.779.974 2.686.352 Incremento em relação a 2000/01 (ha) 123.722 169.600 287.094 193.498 Incremento em relação a 2000/01 (%) 4,96 6,80 11,52 7,76
1 (67 amostras)
CV (%) 10,62 10,13 10,52 10,43 Área (ha) 2.749.359 2.489.462 2.960.696 2.733.197 Incremento em relação a 2000/01 (ha) 256.479 -3.418 467.816 240.292 Incremento em relação a 2000/01 (%) 10,29 -0,14 18,76 9,64
2 (133 amostras)
CV (%) 8,87 11,23 12,32 10,81 Área (ha) 2.748.046 2.794.390 2.642.724 2.728.412 Incremento em relação a 2000/01 (ha) 255.166 301.510 149.844 235.507 Incremento em relação a 2000/01 (%) 10,23 12,09 6,01 9,45
3 (265 amostras)
CV (%) 6,98 6,98 6,71 6,89 Área (ha) 2.777.453 2.792.044 2.804.188 2.791.253 Incremento em relação a 2000/01 (ha) 284.573 299.164 311.308 298.348 Incremento em relação a 2000/01 (%) 11,41 12,00 12,49 11,97
4 (530 amostras)
CV (%) 5,57 5,11 4,84 5,17
A Tabela 4.5 exibe consideráveis variações na área plantada estimada através
do método de amostragem por segmentos. Para o conjunto amostral 1
observou-se que, apesar do CV ser praticamente constante entre os três
sorteios, o valor relativo ao incremento da área plantada em relação ao ano-
safra 2000/01 variou entre 4,96 e 11,52%. No entanto, a média das três
estimativas (7,76%) retornou um valor relativamente próximo àquele informado
pelo LSPA (8,76%). No conjunto amostral 2, além das diferenças observadas
140
nos valores dos CVs, houve grande variação entre as três estimativas, tanto
que o sorteio 2 apontou para uma redução na área plantada com soja em
0,14% (o único a apresentar este comportamento dentre os 12 sorteios). Para o
conjunto amostral contendo 265 amostras observou-se uma redução
considerável no valor do CV em relação aos conjuntos amostrais 1 e 2, além de
este ser praticamente constante para os três sorteios. Todavia, ainda
percebeu-se grande variação entre as estimativas, as quais oscilaram entre
6,01 e 12,09%.
Conforme esperado, o conjunto amostral contendo 530 amostras foi o que
proporcionou os melhores resultados. Neste caso, além da pouca variação
entre as estimativas do incremento na área plantada nos três sorteios (11,41 a
12,49%), os CVs apresentaram os menores valores. Em decorrência disto,
acredita-se que a média do incremento observado (11,97%) esteja próxima à
realidade ocorrida no campo. Tal suposição é reforçada pelo valor do
incremento fornecido pela empresa Cargill Agrícola S.A. complexo soja para o
mesmo período, avaliado em 11% (Moreira, 2003). Tal empresa possui ampla
experiência em estimativas de safras de soja no Brasil por meio de imagens de
SR e visitas em campo. Por este motivo, é de se esperar que o incremento
informado pela empresa seja mais confiável em relação ao LSPA. Apesar
disso, somente através de um dado de referência confiável (como um
mapeamento completo via imagens de SR) poder-se-ia avaliar a exatidão de
tais estimativas.
Ressalta-se, ainda, que em todos os 12 sorteios os CVs ficaram dentro dos
limites encontrados para os correspondentes conjuntos amostrais quando se
efetuaram os 400 sorteios (Tabela 4.4).
141
4.2. Estimativa da Produtividade
4.2.1. Geração do Mapa da Capacidade de Armazenamento de Água no Solo (CAD)
O mapa referente à capacidade de armazenamento de água dos solos (CAD)
da área em estudo é apresentado na Figura 4.17. Nota-se que a maior parte da
área de estudo (54%) possui boa capacidade de armazenamento de água (100
mm), refletindo a aptidão de tais solos ao cultivo da soja. Além disso, ao
analisarmos esse mapa juntamente com o mapa temático da classificação das
imagens Landsat (Figura 4.7), é possível perceber que existe certa
concordância entre a localização das áreas com soja e as regiões onde a CAD
é igual a 100 mm. As regiões com CAD igual a 70 mm representam 39% da
região em estudo, e somente uma porção ao sul e outra a oeste apresentam
uma menor capacidade de armazenamento de água (50 mm), as quais
correspondem a apenas 7% da área estudada.
FIGURA 4.17 - Mapa Referente à Capacidade de Armazenamento de Água dos
Solos da Área de Estudo.
142
4.2.2. Seleção do Componente Espectral e do Período a Ser Monitorado
A Figura 4.18 apresenta o perfil temporal dos índices de vegetação EVI e NDVI
do sensor MODIS para a média das áreas com soja e não-soja durante o ano-
safra 2000/01, bem como o período selecionado para a estimativa da
produtividade pelo modelo AGROMET.
0,20
0,30
0,40
0,50
0,60
0,70
0,80
0,90
1,00
Out 2 Nov 1 Nov 2 Dez 1 Dez 2 Jan 1 Jan 2 Fev 1 Fev 2 Mar 1 Mar 2 Abr 1Quinzenas
Índi
ce d
e Ve
geta
ção
Soja EVI
Não soja EVI
Soja NDVI
Não soja NDVI
FIGURA 4.18 - Perfil Temporal dos Índices de Vegetação EVI e NDVI do Sensor MODIS para a Média das Áreas com Soja e Não-soja Durante o Ano-safra 2000/01 e o Período Selecionado para a Estimativa da Produtividade pelo Modelo AGROMET.
A análise da Figura 4.18 demonstra que a evolução temporal dos índices de
vegetação esteve relacionada às diferentes fases do ciclo fenológico da cultura.
Baixos valores dos IVs foram observados durante os meses de novembro e
abril, coincidentes com o estabelecimento e senescência da soja,
respectivamente. O rápido incremento dos valores a partir de dezembro
demonstra a sensibilidade dos índices ao acréscimo da biomassa por ocasião
da fase inicial do ciclo da cultura. A tendência à estabilização manifestada a
Período utilizado no modelo AGROMET
143
partir de fevereiro, quando a soja ainda apresenta considerável incremento no
IAF, comprova a perda de sensibilidade de tais índices ao acréscimo de
biomassa em estádios mais avançados do ciclo fenológico (apesar dos valores
mais altos coincidirem com o período de maior desenvolvimento das plantas).
O decréscimo abrupto dos valores dos IVs a partir de março traduz a
diminuição de biomassa sofrida pela soja no final do ciclo. Assim sendo, o
período escolhido para o monitoramento da cultura compreende desde a
segunda quinzena de novembro até o final de março, totalizando 9 quinzenas
(135 dias) (Figura 4.18).
Além disso, percebe-se claramente o comportamento quase idêntico dos dois
IVs em respeito ao monitoramento da biomassa da soja (r2 = 0,97). Em
decorrência disto, optou-se pela utilização do NDVI como componente
espectral do modelo de estimativa de produtividade, por tratar-se de um índice
cujas relações com parâmetros biofísicos de culturas agrícolas já estarem
definidas na literatura.
É perceptível, também, que o contraste existente entre as classes soja e não-
soja (áreas em verde) é consideravelmente maior em se tratando do EVI. Isto
faz com que as áreas de soja sejam mais bem separadas espectralmente dos
demais alvos presentes na cena em relação ao NDVI, o que pode auxiliar na
identificação da cultura, especialmente em regiões onde o tamanho dos talhões
seja compatível com a resolução espacial do sensor MODIS, como o Centro-
oeste brasileiro.
4.2.3. Correção nos Dados Oficiais de Produtividade
A Tabela 4.6 descreve o efeito causado pela diferença na estimativa de área
sobre o valor de produtividade para a cultura da soja na área de estudo.
Ressalta-se que no caso específico do ano-safra 2000/01, as discrepâncias
encontradas na estimativa da área plantada em nível municipal impedem a
correção individual dos valores de produtividade nos municípios. Pois em
muitos casos o dado fornecido pelo LSPA referente à produção total do
144
município se torna incoerente com o valor da área plantada estimada através
do mapeamento das imagens Landsat. Por exemplo, no município de Iraí, seria
necessária uma produtividade de 6.906 kg ha-1 para que a produção total
informada pelo LSPA (5.760 ton.) pudesse ser produzida na área de soja
estimada pelo Landsat (834 ha).
TABELA 4.6 - Produção, Área Plantada e Produtividade, Estimados pelo LSPA, Área Plantada Estimada Através das Imagens Landsat e Produtividade Corrigida em Função da Produção, para a Cultura da Soja no Rio Grande do Sul.
Ano-safra 2000/01 2001/02 2002/03
Produção LSPA (ton.) 6.538.776 5.113.385 8.646.918
Área plantada LSPA (ha) 2.773.498 3.016.602 3.225.462
Produtividade LSPA (kg ha-1) 2.358 1.695 2.680
Área plantada Landsat (ha) 2.492.880 2.791.253 2.985.409
Produtividade Corrigida (kg ha-1) 2.623 1.832 2.896
4.2.4. Desempenho dos Modelos de Estimativa de Produtividade
A título de discussão dos resultados, o modelo de estimativa de produtividade
que utilizou os dados de IAF publicados por Fontana et al. (1992) (Item 3.5.4)
foi denominado de agrometeorológico e o modelo que empregou as imagens
oriundas do sensor MODIS de agrometeorológico-espectral. A Tabela 4.7 exibe
os valores de produtividade, em nível estadual, estimados por ambos os
modelos em comparação aos fornecidos pelo LSPA e corrigidos em função da
plantada. A Figura 4.19 exibe tais valores sob a forma de gráfico. Os valores de
produtividade em nível municipal estão transcritos no Apêndice C.
145
-1
TABELA 4.7 - Produtividade Estimada pelos Modelos Agrometeorológico-espectral e Agrometeorológico, em Comparação à produtividade corrigida, para a Cultura da Soja no Rio Grande do Sul, Anos-safra de 2000/01 a 2002/03.
Diferença Ano-safra Método de Estimativa
Produtividade(kg ha-1) (kg ha-1) (%)
Teste t
Produt. corrigida 2.623 - - -Agromet.-espectral 2.622 - 1 - 0,04 0,032000/01
agrometeorológico 2.622 - 1 - 0,04 0,03Produt. corrigida 1.832 - - -Agromet.-espectral 1.826 - 6 - 0,32 0,212001/02
agrometeorológico 1.771 - 61 - 3,33 1,90
Produt. corrigida 2.896 - - -
Agromet.-espectral 2.692 - 204 - 7,04 7,32*2002/03
agrometeorológico 2.668 - 228 - 7,87 8,21**Significativo para α = 0,05 (t = 1,96).
1000
1200
1400
1600
1800
2000
2200
2400
2600
2800
3000
2000/01 2001/02 2002/03Ano-safra
Prod
utiv
idad
e (k
g.ha
-1)
Produt. CorrigidaAgrom. espectralAgrometeorológico
FIGURA 4.19 - Produtividade (kg ha-1) Estimada pelos Modelos Agrometeorológico e Agrometeorológico-espectral e a
146
produtividade corrigida em função da área plantada para a Cultura da Soja no Rio Grande do Sul, para os Anos-safra de 2000/01 a 2002/03.
Ao analisar a Tabela 4.7 e a Figura 4.19 fica evidente a variação dos valores de
produtividade entre os 3 anos-safra estudados. O ano-safra 2000/01
apresentou condições meteorológicas propícias ao cultivo da soja, acarretando
no alto índice de produtividade alcançado. Em 2001/02, registraram-se
prolongados períodos de estiagem em estádios críticos do desenvolvimento
das plantas, o que implicou em perdas muito significativas na produtividade da
cultura. O ano-safra 2002/03 apresentou condições meteorológicas particulares
e extremamente mais favoráveis (principalmente a precipitação) à cultura em
relação ao que normalmente ocorre no Estado, sendo a maior produtividade
média já alcançada no Rio Grande do Sul.
No que tange ao desempenho dos modelos, no primeiro ano-safra analisado
(2000/01), tanto o modelo agrometeorológico, quanto o agrometeorológico-
espectral retornaram valores praticamente equivalentes à produtividade
corrigida, pois a produtividade estimada (2.622 kg ha-1) ficou apenas 0,04%
abaixo da estimativa oficial corrigida (2.623 kg ha-1). Nota-se que em 2000/01
não houve diferença significativa entre a estimativa dos modelos e a
produtividade corrigida (t = 0,03).
Em 2001/02, o modelo agrometeorológico-espectral também foi bastante
eficiente na estimativa da produtividade, subestimando a produtividade
corrigida em apenas 6 kg ha-1 (0,32%). Novamente, não houve diferença
significativa entre a média das duas estimativas (t = 0,21). Apesar de o modelo
agrometeorológico ter retornado um valor de produtividade 61 kg ha-1 inferior à
produtividade corrigida (3,33%), a diferença entre as duas estimativas não
diferiu significativamente (t = 1,90).
Para o ano-safra 2002/03, apesar de a produtividade média ter ultrapassado o
valor referente a 2000/01 ambos os modelos não conseguiram simular o valor
da produtividade oficial corrigida. O modelo agrometeorológico-espectral
retornou uma subestimativa de 7,04% (204 kg ha-1) (t = 7,32), mas mesmo
147
assim, foi mais eficiente que o modelo agrometeorológico, o qual retornou um
valor 7,87% (228 kg ha-1) (t = 8,21) inferior à produtividade corrigida. Neste
caso, diferenças significativas foram encontradas para a estimativa de ambos
os modelos em comparação à produtividade corrigida (Tabela 4.7).
Apesar das discrepâncias encontradas, ressalta-se que neste ano-safra foram
utilizados os dados de insolação, umidade relativa do ar e velocidade do vento
referentes a 2000/01, quando a produtividade estimada foi consideravelmente
menor em relação a 2002/03. Acredita-se, portanto, que o valor estimado pelos
modelos seria ligeiramente superior ao atual, se fossem utilizadas todas as
variáveis meteorológicas do respectivo ano-safra.
Além disso, existe a possibilidade de o LSPA ter subestimado o valor do
incremento da área plantada do ano-safra 2001/02 em relação a 2002/03, visto
que o mesmo ocorreu de 2000/01 para 2001/02, de acordo com a estimativa
realizada pelo sistema de amostragem (Item 4.1.3). Neste caso, um possível
aumento no valor do incremento e, conseqüentemente, da área plantada,
implicaria diretamente na diminuição do valor da produtividade oficial corrigida,
que estaria, assim, mais próximo daqueles estimados pelos modelos.
Ainda no que se refere ao ano-safra 2002/03, a maioria das lavouras foi
cultivada com o uso de sementes geneticamente modificadas (transgênicas),
prática que possivelmente será adotada em definitivo nos anos seguintes.
Como neste tipo de cultivo a eficiência do controle de plantas invasoras é muito
superior ao sistema tradicional, pode ter havido um incremento na
produtividade em relação aos anos anteriores, independentemente de
alterações nas condições meteorológicas. Se constatada a tendência à
subestimativa por parte dos modelos em anos subseqüentes, pode ser
introduzido um fator tecnológico, que irá ajustá-los às novas características de
cultivo da região.
O que deve ser ressaltado frente aos resultados encontrados é que ambos os
modelos conseguiram acompanhar a trajetória dos valores de produtividade
apesar do forte contraste observado entre os três anos-safra estudados. Isto
148
indica que, muito embora os modelos tenham subestimado a produtividade em
2002/03, estes têm boas chances de retornarem estimativas satisfatórias na
maioria dos anos-safra analisados caso tais modelos sejam implementados em
um sistema rotineiro de estimativa de safras.
As Figuras 4.20 a 4.25 apresentam os mapas de produtividade produzidos por
ambos os modelos para os anos-safra de 2000/01 a 2002/03 e a divisão
política municipal. Para facilitar a visualização e análise dos resultados, o
intervalo de valores de produtividade foi dividido em 6 níveis, cujos limiares
estão demonstrados nas figuras a seguir. Cabe lembrar que somente as áreas
com soja (Figura 4.7) foram computadas no cálculo da produtividade final, o
que explica as regiões em branco nos mapas de produtividade, as quais
referem-se às áreas pertencentes à classe não-soja.
149
FIGURA 4.20 - Mapa Temático Referente à Produtividade da Soja Estimada
pelo Modelo Agrometeorológico, Ano-safra 2000/01.
FIGURA 4.21 - Mapa Temático Referente à Produtividade da Soja Estimada
pelo Modelo Agrometeorológico-espectral, Ano-safra 2000/01.
150
FIGURA 4.22 - Mapa Temático Referente à Produtividade da Soja Estimada
pelo Modelo Agrometeorológico, Ano-safra 2001/02.
FIGURA 4.23 - Mapa Temático Referente à Produtividade da Soja Estimada
pelo Modelo Agrometeorológico-espectral, Ano-safra 2001/02.
151
FIGURA 4.24 - Mapa Temático Referente à Produtividade da Soja Estimada
pelo Modelo Agrometeorológico, Ano-safra 2002/03.
FIGURA 4.25 - Mapa Temático Referente à Produtividade da Soja Estimada
pelo Modelo Agrometeorológico-espectral, Ano-safra 2002/03.
152
Nas Figuras 4.20 a 4.25 ressaltam-se as diferenças nos níveis de produtividade
dos diferentes anos-safra estudados. Em 2000/01 (Figuras 4.20 e 4.21),
percebe-se que a maioria dos talhões de soja apresentou produtividade
superior a 2.400 kg ha-1. Apesar disso, na parte centro-sul da área de estudo,
observaram-se alguns talhões com produtividade variando entre 2.201 e 2.400
kg ha-1. Talhões com produtividade inferior a 2.201 kg ha-1 foram muito pouco
freqüentes neste ano-safra, dadas as favoráveis condições atmosféricas
apresentadas.
Para o ano-safra 2001/02 (Figuras 4.22 e 4.23) percebeu-se uma drástica
redução nos níveis de produtividade para toda a área de estudo em
comparação a 2000/01, provocada pela forte estiagem ocorrida no Estado.
Neste caso, foram constatados poucos talhões onde a produtividade esteve
acima de 1.901 kg ha-1. Na maioria das lavouras a produtividade da cultura
esteve entre 1.600 e 1.900 kg ha-1. Verificou-se, ainda, talhões onde a
produtividade foi extremamente prejudicada pelo estresse hídrico, não
alcançando 1.600 kg ha-1.
Em 2002/03 (Figuras 4.24 e 4.25), dadas as excelentes condições
meteorológicas ocorridas, a maioria dos talhões apresentou níveis de
produtividade superior a 2.400 kg ha-1, havendo um número considerável de
áreas apresentando valores acima de 2.800 kg ha-1. Contudo, foram verificadas
regiões onde tais valores estiveram entre 2.201 e 2.400 kg ha-1, sendo
inexpressivo o número de talhões com produtividade inferior a 2.201 kg ha-1.
No entanto, percebe-se uma diferença na distribuição espacial dos diferentes
níveis de produtividade entre os mapas gerados pelos dois modelos de
estimativa, para um mesmo ano-safra. No modelo agrometeorológico, os
talhões pertencentes aos mesmos níveis de produtividade tendem a estar
agrupados, delimitando regiões homogêneas. Essas regiões provavelmente
foram originadas pela existência de limites abruptos nos mapas das variáveis
meteorológicas interpoladas, provocados pelo número reduzido de estações
utilizadas.
153
Todavia, no modelo agrometeorológico-espectral, observa-se uma mistura dos
níveis de produtividade, até mesmo dentro de um determinado município.
Apesar de observado nos três anos-safra estudados, este fato ficou
evidenciado em 2001/02. Neste caso, o mapa de produtividade produzido pelo
modelo agrometeorológico apresenta quase que a totalidade dos talhões com
produtividade variando entre 1.601 e 1.900 kg ha-1. O mapa do modelo
agrometeorológico-espectral exibe talhões com produtividade chegando aos
2.400 kg ha-1. Além disso, constatam-se talhões cujo valor da produtividade
está abaixo dos 1.800 kg ha-1, principalmente na região sudoeste da área de
estudo. Nesta região, conforme relatado por Yi (2003), foram observadas
lavouras onde a cultura foi sequer colhida, tamanha a perda provocada pela
deficiência hídrica.
Ainda em relação ao ano-safra 2001/02, percebe-se no mapa gerado pelo
modelo agrometeorológico-espectral a existência de um aumento gradual nos
níveis de produtividade do sentido sudoeste para nordeste da área de estudo.
Ou seja, apesar dos baixos valores observados em toda a região estudada, as
maiores perdas na produtividade se concentraram na parte sudoeste,
comparativamente à parte nordeste da região (Figura 4.23). Este fato condiz
com o estudo realizado por Cunha et al. (1999) (Figura 2.4), que constatou
maiores índices de perda de potencial de produtividade da soja por deficiência
hídrica nas porções sul e sudeste, em relação às porções norte e nordeste do
Estado, para cultivares de ciclo médio semeadas em 15 de novembro (mesmas
especificações utilizadas no modelo AGROMET).
4.2.5. Estimativa da Produção
A Tabela 4.8 mostra a área plantada, produtividade e produção da cultura da
soja no Rio Grande do Sul, estimadas pelo presente estudo para os anos-safra
de 2000/01 a 2002/03, em comparação com os dados fornecidos pelo LSPA.
Nota-se que as diferenças encontradas entre os dados oficiais de produção e
os estimados refletem tão somente as discrepâncias encontradas entre as
154
estimativas de produtividade realizadas pelo modelo agrometeorológico-
espectral em relação à produtividade corrigida. Isto ocorre porque as diferenças
encontradas entre os valores oficiais e os estimados de área plantada
implicaram diretamente na correção dos dados de produtividade oficiais (Item
4.2.3).
TABELA 4.8 - Área Plantada, Produtividade e Produção, Estimados pelo Presente Estudo em Comparação à Produção Estimada pelo LSPA, para a Cultura da Soja no Rio Grande do Sul.
Ano-safra 2000/01 2001/02 2002/03
Área plantada Landsat (ha) 2.492.880 2.791.253 2.985.409*
Produtividade Modelo AE (kg ha-1) 2.622 1.826 2.692
Produção (ton.) 6.536.331 5.096.827 8.036.721
Produção LSPA (ton.) 6.538.776 5.113.385 8.646.918
Diferença (ton.) - 2.445 - 16.558 - 610.197
Diferença (%) - 0,04 - 0,32 - 7,05*Valor estimado a partir do incremento oficial.
4.2.6. Monitoramento da Soja
A Figura 4.26 mostra a trajetória da produtividade acumulada, estimada pelo
modelo agrometeorológico-espectral, para os três anos-safra estudados.
155
0
500
1000
1500
2000
2500
3000
Nov 2 Dez 1 Dez 2 Jan 1 Jan 2 Fev 1 Fev 2 Mar 1 Mar 2
Quinzenas
Prod
utiv
idad
e (k
g.ha
-1)
2000/012001/022002/03
FIGURA 4.26 - Produtividade Acumulada (kg ha-1) Estimada pelo Modelo
Agrometeorológico-espectral para a Cultura da Soja no Rio Grande do Sul, para os Anos-safra de 2000/01 a 2002/03.
Pela Figura 4.26 pode-se analisar que o incremento dos valores de
produtividade à medida que o modelo simula o ciclo fenológico da cultura é
praticamente constante e muito similar entre os anos-safra 2000/01 e 2002/03,
traduzindo as condições meteorológicas favoráveis para o crescimento e
desenvolvimento da cultura nestes períodos. Para 2001/02, o valor da
produtividade praticamente acompanhou os demais anos-safra nas três
primeiras quinzenas. Contudo, constatou-se uma perda significativa provocada
por adversidades climáticas na quarta quinzena (Jan 1), o que fez com que a
curva ficasse abaixo dos demais anos-safra, mesmo tendo sido observada uma
tendência à normalidade na quinta e sexta quinzenas (Jan 2 e Fev 1). Na
sétima quinzena (Fev 2), novamente ocorreu uma perda na produtividade, que
refletiu diretamente no valor final estimado. Os incrementos registrados na
oitava e nona quinzenas (Março) não foram suficientes para que a
produtividade final alcançasse os níveis dos demais anos-safra.
156
Em adição, salienta-se o caráter preditivo do modelo, pois além de o mesmo
informar o valor da produtividade final cerca de um mês antes do término da
colheita no Estado, as perdas de produtividade observadas em cada quinzena
já podem ser contabilizadas. Ou seja, ao ser constatada uma redução na
produtividade de determinada quinzena, esta já pode ser quantificada na
produtividade final da cultura, mesmo que por ventura as quinzenas restantes
apresentem condições meteorológicas favoráveis. Neste caso, o
monitoramento da produtividade pode se dar sempre de uma maneira
comparativa a anos-safra onde não houve perdas significativas na
produtividade.
A Figura 4.27 mostra a trajetória do índice de penalização para os três anos-
safra, para a média da área de estudo, onde os valores mais baixos indicam as
maiores perdas na produtividade em relação ao déficit hídrico. Salienta-se que
o IP somente indica as perdas por deficiência hídrica, sendo, portanto,
equivalente para os dois modelos de estimativa.
Percebe-se que são observadas perdas no potencial produtivo da cultura
mesmo nos anos-safra onde ocorreram os maiores valores de produtividade
(2000/01 e 2002/03), principalmente no mês de janeiro e na primeira quinzena
de fevereiro. Isto indica que, apesar destes anos-safra terem sido os que
historicamente apresentaram as produtividades mais altas, dadas as
excelentes condições meteorológicas ocorridas, foram observados períodos
onde a cultura não pode expressar todo seu potencial produtivo em virtude do
déficit na disponibilidade hídrica. Isto reforça as afirmativas anteriores de que o
regime de precipitação pluvial que ocorre no Rio Grande do Sul limita a
expressão da produtividade potencial da soja (Mota, 1996; Matzenauer et al.,
2003), sendo este o motivo provável da produtividade média da cultura no
Estado estar entre as mais baixas do país, já que quase a totalidade das
lavouras é conduzida sem suprimento hídrico adicional. As maiores perdas,
entretanto, são visualizadas durante o ano-safra 2001/02, as quais se mostram
acentuadas principalmente na primeira quinzena de janeiro e durante todo o
157
mês de fevereiro, comprometendo sensivelmente a produtividade final da
cultura.
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
Nov 2 Dez 1 Dez 2 Jan 1 Jan 2 Fev 1 Fev 2 Mar 1 Mar 2
Quinzenas
Índi
ce d
e pe
naliz
ação
2000/012001/022002/03
FIGURA 4.27 - Índice de Penalização Estimado para a Cultura da Soja no Rio Grande do Sul, para os Anos-safra de 2000/01 a 2002/03.
Além de monitorar as condições médias da região em estudo, é possível
visualizar espacialmente as perdas no potencial produtivo da cultura
provocadas pelo déficit hídrico para cada quinzena, conforme as Figuras 4.28 a
4.30. Neste caso, percebe-se que tais perdas não são espacialmente uniformes
para toda a área em estudo. Por exemplo, no ano-safra 2000/01, percebe-se
pela Figura 4.27 que houve uma ligeira penalização nos valores de
produtividade durante a primeira quinzena de março. Contudo, através da
Figura 4.28, nota-se que tal penalização esteve concentrada principalmente na
região centro-sul da área de estudo, sendo as demais regiões pouco
comprometidas em relação ao déficit hídrico.
158
FIGURA 4.28 - Índices de Penalização Quinzenal para a Cultura da Soja, Ano-safra 2000/01.
Nov - 2 Dez - 1 Dez - 2
Jan - 1 Jan - 2 Fev - 1
Fev - 2 Mar - 1 Mar - 2
159
FIGURA 4.29 - Índices de Penalização Quinzenal para a Cultura da Soja, Ano-safra 2001/02.
Nov - 2 Dez - 1 Dez - 2
Jan - 1 Jan - 2 Fev - 1
Fev - 2 Mar - 1 Mar - 2
160
FIGURA 4.30 - Índices de Penalização Quinzenal para a Cultura da Soja, Ano-safra 2002/03.
Nov - 2 Dez - 1 Dez - 2
Jan - 1 Jan - 2 Fev - 1
Fev - 2 Mar - 1 Mar - 2
161
4.2.7. Sobre o Desenvolvimento do Sistema de Estimativa de Safras
Os métodos aqui apresentados para estimativa da área plantada e
produtividade da soja na região em estudo merecem algumas afirmativas
adicionais acerca da sua viabilidade de utilização em sistemas de estimativa de
safras agrícolas.
Em relação ao mapeamento das áreas com soja realizado via imagens Landsat
(Item 4.1.1), trata-se de um estudo sem precedentes no Brasil, dada a grande
extensão da área abrangida, aliada ao caráter multitemporal e à alta qualidade
das imagens (em relação ao problema de cobertura de nuvens) utilizadas na
classificação.
Contudo, a realização anual de um mapeamento desta ordem é limitada por
alguns fatores que devem ser enfatizados. O já comentado problema
relacionado à cobertura de nuvens exige que haja satélites adquirindo imagens
em uma resolução espacial compatível e em uma resolução temporal que
permita a obtenção de imagens úteis em pelo menos 2 períodos específicos do
ciclo da cultura, para toda a área em estudo.
Em adição, tal método não possui caráter preditivo, visto que as imagens a
serem utilizadas só serão adquiridas cerca de 2 meses antes da colheita,
sendo necessária, ainda, a realização dos procedimentos referentes à
classificação propriamente dita, o que retarda a disponibilidade e reduz
consideravelmente o valor das informações obtidas, para fins de previsão. Por
conseguinte, faz-se necessária a utilização de uma técnica que forneça
informações prévias a respeito da área plantada.
Apesar disso, dependendo da disponibilidade de imagens, o mapeamento
completo das áreas com soja pode ser realizado em intervalos regulares de 4-5
anos, servindo de referência para corrigir os dados do LSPA em nível municipal
(conforme visto no Item 4.1.1.2), melhorando a qualidade da previsão nos anos
subseqüentes. Ademais, o mapeamento serve de subsídio à estratificação da
região em estudo ao ser adotado um sistema de amostragem podendo ainda
162
detectar áreas de expansão da cultura em regiões de fronteira agrícola e
investigar possíveis alterações na dinâmica espacial da distribuição dos
talhões, interferindo, portanto, no processo de estratificação da área e na
possível realocação das amostras.
Particularmente em relação ao sistema de amostragem, a realização deste
método em imagens de fevereiro/março incorre nos mesmos problemas
relacionados à dependência de imagens úteis e à disponibilização dos
resultados em tempo hábil, anteriormente mencionados para o mapeamento
completo. No entanto, como a área das amostras é extremamente inferior à
área total da região considerada, os segmentos escolhidos podem ser
analisados através de visitas a campo por ocasião da implantação da cultura,
dando à estimativa um caráter preditivo. Neste procedimento, os técnicos
responsáveis podem ainda ser auxiliados por imagens adquiridas e
classificadas na safra passada, onde a delimitação e identificação dos talhões
apenas necessitarão ser atualizadas para a safra atual. Neste caso, uma vez
que as amostras são fixas para um certo intervalo de tempo, o processo de
avaliação da área plantada nas mesmas torna-se gradualmente facilitado a
partir do segundo ano, devido ao responsável pela avaliação ir se
familiarizando à localização da amostra e à distribuição e formato das
diferentes classes de uso do solo contidas na mesma.
Com relação à estimativa da produtividade, apesar de ambos os modelos
terem apresentado o mesmo desempenho quando se realizou a análise
estatística, em todos os anos-safra estudados a produtividade estimada pelo
modelo agrometeorológico-espectral esteve mais próxima à estimada pelo
LSPA e corrigida em função da área plantada, em comparação ao modelo
agrometeorológico. Além disso, a variação espacial dos valores de
produtividade é maior em se tratando do modelo agrometeorológico-espectral,
o qual reflete melhor as condições de variabilidade observadas no campo. Em
outras palavras, além desse modelo ter proporcionado melhor desempenho em
relação à estimativa da produtividade, o IAF estimado a partir das imagens
163
MODIS/NDVI compensou, em parte, a baixa densidade das estações
meteorológicas utilizadas, conseguindo traduzir as condições da vegetação.
Além de ser possível monitorar a perda na produtividade causada pelo déficit
hídrico em cada quinzena, são contabilizadas as perdas provocadas por fatores
que prejudicaram o desenvolvimento das plantas, independentemente da
ocorrência do déficit hídrico (falhas de manejo e/ou ataque de pragas e
doenças), desde que tal prejuízo tenha se manifestado através da variação do
comportamento espectral da cultura e tenha sido registrado nas imagens
MODIS/NDVI. Desta forma, as áreas mais prejudicadas podem ser vistoriadas
in situ para uma melhor quantificação das perdas ocorridas, fornecendo
informações adicionais acerca das condições de cultivo, as quais podem ser
introduzidas no modelo como parâmetros adicionais, na busca de melhorar a
exatidão das estimativas.
A disponibilidade gratuita de tais imagens, com alta acuidade radiométrica e
espacial por parte do EOS e a presença de uma estação de recepção dessas
imagens em Cuiabá, reforçam a idéia de que as mesmas podem ser utilizadas
em sistemas rotineiros de estimativa de safras agrícolas, inclusive os oficiais.
Além disso, o monitoramento quinzenal da produtividade confere um caráter
preditivo ao modelo, pois as perdas parciais da produtividade já podem ser
contabilizadas no seu valor final. Ainda nesta abordagem, cabem aqui os
comentários descritos no Item 2.9.4 sobre a utilização de dados meteorológicos
(e espectrais) históricos ou de anos onde as condições meteorológicas se
apresentaram similares às previstas para o ano-safra a ser monitorado, os
quais vêm a ser gradualmente substituídos pelos dados reais na medida em
que o ano-safra transcorre.
Contudo, apesar do desempenho apresentado pelos modelos de estimativa,
torna-se evidente o problema verificado em relação às variáveis meteorológicas
utilizadas neste estudo. Tanto no que diz respeito à baixa densidade das
estações disponíveis no Rio Grande do Sul, quanto no que se refere à
dificuldade de acesso aos dados produzidos pelas mesmas, já que é de se
164
esperar que quanto maior for a quantidade de estações meteorológicas
operando em uma dada área, melhor deverá ser a qualidade das estimativas
em modelos desta natureza. Além disso, é necessário que os dados
provenientes dessas estações sejam disponibilizados de uma forma integrada
(no mesmo momento, formato e local) e em tempo oportuno. Entretanto,
ressalta-se que o portal AGRITEMPO disponibiliza gratuitamente e em tempo
quase real parte dos dados requeridos pelo modelo AGROMET (precipitação e
temperatura do ar) oriundos de algumas estações localizadas no Rio Grande
do Sul.
Uma alternativa aos dados coletados pelas estações meteorológicas podem
ser as informações provenientes de modelos numéricos de previsão do tempo.
Desde 1996, o modelo regional Eta vem sendo utilizado pelo Centro de
Previsão do Tempo e Estudos Climáticos (CPTEC) do INPE para
complementar a previsão numérica de tempo realizada pelo modelo de
circulação geral da atmosféra (Chan, 1996). O modelo Eta fornece informações
diárias de elementos meteorológicos (precipitação pluvial, umidade relativa,
velocidade do vento etc.) em uma resolução espacial horizontal de 40 x 40 km,
para toda a América do Sul, as quais são compatíveis aos SIGs, dado o seu
caráter espacial.
Em suma, fica clara a contribuição dos métodos propostos ao atual sistema de
estimativa de safras. Pois a determinação da área plantada pouco tempo após
a implantação da cultura através do sistema de amostragem (a qual estará
invariavelmente associada a um erro de estimativa), aliada ao
acompanhamento quinzenal da produtividade por meio do modelo é capaz de
fornecer estimativas prévias a respeito da produção final da cultura no Estado.
A Figura 4.34 exibe um fluxograma resumido do sistema de estimativa da
produção da cultura da soja no Rio Grande do Sul.
165
FIGURA 4.34 - Fluxograma do Sistema de Estimativa da Produção da Cultura da Soja no Rio Grande do Sul.
166
167
CAPÍTULO 5
CONCLUSÕES
Foram observadas grandes discrepâncias entre a estimativa de área
plantada com soja em municípios do Rio Grande do Sul, obtida através da
classificação das imagens Landsat, em comparação à informada pelo
LSPA, as quais provocaram uma superestimativa de 11,3% por parte do
LSPA em relação às imagens Landsat, em nível estadual, para o ano-safra
2000/01;
O aspecto multiespectral e multitemporal das imagens de sensoriamento
remoto, aliado à interpretação visual e ao conhecimento prévio da área em
estudo mostrou-se fundamental para a correta identificação e delimitação
das áreas com soja;
A avaliação do método de amostragem por segmentos quadrados proposto
por Adami (2003) indicou que o mesmo pode fornecer informações a
respeito da área plantada com soja no Rio Grande do Sul com um baixo CV
desde que seja amostrado um número suficiente de segmentos por estrato.
No caso específico do presente estudo, foi observado que o número
amostral ideal para a estimativa em nível estadual pode estar em torno de
530.
O método de amostragem por segmentos quadrados retornou um
incremento de 11,97% na área plantada com soja no ano-safra 2001/02 em
relação a 2000/01, o qual foi superior ao incremento oficial estimado pelo
LSPA (8,76%);
A partir das discrepâncias encontradas na estimativa oficial da área
plantada foi possível corrigir as estimativas oficiais de produtividade média
da cultura da soja no Rio Grande do Sul;
Os modelos de produtividade foram satisfatórios na estimativa da
produtividade nos anos-safra 2000/01 e 2001/02 (t=0,03 para o MAE e MA
168
em 2000/01 e t=0,21 para o MAE e 1,90 para o MA em 2001/02) e a
subestimativa observada em 2002/03 (204 (t=7,32) e 228 kg ha-1 (t=8,21)
para os MAE e MA, respectivamente) pode ser explicada, em parte, pela
falta parcial de dados meteorológicos e, em parte, pela falta de informação
segura acerca dos dados oficiais de produtividade, os quais não foram
corrigidos através do valor da área plantada estimada via imagens Landsat,
para esse ano-safra;
O produto IAF gerado a partir das imagens MODIS e disponibilizado pelo
EOS apresenta valores inválidos para a soja em toda a fase de máximo
desenvolvimento da cultura (janeiro e fevereiro), o que inviabiliza sua
utilização para estimativa da produtividade da soja no Rio Grande do Sul.
Porém, o produto IAF gerado neste trabalho a partir das imagens
MODIS/NDVI mostrou-se viável para sua utilização no modelo AGROMET,
pois, além de melhorar o resultado das estimativas em relação ao modelo
agrometeorológico, traduziu melhor as condições de variabilidade da
produtividade existente no campo;
O modelo agrometeorológico-espectral permitiu o monitoramento temporal e
espacialmente da evolução da produtividade durante todo o ciclo da cultura,
promovendo a estimativa da produtividade final cerca de um mês antes do
término da colheita no Estado;
O sistema de estimativa proposto, que faz uso de imagens Landsat e um
método de amostragem por segmentos para a estimativa da área plantada,
aliado a um modelo agrometeorológico-espectral integrado num SIG para o
monitoramento e estimativa da produtividade, pode ser utilizado como
suporte ao método tradicional e subjetivo de estimativa da produção da
cultura da soja no Estado do Rio Grande do Sul.
169
REFERÊNCIAS BIBLIOGRÁFICAS
Adami, M. Estimativa de áreas agrícolas por meio de técnica de sensoriamento remoto, geoprocessamento e amostragem. 2003. 183 p. (INPE-10235-TDI/900). Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 2003. Adami, M. adami@seab.pr.gov.br. PREVS no Paraná. [mensagem pessoal]. Mensagem recebida por <rizzi@dsr.inpe.br> em 12 jan. 2004. Allen, R.; Hanuschak, G.; Craig, M. Limited use of remotely sensed data for crop condition monitoring and crop yield forecasting in NASS. Remotely Sensed Data at NASS. 2002a. Disponível em: <www.usda.gov/nass/nassinfo/remoteuse.htm>. Acesso em: 20 dez. 2003. Allen, R.; Hanuschak, G.; Craig, M. History of remote Sensing for crop acreage in USDA's National Agricultural Statistics Service. Remotely Sensed Data at NASS. 2002b. Disponível em: <www.usda.gov/nass/nassinfo/remotehistory.htm>. Acesso em: 21 dez. 2003. Asrar, G.; Fuchs, M.; Kanemasu, E.T.; Hatfield, J.L. Estimating absorbed photosynthetic radiation and leaf area index from spectral reflectance in wheat. Agronomy Journal, v. 76, n. 2, p. 300-306, Mar./Apr.1984. Baier, W. Note on the terminology of crop-weather models. Agricultural Meteorology, v. 20, n. 2, p. 137-145, Apr. 1979. Bailey, T.C.; Gatrell, A.C. Interactive spatial data analysis. London: Editora Longman, 1995. 413 p. Baret, F.; Guyot, G.; Major, D.J. TSAVI: a vegetation index which minimizes soil brightness effects on LAI and APAR estimation. In: Canadian Symposium on Remote Sensing and IGARSS’90, 12., 1990, Vancouver. Proceedings… Vancouver. 1989. p. 1355-1358. Baret, F.; Jacquemoud, S.; Hanocq, J.F. The soil line concept in remote sensing. Remote Sensing Reviews, v. 7, n. 1, p. 65-82, Jan. 1993. Barros, M.G.M.; Luiz, A.J.B.; Epiphanio, J.C.N. Segmentação multitemporal de imagens em áreas agrícolas. In: Simpósio Brasileiro de Sensoriamento Remoto, 10., 2001, Foz do Iguaçu, 2001. Anais... São José dos Campos: INPE, 2001. p. 23-25. 1 CD-ROM. Ben-Dor, E.; Irons, J.R.; Epema, G.F. Soil reflectance. In: Rencz, A.N. Remote Sensing for the Earth Sciences. Manual of Remote Sensing. 3. ed. New York: John Willey, v. 3, 1999. 707 p. Berka, L.M.S.; Rudorff, B.F.T.; Shimabukuro, Y.E. Soybean yield estimation by an agrometeorological model in a GIS. Scientia Agricola, v. 60, n. 3, p. 433-440, July/Sept. 2003.
170
Berlato, M. A. Modelo de relação entre o rendimento de grãos de soja e o déficit hídrico para o Estado do Rio Grande do Sul. 1987. 94 p. (Não publicado). Tese (Doutorado em Meteorologia) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 1987. ___. As condições de precipitação pluvial no Estado do Rio Grande do Sul e os impactos das estiagens na produção agrícola. In: Bergamaschi, H.; Berlato, M. A.; Matzenauer, R.; Ffontana, D.C.; Cunha, G.R.; Santos, M.L.V.; Farias, J.R.B.; Barni, N.A. Agrometeorologia aplicada à irrigação. 2. ed. Porto Alegre, editora da Universidade, UFRGS, 1992, cap. 1, p. 11 – 23. Berlato, M.A.; Fontana, D.C. Variabilidade interanual da precipitação e variabilidade dos rendimentos da soja no Estado do Rio Grande do Sul. Revista Brasileira de Agrometeorologia, v. 7, n. 1, p. 119-125, 1999. Bins, L.S.; Fonseca, L.M.G.; Erthal, G. J.; Ii, F M. Satellite imagery segmentation: a region growing approach. In: Simpósio Brasileiro de Sensoriamento Remoto, 8., 1996, Salvador, Anais... São José dos Campos: INPE, 1996. p. 14 -16. Boogaard, H. Hendrik.Boogaard@wur.nl. Crop Growth Monitoring System - CGMS, [mensagem pessoal]. Mensagem recebida por < rizzi@dsr.inpe.br > em: 18 dez. 2003. Braga, H.J. Previsão agrícola: uma nova abordagem. 1995. Tese (Doutorado em Engenharia de Produção). Universidade Federal de Santa Catarina, Florianópolis.1995. Disponível em: <www.eps.ufsc.br/teses/braga/index>. Acesso em: 22 Jul. 2002. Brasil . Ministério da Agricultura. Departamento Nacional de Pesquisa Agropecuária. Divisão de Pesquisa Pedológica. Levantamento de reconhecimento dos solos do Estado do Rio Grande do Sul. Recife, 1973, 431 p. (DNPEA. Boletim técnico n. 30). Buffet, D.; Dehem, D.; Wouters, K.; Tychon, B.; Oger, R.; Veroustraete, F. Adaptation of the European Crop Growth Monitoring System to the Belgian Conditions. Ministère des Classes noyennes et de I’Agriculture, Centre de Rechearches Agronomiques, 1999. Disponível em: <www.cragx.fgov.be/francais/dep8/b-cgms/b-cgmsuk.htm>. Acesso em: 16 dez. 2003. Câmara, G. Modelos, linguagens e arquiteturas para bancos de dados geográficos. 1995 281 p. Tese (Doutorado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. Disponível na biblioteca digital URib: <www.dpi.inpe.br/teses/gilberto/>1995. Câmara, G.; Davis, C. Introdução ao geoprocessamento In: Câmara, G.; Davis, C.; Monteiro, A.M.V. Introdução à Ciência da Geoinformação. São José dos Campos: INPE, 2001(INPE-8568-PRE/4312). Disponível na biblioteca digital URLib: <www.dpi.inpe.br/gilberto/livro/introd/cap1-introducao.pdf>. p Acesso em: 25 ago. 2003.
171
Câmara, G.; Medeiros, J.S. de; Princípios Básicos em Geoprocessamento. In: Assad, E.D.; Sano, E.E. Sistema de Informações Geográficas - Aplicações na Agricultura. Brasília: EMBRAPA-SPI/EMBRAPA Cerrados, p. 3-11, 2 ed. 1998, 434 p. Casady, W.W.; Harlan, I.P. Precision agriculture: remote sensing and ground truthing. 2002. Disponível em: <muextension.missouri.edu/explore/ Canada Centre for Remote Sensing (CCRS). Remote sensing tutorial. 2002. Disponível em: <www.ccrs.nrcan.gc.ca/ccrs/eduref/educate.html>. Acesso em: 14 jun. 2002. Chan, S.C. Modelo regional ETA. Climanálise especial, edição comemorativa de 10 anos. CPTEC/INPE , v. 10, out. 1996. Chen, S. C. Estimativas de rendimento de soja, baseadas na tendencia tecnologica e nas variaveis climaticas. In: Congresso Brasileiro de Agrometeorologia, 2., 05-10 jun. 1981, Pelotas, BR. Anais... 1981. p. 193-196. Publicado como: INPE-2055-RPE/301. Choudhury, B.J.; Ahamed, N.U.; Idso, S.B.; Reginato, R.J.; Daughtry, C.S.T. Relations between evaporation coefficients and vegetation indices studied by model simulations. Remote Sensing of Environment, v. 50, n. 1, p. 1-17, Ouc. 1994. Confederação da Agricultura e pecuária do Brasil ( CNA). Agropecuária brasileira. 2003. Disponível em: <www.cna.org.br>. Acesso em: 13 dez. 2003. Cochran, W. G. Técnicas de amostragem. 2 ed. Rio de Janeiro: fundo de Cultura, 1977. 555 p. CONAB - Companhia Nacional de Abastecimento. Acompanhamento da safra 2002/03. 2003. Disponível em: <www.conab.gov.br>. Acesso em: Dez. 2003. Costa, J.A. Cultura da soja. Porto Alegre: ed. Evangraf, 1996. 233 p. ___. jamc@vortex.ufrgs.br. Ciclo fenológico dos cultivares de soja para o Rio Grande do Sul. [mensagem pessoal]. Mensagem recebida por < rizzi@dsr.inpe.br > em: 02 ago. 2002. Covey, R.J. Remote sensing in precision agriculture: an educational paper. 1999. Disponível em: <www.amesremote.com/contents.htm> Acesso em: 13 fev. 2004. Crósta, A.P. Processamento digital de imagens de sensoriamento remoto. Campinas: IG/UNICAMP, 1992. 170 p. Cunha, G.R.da; Barni, N.A.; Haas, J.C.; Maluf, J.R.T.; Matzenauer, R.; Pasinato. A.; Moreira. M.B. Zoneamento agrícola e calendário de semeadura para soja no Rio Grande do Sul, safra 2001/2002. 2001. Disponível em: <www.cnpt.embrapa.br/biblio/p_co80.htm#endereço>. Acesso em: 25 jul. 2002. Cunha, G. R. da; Hass, J.C.; Dalmago, G.A.; Pasinato, A. Cartas de perda de rendimento potencial em soja no Rio Grande do Sul por deficiência hídrica. Boletim de Pesquisa n. 1, Embrapa Trigo, Passo Fundo, 52p. 1999.
172
Curnel, Y.; Oger, R. Development of an agri-environmental system for the Chinese province of Heilongjiang. Results of Biométrie, Gestion des données et Agrométéorologie, 2003. Disponível em: <www.cragx.fgov.be/english/dep8/chine2.htm>. Acesso em: 12 nov. 2003. Dall´Agnol, A. Current status of soybean production and utilization in Brazil. In: World Soybean Research Conference, 7., Foz do Iguassu - PR, February 29 to March 5, 2004. Proceedings... Londrina: EMBRAPA, p. 10-18. Daughtry, C.S.T.; Gallo, K.P.; Biehl, L.L.; Kanemasu, E.T.; Asrar, G.; Blad, B.L.; Norman, J.M.; Gardner, B.R. Spectral estimates of agronomic characterisics of crops. Machine Processing of Remotely Sensed Data Symposium, 10., Purdue University, West Lafayette, IN, 1984. Proceedings... Purdue University, West Lafayette, IN: p. 348-356, 1984. Doorenbos, J.; Kassam, A. H. Yield response to water. Rome: Food and Agriculture Organization of the United Nations, 1979. 193 p. (FAO-Irrigation and Drainage Paper n. 33). Dutra, L. V.; Souza, R. C. M.; Mitsuo, F. A.; Moreira, J. C. Análise automática de imagens multiespectrais. São José dos Campos - INPE, 1981. 40p. (INPE-2212-MD/009). Eastman, J.R. IDRISI for windows: introdução e exercícios tutoriais. Porto Alegre, UFRGS - Centro de Recursos Idrisi, 1998. Disponível em: <www.ecologia.ufrgs.br/idrisi>. Acesso em: 06 jun. 2002. Empresa de Assistência Técnica e Extensão Rural (EMATER/RS ) . Estatísticas da cultura da soja por município. Rio Grande do Sul. 2003. Disponível em: <www.emater.tche.br>. Acesso em: 21 nov. 2003. Empresa Brasileira de Pesquisa Agropecuária( EMBRAPA). Programa nacional de pesquisa de soja. Brasília, 1981. 115 p. Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). Sistema brasileiro de classificação de solos. Brasília: Embrapa Produção de Informação, 1999. 412 p. EUROPA - European Commission - Agriculture. Frequently Asked Questions. Disponível em: <europa.eu.int/comm/agriculture/faq/index_en.htm>. Acesso em: 12 dez. 2003. Food and agriculture Organization of the United Nations (FAO). Early agrometeorological crop yield assessment. n. 73, 1986. 150 p. ___. Multiple frame agricultural surveys: Rome: FAO, v 1. Conducting agricultural censuses and surveys,1996a. (FAO Statistical Development Series, 6) ___. Multiple frame agricultural surveys. Rome: FAO,. v.1 Current surveys based on area and list sampling methods, 1996b 119 p. (FAO Statistical Development Series, 7)
173
___. Multiple frame agricultural surveys. Rome: FAO, v.2. Agricultural survey programmes based on area frame or dual frame (area and list) sample design. 1998. 242p. (FAO Statistical Development Series, 10) Farias, J. R. B. jrenato@cnpso.embrapa.br. Zoneamento. [mensagem pessoal]. Mensagem recebida por < lmiura@ltid.inpe.br > em: 13 mai. 2001. Farias, J. R. B.; Nepomuceno, A. F.; Neumaier, N.; Oya, T. Ecofisiologia. In: ). A cultura da soja no Brasil. Londrina: Embrapa Soja, 2000. 1 CD-ROM. Fonseca, L.M.G. Processamento digital de imagens. Notas de aulas da disciplina Processamento Digital de Imagens - INPE, jun. 2000. Fontana, D. C.; Berlato, M. A. Modelo agrometeorológico-espectral para a estimativa do rendimento de soja no Rio Grande do Sul: um estudo preliminar. In: Simpósio Brasileiro de Sensoriamento Remoto, 9., 1998, Santos. Anais... São José dos Campos: INPE, 1998. 1 CD ROM. Fontana, D. C.; Berlato, M. A.; Bergamaschi, H. Alterações micrometeorológicas na cultura da soja submetida a diferentes regimes hídricos. Pesquisa Agropecuária Brasileira, v. 27, n. 5, p. 661-669, mai. 1992. Fontana, D.C.; Ducati, J.R.; Weber, E.; Berlato, M.A.; Bergamaschi, H.; Figueiredo, D.C. Monitoramento e previsão da safra de soja 1999/2000 no Brasil. Porto Alegre: Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia, CEPSRM/UFRGS. 2001, 116 p. (Série D: Relatório Técnico - N° 005/01). Formaggio, A.R.; Epiphanio, J.C.N. Características espectrais de culturas e rendimento agrícola. São José dos Campos: INPE, 1990, 166 p. (INPE-5125-RPE/630). Gausman, H.W.; Rodriguez, R.R.; Richardson. A.J. Infinite reflectance of dead compared with live vegetation. Agronomy Journal, v. 68, n. 2, p. 295-296, Mar./Apr. 1976. Goodchild, M.F. Geographical data modeling. Computers & Geosciences. n. 18, v. 4, p. 401-408, May 1992. Hale, R.C.; Hanuschak, G.A.; Craig, M.E. The appropriate role of remote sensing in U.S. agricultural statistics. NASS/USDA. Seminar on Remote Sensing for Agricultural Statistics: Bangkok, Thailand, 1999. Disponível em: <www.nass.usda.gov/research/reports/99_04_AppropriateRoleRS_RCH.pdf>. Acesso em: 11 nov. 2003. Hartkamp, A.D.; White, J.W.; Hoogenboom, G. Interfacing geographic information systems with agronomic modellings: A review. Agronomy Journal, v. 91, n. 5, p. 761-722, Sept./Oct. 1999. Hoffer, R. M. Fundamentals of remote sensing: spectral reflectance of characteristics of vegetation. Indiana: Purdue University. 1976. 10 p. Hoogenboom, G. Contribution of agrometeorology to the simulation of crop production and its applications. Agricultural and Forest Meteorology, v. 103, n. 1-2, p. 137-157, jun. 2000.
174
Huete, A. Status of MODIS Biophysical and Land cover products for long term time series analysis (terra and aqua). In: Workshop sobre o Sensor MODIS: Possibilidades e Aplicações na Análise e Monitoramento Ambiental, 1., Goiânia, GO: UFG, 2003. (Seção Palestra). Huete, A.; Didan, K.; Miura, T.; Rodriguez, E.P.; Gao, X.; Ferreira, L.G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, v. 83, n. 1-2, p. 195-213, Nov. 2002. Huete, A.R.; Jackson, R.D.; Post, D.F. Spectral response of a plant canopy with different soil background. Remote Sensing of Environment, v. 17. n. 1, p. 37-53, Feb. 1985. Huete, A.R. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, v. 25, n. 3, p. 295-309, Aug. 1988. Huete, A.; Justice, C.; Leeuwen, W. V. Modis vegetation index (MOD 13) algorithm theoretical basis document, 1999. Disponível em: <modis.gsfc.nasa.gov/ data/atbd/atbd_mod13.pdf>. Acesso em: 8 fev. 2004. Huete, A.; Liu, H.; Batchily, K.; Van Leeuwen, W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment, v. 59, n. 3, p. 440-451, Mar. 1997. Instituto Brasileiro de Geografia e Estatística (IBGE). Levantamento sistemáico da produção agrícola. 2003. Disponível em: <www.ibge.gov.br/home/estatistica/indicadores/agropecuaria/lspa/>. Acesso em: 7 nov. 2003. Instituto Nacional de Pesquisas Espaciais (INPE). Teoria : modelagem digital de terreno, Disponível em: <www.dpi.inpe.br/spring/teoria/mnt/mnt.htm>. Acesso em: 23 jun. 2003. INPE - IBGE. Relatório final das atividades do grupo de estudos sobre previsão de safras. São José dos Campos: INPE, 1998. (INPE-6740-PRP/213). Ippoliti-Ramilo, G.A.; Epiphanio, J.C.N.; Shimabukuro, Y.E. Landsat-5 Thematic Mapper data for pre-planting crop area evaluation in tropical countries. International Journal of Remote Sensing, v. 24, n. 7, p. 1521-1534, jul. 2003. Ippoliti-Ramilo, G.A.; Epiphanio, J.C.N.; Shimabukuro, Y.E.; Formaggio, A. R. Sensoriamento remoto orbital como meio auxiliar na previsão de safras. Agricultura em São Paulo, v.46, n.1, p.89-101, jan. 1999. Jackson, R. D.; Huete, A. R. Interpreting vegetation indices. Preventive Veterinary Medicine, v.11, n. 3-4, p.185-200, 1991. Jackson, R. D.; Pinter Jr., P.J. Spectral response of architecturally different wheat canopies. Remote Sensing of Environment, v. 20, n. 1, p. 43-56, Aug. 1986. Jackson, R. D.; Reginato, R.J.; Pinter Jr, P.J.; Idso, S.B. Plant canopy information extraction from composite scene reflectance of row crops. Applied Optics, v. 18, n. 22, p. 3775-3782, Nov. 1979.
175
Jensen, J.R. Remote sensing of vegetation. In. _______. Remote sensing of the environment, an earth resource perspective. Upper Saddle River,NJ: Prentice Hall, 2000. 544 p, cap.10. p. 333-377. Kaufman, Y.J.; Tanré, D. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS. IEEE Transactions on Geoscience and Remote Sensing Symposium, v. 30, p. 261-270, 1992. Kauth, R.J.; Thomas, G.S. The Tasselled Cap - A graphic description of the spectral-temporal development of agricultural crops as seen by Landsat. in: Symposium on Machine Procesing of Remotely Sensed Data, Pardue, 1976. Proceedings… Purdue: Purdue University, 1976. p.4B41-4B51. Kimes, D. S. Dynamics of directional reflectance factor distributions for vegetation canopies. Applied Optics, v. 22, n. 9, p. 1364-1372, Apr. 1983. Knipling, E. B. Physical and physiological basis for the reflectance visible and near infrared radiation from vegetation. Remote Sensing of Environment, v. 1, n. 3, p.155-159, Summer 1970. Knyazikhin, Y.; Glassy, J.; Privette, J. L.; Tian, Y.; Lotsch, A.; Zhang, Y.; Wang, Y.; Morisette, J. T.; Votava, P.; Myneni, R.B.; Nemani, R. R.; Running, S. W. MODIS Leaf Area Index (LAI) and Fraction of Photosynthetically Active Radiation Absorbed by Vegetation (FPAR). Product (MOD15) Algorithm Theoretical Basis Document, NASA, 1999. Disponível em: <www.ntsg.umt.edu/modis/ATBD/ATBD_MOD15_v21.pdf>. Acesso em: Mai. 2003. Kollenkark, J.C.; Daughtry, C.S.T.; Bauer, M.E. Soybean canopy reflectance as influenced by cultural practices. West Lafayette, Indiana: AgRISTAR Purdue University, Laboratory for Applications of Remote Sensing,. 1981. 44 p. Kuhn, P.A.F. Um banco de dados georreferenciados para estudos agroclimatológicos de municípios do Rio Grande do Sul. 2002, 88 p. Tese (Doutorado em Agronomia), Faculdade de Agronomia Eliseu Maciel, Universidade Federal de Pelotas, Pelotas. 2002. Kuittinen, R.; Keskisarja, V.; Matikainen, L. Integration of geographic and administrative information in crop yield prediction. Bulletin of the International Statistical Institute. 52 Session. Finlândia, 1999. Anais… Disponível em: <www.stat.fi/isi99/proceedings/arkisto/varasto/kuit0475.pdf>. Acesso em: 11 dez. 2003. Lamb, D.W.; Brown, R.B. Remote-sensing and mapping of weeds in crops. Journal of Agricultural Engineering Research, v. 78, n. 2, p.117-125, 2001. LANDSAT. Landsat 7 - informações técnicas. 2003. Disponível em: <www.landsat.com.br>. Acesso em: 05 jul. 2003. Lillesand, T.M.; Kiefer, R.W. Remote sensing and image interpretation. 4. ed. Madison : University of Wisconsin, 1999, 750 p.
176
Liu, W.T.; Kogan, F. Monitoring Brasilian soybean production using NOAA/AVHRR based vegetation condition indices. International Journal of Remote Sensing, v. 23, n. 6, p. 1161-1179, May 2002. Luiz, A. J. B. Estatísticas agrícolas por amostragem auxiliadas pelo sensoriamento remoto. dez. 2003. 116 p. Tese (Doutorado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 2003. Luiz, A.J.B.; Epiphanio, J.C.N. Amostragem por pontos em imagens de sensoriamento remoto para estimativa de área plantada por município. In: Simpósio Brasileiro de Sensoriamento Remoto, 10., Foz do Iguaçu, 2001. Anais...São José dos Campos: INPE, 2001. p. 111-118. Disponível na biblioteca digital URLib < 150.163.34.2:1908/rep-/dpi.inpe.br/lise/2001/09.13.10.55 > Acesso em: 8 nov. 2002. Mather, P.M. Computer processing of remotely-sensed images: an introduction. 2 ed. London: John Wiley & Sons, 1999. 210 p. Matzenauer, R.; Barni, N.A.; Maluf, J.R.T. Estimativa do consumo relativo de água para a cultura da soja no Estado do Rio Grande do Sul. Ciência Rural, v. 33, n. 6, p. 1013-1019, nov./dez. 2003. Matzenauer, R.; Bergamaschi, H.; Berlato, M. A.; Maluf, J. R. T.; Barni, N. A.; Bueno, A. C.; Didoné, I. A.; Anjos, C. A.; Machado, F. A.; Sampaio, M. R. Consumo de água e disponibilidade hídrica para milho e soja no Rio Grande do Sul. Porto Alegre : FEPAGRO, 2002. 105 p. (Boletim FEPAGRO, 10). Medeiros, A. M. P.; Rudorff, B. F. T.; Shimabukuro, Y. E. Imagens Landsat na estimativa de áreas de cana-de-açúcar, milho e soja. In: Simpósio Brasileiro de Sensoriamento Remoto, 8, Salvador, 1996. Anais... São José dos Campos: INPE, 1996. 1 CD-ROM. Melo, R.W.; Fontana, D.C.; Berlato, M.A. Modelo agrometeorológico-espectral de estimativa de rendimento da soja para o Estado do Rio Grande do Sul. In: Simpósio Brasileiro de Sensoriamento Remoto, 11., 2003, Belo Horizonte. Anais... São José dos Campos: INPE, 2003. p. 173 -179. Disponível na biblioteca digital URLib < 150.163.34.2:1908/rep-/ltid.inpe.br/sbsr/2002/11.13.11.52 > Acesso em: 15 jun. 2003. Mendonça, F.J.; FUNCATE. CANASATE - mapeamento da cana-de-açúcar por satélite. São José dos Campos, INPE, 1986. 60 p. (INPE 3843-RPE/503). Menosso, O. G. Descrição Botânica. In: Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). A cultura da soja no Brasil. Londrina: Embrapa Soja, 2000. 1 CD-ROM. MODIS - Moderate Resolution Imaging Spectroradiometer. Technical specifications, 2003. Disponível em: <modis.gsfc.nasa.gov/about/specs.html> Acesso em: 14 mai. 2003. Moreira, M.A. Fundamentos do Sensoriamento Remoto e Metodologias de Aplicação. 1. ed. São José dos Campos – SP, INPE, 2001. 250 p.
177
Moreira, M. Incremento da área plantada com soja no Rio Grande do Sul entre os anos-safra 2000/01 e 2001/02. Cargill Agrícola S.A. Complexo soja, 2003. Comunicação Pessoal Mota, F.S. Estudos do clima do Estado do Rio Grande do Sul segundo o sistema de Köeppen. Revista Brasileira de Geografia, v.13, n. 1, p. 275-284, abr./jun. 1951.
Mota, F. S. da; Agendes, M. O. de O.; Alves, E. G. P.; Signorini, E. Análise agroclimatológica da necessidade de irrigação da soja no Rio Grande do Sul. Revista Brasileira de Agrometeorologia, Santa Maria, v. 4, n. 1, p. 133-138, jul. 1996.
Mota, F.S. da. Influência do clima sobre o rendimento do trigo no Rio Grande do Sul. In: Congresso Brasileiro de Agrometeorologia, 10., Piracicaba, 1997. Anais....Piracicaba: SBA, 1997. Motta, J.L.G.; Fontana, D.C.; Weber, E. Verificação da acurácia da estimativa de área cultivada com soja através de classificação digital em imagens Landsat. In: Simpósio Brasileiro de Sensoriamento Remoto, 10., Foz do Iguaçu. 2001. Anais... São José dos Campos: INPE, 2001. p. 123-129. Disponível na biblioteca digital URLib < 150.163.34.2:1908/rep-/dpi.inpe.br/lise/2001/09.13.11.01> Acesso em: 4 set. 2002. Motta, J.L.G.; Fontana, D.C.; Weber, E. Análise da evolução temporal do NDVI/NOAA em região de soja no Rio Grande do Sul. In: Simpósio Brasileiro de Sensoriamento Remoto, 11., Belo Horizonte. 2003. Anais... São José dos Campos: INPE, 2003. p. 197-204. Disponível na biblioteca digital URLib < //iris.sid.inpe.br:1908/rep-/ltid.inpe.br/sbsr/2002/11.13.13.01> Acesso em: 7 jan. 2004. Myneni, R.B.; Asrar, G. Atmospheric effects and spectral vegetation indices Remote Sensing of Environment, v. 47, n. 3, p. 390-402, Mar. 1994. Nagler, P.L.; Daughtry, C.S.T.; Goward, S.N. Plant litter and soil reflectance. Remote Sensing of Environment, v.71, n. 2, p. 207-215, Feb. 2000. Nakasu, B. H. Desafios tecnológicos para garantir a sustentabilidade e competitividade do agronegócio brasileiro. Simpósio Internacional de Agricultura de Precisão, 2, Viçosa,2002. Anais... Viçosa: UFV, 2002. National Aeronautics and Space Administration (NASA ). 40+ Years of Earth Science, Landsat-6. 2004. Disponível em: <www.earth.nasa.gov/history/landsat/landsat6.html>. Acesso em: 05 jan. 2004. Nascimento, P.S.R.; Almeida Filho, R. Utilização da técnica de segmentação em Imagens TM/Landsat visando otimizar a técnica de interpretação visual. In: Simpósio Brasileiro de Sensoriamento Remoto, 8., Salvador, 1996. Anais... São José dos Campos: INPE, 1996.
178
Norman, J.M.; Anderson, M.C.; Kustas, W.P.; French, A.N.; Mecikalski, J.; Torn, R.; Diak, G.R.; Schmugge, T.J. Remote sensing of evapotranspiration for precision-farming applications. International Geoscience and Remote Sensing Symposium, Tolouse, France, July 21-25, 2003. Novo, E.M.L.M. Sensoriamento remoto - princípios e aplicações. São Paulo: Edgard Blucher, 1989. 308p. Oetter, D.R.; Cohen, W.B.; Berterretche, M.; Maiersperger, T.K.; Kennedy, R.E. Land cover mapping in an agricultural setting using multiseasonal Thematic Mapper data. Remote Sensing of Environment, v.76, n. 2, p. 139-155, May 2000. Pax-Lenney, M.; Woodcock, C.E. The effect of spatial resolution on the ability to monitor the status of agricultural lands. Remote Sensing of Environment, v.61, n. 2, p. 210-220, Aug. 1997. Pino, F.A. Estatísticas agrícolas para o século XXI. Agricultura em São Paulo, v. 46, n. 2, p. 71-105, 1999. Pino, F.A. Estimação subjetiva de safras agrícolas. Informações Econômicas, v. 31, n. 6, p. 55-58 São Paulo, Jun. 2001a. ___. Tendências em informações agropecuárias. Palestra apresentada no X Simpósio Brasileiro de Sensoriamento Remoto, Foz do Iguaçu, 2001b. Prado, H. do; Solos do Brasil: gênese, morfologia, classificação e levantamento. 2 ed. Piracicaba, H. Do Prado, 2001, 220p. Price, J.C. How unique are spectral signatures? Remote Sensing of Environment, v. 49, n. 3, p. 181-186, Sept. 1994. Qi, J.; Chehbouni, A.; Huete, A.R.; Kerr, Y.H.; Sorooshian, S. A modified Soil Adjusted Vegetation Index. Remote Sensing of Environment, v. 48, n. 2, p. 119-126, May 1994. Ray, T.W. A FAQ on Vegetation in Remote Sensing, 1994. Disponível em: <149.170.199.144/new_gis/data/rsvegfaq.htm>. Acesso em: 22 jan. 2002. Richards, J.A.; Jia, X. Remote sensing digital image analysis. 3 ed. Berlin: Springer-Verlag, 1999. 365p. Richardson, A. J.; Wiegand, C. L. Distinguishing vegetation from soil background information. Photogrammetric Engineering and Remote Sensing, v. 43, p. 1541-1552, 1977. Rizzi, R.; Rudorff, B. F. T. Imagens Landsat na estimativa da área plantada com soja em municípios do Rio Grande do Sul. In: Simpósio Brasileiro de Sensoriamento Remoto, 11., 2003, Belo Horizonte. Anais... São José dos Campos: INPE, 2003. p. 231 -238. Disponível na biblioteca digital URLib < 150.163.34.2:1908/rep-/ltid.inpe.br/sbsr/2002/11.18.16.47 > Acesso em: 23 jun. 2003. Rondeaux, G.; Steven, M.; Baret, F. Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment, v. 55, n. 2, p. 95-107, Feb. 1996.
179
Rudorff, B. F. T. Dados Landsat na estimativa da produtividade agrícola da cana-de-açúcar. 1985. 100p. (INPE-3744-TDL/202). Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 1985. Rudorff, B. F. T.; Batista, G.T. Yield estimation of sugarcane based on Agrometeorological-spectral models. Remote Sensing of Environment, v. 33, n. 3, p. 183-192, Sept. 1990. ___. Wheat yield estimation at the farm level using TM Landsat and agrometeorological data. International Journal of Remote Sensing, v. 12, n. 12, p. 2477-2484, Dec. 1991. Sano, E.E.; Assad, E.D.; Orioli, A.L. Monitoramento da ocupação agrícola. In: Assad, E. D.; Sano, E. E. Sistemas de informação geográfica: aplicações na agricultura. 2 ed. Brasília. Embrapa-CPAC, 1998, Cap. 10, p. 179-190. Schowengerdt, R.A. Models and methods for image processing. 2. ed. 1997, 522p. Sediyama, T.; Pereira, M. G.; Sedyiama, C.S.; Gomes, J.L.L. Cultura da soja: I Parte. Viçosa: Universidade Federal de Viçosa Viçosa - Minas Gerais, 1996. 96p Stoner, E.R.; Baumgardner, M.F. Characteristic variations in reflectance of surface soils. Soil Science Society of America Journal, v.45, p. 1161-1165, 1981. Sugawara, L. M. Avaliação de modelo agrometeorológico e imagens NOAA/AVHRR no acompanhamento e estimativa de produtividade da soja no Estado do Paraná. 2002. 181p. (INPE-8702-TDI/794). Dissertação (Mestrado em Sensoriamento Remoto). Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 2002. Supit, I.; van der Goot, E. Updated system description of the WOFOST crop growth simulation model as implemented in the Crop Growth Monitoring System applied by the European Commission. Treemail Publishers, Heelsum, The Netherlands. Jan. 2003. 120p. Disponível em: <www.treemail.nl/download/treebook7/index.htm>. Acesso em: 18 dez. 2003. Terres, J. M.; Delince, J.; Van de Steene, M.; Hawkins, A. The use of remote sensing and GIS capabilities to support the reform of the common agricultural policy of the European Community. Remote Sensing Reviews, v. 12, n. 1-2. p. 53-60, Jan. 1995. Universidade Federal de Santa Maria (UFSM) . A cultura da soja. Santa Maria: Faculdade de Agronomia, 1996. 35p. United States Department of Agriculture (USDA ). USDA foreign agricultural service: production, suply & distribuction, 2004. Disponível em: <www.fas.usda.gov/psd/complete_tables/OIL-table11-184.htm>. Acesso em: 18 jan. 2004.
180
United States Departament of Survey (USGS). Landsat 4-5 TM band designations. 2003. Disponível em: <edc.usgs.gov/products/satellite/ band.html>. Acesso em: 23 out. 2003. Venturieri, A.; Santos, J. R. Técnicas de classificação de imagens para análise de cobertura vegetal. In: Assad, E. D.; Sano, E. E. ed. Sistemas de informação geográfica: aplicações na agricultura. 2 ed. Brasília. Embrapa-CPAC, 1998. cap. 2, p. 13-29. Vermote, E. F.; Vermeulen, A. Atmospheric correction algorithm: spectral reflectances (MOD09). AlgorithmTheoretical Background, version 4.0. NASA, 1999. Disponível em: <modis-land.gsfc.nasa.gov/pdfs/atbd_ mod08.pdf> Acesso em: Jan. 2004. Wigton, W. William_Wigton@nass.usda.gov. CASS. [mensagem pessoal]. Mensagem recebida por < rizzi@dsr.inpe.br >2004. Acesso em: 12 jan. 2004. Yi, J.L.R. Impacto da estiagem nas lavouras de soja no Rio Grande do Sul, ano-safra 20001/02. Cargil Agrícola S/A .Complexo Soja, 2003. Comunicação Pessoal.
181
APÊNDICE A – DADOS DE ÁREA PLANTADA – MAPEAMENTO
TABELA A.1 - Área Plantada com a Cultura da Soja Obtida Através da Classificação das Imagens Landsat em Comparação à Obtida pelo LSPA.
Área plantada (ha) Município
LSPA Landsat (a) LSPA - Landsat (b)
Diferença Relativa (%)
(bx100)/a
Água Santa 9.800 9.319 481 5,2 Ajuricaba 17.000 19.526 -2.526 -12,9 Alecrim 6.000 3.111 2.889 92,9 Alegria 8.500 5.967 2.533 42,5 Almirante Tamandaré do Sul 13.700 10.494 3.206 30,6 Alpestre 500 269 231 85,9 Alto Alegre 5.000 5.645 -645 -11,4 Ametista do Sul 1.000 25 975 3900,0 André da Rocha 2.500 1.958 542 27,7 Anta Gorda 220 59 161 272,9 Antonio Prado 0 0 0 0 Aratiba 300 13 287 2207,7 Arroio do Meio 1.400 880 520 59,1 Arroio do Tigre 2.100 1.316 784 59,6 Arvorezinha 40 35 5 14,3 Augusto Pestana 19.000 18.105 895 4,9 Áurea 3.400 3.378 22 0,7 Barão de Cotegipe 1.550 1.803 -253 -14,0 Barra do Guarita 2.600 1.360 1.240 91,2 Barra do Rio Azul 150 37 113 305,4 Barra Funda 3.300 2.630 670 25,5 Barracão 12.000 6.873 5.127 74,6 Barros Cassal 850 933 -83 -8,9 Benjamin Constant do Sul 300 154 146 94,8 Boa Vista das Missões 12.000 10.028 1.972 19,7 Boa Vista do Buricá 6.500 1.818 4.682 257,5 Boa Vista do Cadeado 22.780 38.411 -15.631 -40,7 Boa Vista do Incra 23.300 26.525 -3.225 -12,2 Bom Progresso 4.600 3.005 1.595 53,1 Bom Retiro do Sul 0 0 0 0 Boqueirao do Leão 0 0 0 0 Bossoroca 28.000 25.680 2.320 9,0 Bozano 10.200 14.242 -4.042 -28,4 Braga 7.000 5.362 1.638 30,5 Cacique Doble 5.300 3.217 2.083 64,7 Caibaté 12.200 9.083 3.117 34,3 Caiçara 2.400 936 1.464 156,4 Camargo 3.200 2.673 527 19,7 Campestre da Serra 800 1.201 -401 -33,4 Campina das Missões 7.000 4.915 2.085 42,4 Continua
182
TABELA A.1 (Continuação) Campinas do Sul 12.600 10.578 2.022 19,1 Campo Novo 12.500 12.008 492 4,1 Campos Borges 6.200 5.638 562 10,0 Candelária 9.800 7.174 2.626 36,6 Candido Godói 11.500 9.406 2.094 22,3 Canudos do Vale 0 0 0 0 Capão Bonito do Sul 7.000 9.987 -2.987 -29,9 Capão do Cipó 26.000 23.981 2.019 8,4 Capitão 18 0 18 - Carazinho 33.300 28.409 4.891 17,2 Carlos Gomes 1.800 194 1.606 827,8 Casca 1.800 2.036 -236 -11,6 Caseiros 4.500 4.594 -94 -2,0 Catuípe 33.000 36.150 -3.150 -8,7 Centenário 3.650 1.826 1.824 99,9 Cerro Grande 2.700 804 1.896 235,8 Cerro Largo 5.000 4.153 847 20,4 Chapada 34.500 33.030 1.470 4,5 Charrua 4.500 4.683 -183 -3,9 Chiapeta 23.000 21.770 1.230 5,6 Ciríaco 5.600 4.849 751 15,5 Colinas 350 379 -29 -7,7 Colorado 15.100 15.055 45 0,3 Condor 26.100 25.243 857 3,4 Constantina 7.700 5.617 2.083 37,1 Coqueiro de Baixo 1 0 1 - Coqueiros do Sul 11.000 9.889 1.111 11,2 Coronel Barros 10.800 8.770 2.030 23,1 Coronel Bicaco 30.000 28.817 1.183 4,1 Cotiporã 10 35 -25 -71,4 Coxilha 22.000 19.423 2.577 13,3 Crissiumal 13.000 8.478 4.522 53,3 Cristal do Sul 3.800 1.272 2.528 198,7 Cruz Alta 67.000 70.939 -3.939 -5,6 Cruzaltense 5.400 6.655 -1.255 -18,9 Cruzeiro do Sul 2.200 588 1.612 274,1 David Canabarro 1.000 1.265 -265 -20,9 Derrubadas 8.900 8.029 871 10,8 Dezesseis de Novembro 900 383 517 135,0 Dilermando de Aguiar 1.400 2.174 -774 -35,6 Dois Irmãos das Missões 14.200 13.679 521 3,8 Dois Lageados 110 0 110 - Dona Francisca 30 20 10 50,0 Doutor Mauricio Cardoso 12.300 12.833 -533 -4,2 Doutor Ricardo 52 27 25 92,6 Encantado 360 177 183 103,4 Engenho Velho 3.500 2.665 835 31,3 Entre Rios do Sul 4.711 2.658 2.053 77,2 Continua
183
TABELA A.1 (Continuação) Entre-Ijuís 29.000 24.895 4.105 16,5 Erebango 5.500 6.622 -1.122 -16,9 Erechim 4.500 7.423 -2.923 -39,4 Ernestina 14.256 12.246 2.010 16,4 Erval Grande 2.000 1.213 787 64,9 Erval Seco 14.500 7.838 6.662 85,0 Esmeralda 6.000 3.868 2.132 55,1 Esperança do Sul 6.500 3.926 2.574 65,6 Espumoso 31.000 29.235 1.765 6,0 Estação 3.800 3.655 145 4,0 Estrela 400 615 -215 -35,0 Estrela Velha 10.200 9.712 488 5,0 Eugênio de Castro 21.000 19.993 1.007 5,0 Fagundes Varela 40 104 -64 -61,5 Faxinal do Soturno 500 313 187 59,7 Faxinalzinho 4.000 3.941 59 1,5 Fazenda Vila Nova 150 290 -140 -48,3 Floriano Peixoto 1.500 2.224 -724 -32,6 Fontoura Xavier 150 212 -62 -29,2 Forquetinha 198 28 170 607,1 Fortaleza dos Valos 27.000 28.218 -1.218 -4,3 Frederico Westphalen 3.500 2.219 1.281 57,7 Garruchos 12.000 7.554 4.446 58,9 Gaurama 2.500 2.085 415 19,9 Gentil 6.700 5.269 1.431 27,2 Getúlio Vargas 8.700 10.539 -1.839 -17,4 Giruá 56.500 47.239 9.261 19,6 Gramado dos Loureiros 4.500 3.106 1.394 44,9 Gramado Xavier 0 0 0 0 Guabijú 600 697 -97 -13,9 Guaporé 450 75 375 500,0 Guarani das Missões 18.500 10.226 8.274 80,9 Herveiras 0 0 0 0 Horizontina 12.150 8.724 3.426 39,3 Humaitá 7.500 6.377 1.123 17,6 Ibarama 0 5 -5 -100,0 Ibiaçá 13.800 14.205 -405 -2,9 Ibiraiaras 2.400 3.995 -1.595 -39,9 Ibirapuitã 6.466 8.850 -2.384 -26,9 Ibirubá 36.250 34.534 1.716 5,0 Ijuí 42.200 32.257 9.943 30,8 Ilópolis 0 0 0 0 Independência 25.000 17.407 7.593 43,6 Inhacorã 7.000 6.681 319 4,8 Ipê 1.200 394 806 204,6 Ipiranga do Sul 6.800 6.989 -189 -2,7 Iraí 3.000 834 2.166 259,7 Itaara 1.400 1.635 -235 -14,4 Continua
184
TABELA A.1 (Continuação) Itacurubi 3.000 1.788 1.212 67,8 Itapuca 130 61 69 113,1 Itatiba do Sul 400 75 325 433,3 Ivorá 650 1.019 -369 -36,2 Jaboticaba 3.995 2.184 1.811 82,9 Jacuizinho 13.000 8.183 4.817 58,9 Jacutinga 10.300 9.094 1.206 13,3 Jaguari 2.500 1.327 1.173 88,4 Jarí 12.000 8.439 3.561 42,2 Jóia 55.000 58.341 -3.341 -5,7 Júlio de Castilhos 50.000 60.315 -10.315 -17,1 Lagoa Bonita do Sul 270 325 -55 -16,9 Lagoa Dos Três Cantos 7.500 7.184 316 4,4 Lagoa Vermelha 18.000 20.749 -2.749 -13,2 Lagoão 0 0 0 0 Lajeado 120 218 -98 -45,0 Lajeado do Bugre 5.000 1.972 3.028 153,5 Liberato Salzano 5.000 1.983 3.017 152,1 Machadinho 5.000 4.530 470 10,4 Marau 25.000 20.707 4.293 20,7 Marcelino Ramos 1.500 77 1.423 1848,1 Mariano Moro 10 5 5 100,0 Marques de Souza 50 205 -155 -75,6 Mata 600 64 536 837,5 Mato Castelhano 12.800 8.658 4.142 47,8 Mato Leitão 30 80 -50 -62,5 Mato Queimado 5.800 4.297 1.503 35,0 Maximiliano de Almeida 1.000 560 440 78,6 Miraguaí 3.500 2.305 1.195 51,8 Montauri 400 338 62 18,3 Monte Alegre dos Campos 200 114 86 75,4 Mormaço 6.500 5.419 1.081 19,9 Muçum 200 292 -92 -31,5 Muitos Capões 25.000 13.965 11.035 79,0 Muliterno 950 1.420 -470 -33,1 Não-Me-Toque 18.000 17.113 887 5,2 Nicolau Vergueiro 7.500 6.847 653 9,5 Nonoai 15.000 11.196 3.804 34,0 Nova Alvorada 1.200 763 437 57,3 Nova Araçá 0 0 0 0 Nova Bassano 10 68 -58 -85,3 Nova Boa Vista 4.100 3.962 138 3,5 Nova Candelária 3.600 1.983 1.617 81,5 Nova Esperança do Sul 3.300 2.011 1.289 64,1 Nova Palma 4.000 4.024 -24 -0,6 Nova Prata 300 612 -312 -51,0 Nova Ramada 13.200 14.814 -1.614 -10,9 Nova Roma do Sul 0 0 0 0 Continua
185
TABELA A.1 (Continuação) Novo Barreiro 4.500 3.765 735 19,5 Novo Cabrais 2.000 2.364 -364 -15,4 Novo Machado 11.000 10.701 299 2,8 Novo Tiradentes 4.700 427 4.273 1000,7 Novo Xingu 3.300 2.351 949 40,4 Paim Filho 1.000 929 71 7,6 Palmeira das Missões 78.000 82.129 -4.129 -5,0 Palmitinho 1.200 117 1.083 925,6 Panambi 26.400 22.361 4.039 18,1 Parai 8 6 2 33,3 Paraiso do Sul 160 191 -31 -16,2 Passa Sete 900 679 221 32,5 Passo do Sobrado 510 500 10 2,0 Passo Fundo 34.000 28.448 5.552 19,5 Paulo Bento 3.910 3.087 823 26,7 Pejuçara 26.000 25.744 256 1,0 Pinhal 1.700 517 1.183 228,8 Pinhal da Serra 3.000 1.737 1.263 72,7 Pinhal Grande 10.500 11.655 -1.155 -9,9 Pinheirinho do Vale 800 352 448 127,3 Pirapó 2.800 2.465 335 13,6 Planalto 1.800 635 1.165 183,5 Pontão 21.000 25.964 -4.964 -19,1 Ponte Preta 3.115 2.857 258 9,0 Porto Lucena 5.500 3.444 2.056 59,7 Porto Mauá 4.000 3.523 477 13,5 Porto Vera Cruz 1.850 570 1.280 224,6 Porto Xavier 3.500 918 2.582 281,3 Pouso Novo 30 0 30 - Progresso 8 0 8 - Protásio Alves 150 303 -153 -50,5 Quatro Irmãos 11.175 7.542 3.633 48,2 Quevedos 13.000 7.051 5.949 84,4 Quinze de Novembro 10.750 9.533 1.217 12,8 Redentora 13.000 8.659 4.341 50,1 Relvado 25 24 1 4,2 Restinga Seca 3.500 5.599 -2.099 -37,5 Rio dos Índios 9.000 6.427 2.573 40,0 Roca Sales 1.500 657 843 128,3 Rodeio Bonito 4.500 896 3.604 402,2 Rolador 11.000 7.755 3.245 41,8 Ronda Alta 22.000 21.753 247 1,1 Rondinha 10.000 9.743 257 2,6 Roque Gonzales 8.000 5.359 2.641 49,3 Sagrada Família 2.400 1.428 972 68,1 Saldanha Marinho 12.350 12.130 220 1,8 Salto do Jacuí 17.000 20.513 -3.513 -17,1 Salvador das Missões 4.500 3.758 742 19,7 Continua
186
TABELA A.1 (Continuação) Sananduva 10.000 13.073 -3.073 -23,5 Santa Bárbara do Sul 60.000 54.446 5.554 10,2 Santa Cecília do Sul 5.160 6.632 -1.472 -22,2 Santa Clara do Sul 500 272 228 83,8 Santa Cruz do Sul 900 14 886 6328,6 Santa Maria 6.500 8.828 -2.328 -26,4 Santa Rosa 30.000 22.017 7.983 36,3 Santiago 9.500 10.865 -1.365 -12,6 Santo Ângelo 34.000 29.097 4.903 16,9 Santo Antônio das Missões 25.000 15.256 9.744 63,9 Santo Antônio do Palma 2.000 1.113 887 79,7 Santo Antônio do Planalto 10.000 8.895 1.105 12,4 Santo Augusto 28.500 24.257 4.243 17,5 Santo Cristo 20.000 8.614 11.386 132,2 Santo Expedito do Sul 3.800 2.870 930 32,4 São Borja 30.000 38.695 -8.695 -22,5 São Domingos do Sul 130 231 -101 -43,7 São João da Urtiga 1.400 786 614 78,1 São João do Polêsine 200 137 63 46,0 São Jorge 300 367 -67 -18,3 São José das Missões 4.500 2.591 1.909 73,7 São José do Herval 80 37 43 116,2 São José do Inhacora 2.382 1.287 1.095 85,1 São José do Ouro 10.000 6.718 3.282 48,9 São Luiz Gonzaga 44.000 40.315 3.685 9,1 São Marcos 0 0 0 0 São Martinho 7.800 7.851 -51 -0,6 São Martinho da Serra 7.500 7.549 -49 -0,6 São Miguel das Missões 40.500 40.912 -412 -1,0 São Nicolau 8.000 7.094 906 12,8 São Paulo das Missões 4.000 3.305 695 21,0 São Pedro das Missões 2.000 4.395 -2.395 -54,5 São Pedro do Butiá 4.800 3.411 1.389 40,7 São Pedro do Sul 700 257 443 172,4 São Valentim 1.000 664 336 50,6 São Valentim do Sul 52 54 -2 -3,7 São Valério do Sul 5.900 5.034 866 17,2 São Vicente do Sul 1.500 1.227 273 22,2 Sarandi 14.400 13.334 1.066 8,0 Seberi 9.500 5.885 3.615 61,4 Sede Nova 5.000 6.557 -1.557 -23,7 Segredo 700 573 127 22,2 Selbach 9.500 9.582 -82 -0,9 Senador Salgado Filho 6.500 7.602 -1.102 -14,5 Serafina Corrêa 500 130 370 284,6 Sério 10 1 9 900,0 Sertão 26.000 19.981 6.019 30,1 Sete de Setembro 7.500 5.343 2.157 40,4 Continua
187
TABELA A.1 (Conclusão) Severiano de Almeida 500 83 417 502,4 Silveira Martins 500 1.058 -558 -52,7 Sinimbú 0 0 0 - Sobradinho 200 419 -219 -52,3 Soledade 6.400 11.637 -5.237 -45,0 Tapejara 11.000 9.543 1.457 15,3 Tapera 10.200 9.496 704 7,4 Taquaruçú do Sul 1.600 779 821 105,4 Tenente Portela 13.000 9.276 3.724 40,1 Tio Hugo 6.000 4.633 1.367 29,5 Tiradentes do Sul 10.500 5.804 4.696 80,9 Toropí 500 95 405 426,3 Travesseiro 300 112 188 167,9 Três Arroios 600 123 477 387,8 Três de Maio 24.000 19.266 4.734 24,6 Três Palmeiras 7.500 4.615 2.885 62,5 Três Passos 10.000 5.823 4.177 71,7 Trindade do Sul 10.000 6.445 3.555 55,2 Tucunduva 10.500 9.004 1.496 16,6 Tunas 1.500 1.315 185 14,1 Tupanci do Sul 4.000 2.585 1.415 54,7 Tupanciretã 80.000 91.437 -11.437 -12,5 Tuparendi 15.000 12.049 2.951 24,5 Ubiretama 6.000 5.004 996 19,9 União da Serra 150 51 99 194,1 Vacaria 20.000 15.282 4.718 30,9 Vale do Sol 110 121 -11 -9,1 Vale Verde 700 416 284 68,3 Vanini 180 307 -127 -41,4 Venâncio Aires 60 87 -27 -31,0 Veranópolis 4 37 -33 -89,2 Vespasiano Corrêa 750 692 58 8,4 Viadutos 1.000 561 439 78,3 Vicente Dutra 900 736 164 22,3 Victor Graeff 15.307 12.291 3.016 24,5 Vila Flores 60 147 -87 -59,2 Vila Langarô 7.000 5.919 1.081 18,3 Vila Maria 4.500 3.846 654 17,0 Vista Alegre 1.800 633 1.167 184,4 Vista Alegre do Prata 15 17 -2 -11,8 Vista Gaúcha 3.600 1.850 1.750 94,6
Vitória das Missões 10.000 8.087 1.913 23,7
Total Estimado 2.773.498 2.492.880 280.618 11,3
188
189
APÊNDICE B - DADOS DE ÁREA PLANTADA – AMOSTRAGEM
TABELA B.1 - Área Plantada com a Cultura da Soja Obtida Através do Método dos Segmentos nas Imagens Landsat para o Ano-safra 2000/01, Conjuntos Amostrais 1 e 2.
Conjunto amostral
1 (67 segmentos) 2 (133 segmentos)
Sorteio Área (ha)
Diferença (ha)
Diferença (%)
CV (%)
Área (ha)
Diferença (ha)
Diferença (%)
CV (%)
1 2.648.838 155.958 6,26 7,10 2.414.225 -78.655 -3,16 5,13 2 1.906.502 -586.378 -23,52 7,36 2.255.325 -237.555 -9,53 5,16 3 2.094.772 -398.108 -15,97 7,38 2.335.240 -157.640 -6,32 5,28 4 2.352.402 -140.478 -5,64 7,39 2.079.757 -413.123 -16,57 5,43 5 2.258.942 -233.938 -9,39 7,44 2.341.728 -151.152 -6,06 5,46 6 2.114.370 -378.510 -15,18 7,55 2.342.937 -149.943 -6,02 5,66 7 2.185.593 -307.287 -12,33 7,56 2.304.302 -188.578 -7,57 5,71 8 2.050.650 -442.230 -17,74 7,66 2.211.158 -281.722 -11,30 5,81 9 2.266.673 -226.207 -9,08 7,89 2.271.544 -221.336 -8,88 5,84
10 2.043.448 -449.432 -18,03 7,91 2.048.120 -444.760 -17,84 5,92 11 2.244.809 -248.071 -9,95 7,96 2.102.114 -390.766 -15,68 5,97 12 2.153.757 -339.123 -13,60 8,16 1.882.272 -610.608 -24,49 6,00 13 2.216.397 -276.483 -11,09 8,18 2.025.459 -467.421 -18,75 6,06 14 2.081.171 -411.709 -16,52 8,21 2.279.539 -213.341 -8,56 6,10 15 2.181.819 -311.061 -12,48 8,31 2.178.345 -314.535 -12,62 6,13 16 2.118.004 -374.876 -15,04 8,33 2.204.438 -288.442 -11,57 6,27 17 2.031.237 -461.643 -18,52 8,33 2.160.137 -332.743 -13,35 6,28 18 2.230.256 -262.624 -10,54 8,39 2.181.470 -311.410 -12,49 6,29 19 2.337.592 -155.288 -6,23 8,48 2.148.641 -344.239 -13,81 6,42 20 2.139.728 -353.152 -14,17 8,76 2.306.011 -186.869 -7,50 6,47 21 1.815.528 -677.352 -27,17 8,77 2.318.928 -173.952 -6,98 6,50 22 2.739.667 246.787 9,90 8,93 2.157.987 -334.893 -13,43 6,53 23 2.422.631 -70.249 -2,82 9,24 1.969.408 -523.472 -21,00 6,59 24 1.811.062 -681.818 -27,35 9,38 2.090.485 -402.395 -16,14 6,67 25 1.916.545 -576.335 -23,12 9,52 2.253.936 -238.944 -9,59 6,73 26 2.511.366 18.486 0,74 9,58 2.434.659 -58.221 -2,34 6,86 27 2.099.473 -393.407 -15,78 9,66 2.085.275 -407.605 -16,35 6,87 28 2.357.172 -135.708 -5,44 9,82 2.305.102 -187.778 -7,53 7,17 29 1.910.249 -582.631 -23,37 9,94 2.616.161 123.281 4,94 7,34 30 2.314.428 -178.452 -7,16 9,99 2.439.188 -53.692 -2,15 7,42 31 2.174.435 -318.445 -12,78 10,03 2.198.530 -294.350 -11,81 7,47
Continua TABELA B.1 (Continuação)
32 2.066.030 -426.850 -17,12 10,07 2.566.546 73.666 2,95 7,53 33 2.430.212 -62.668 -2,51 10,08 2.421.259 -71.621 -2,87 7,67 34 1.960.026 -532.854 -21,38 10,10 2.578.063 85.183 3,42 7,70 35 2.200.412 -292.468 -11,73 10,21 2.793.058 300.178 12,04 8,08 36 2.264.732 -228.148 -9,15 10,24 2.460.228 -32.652 -1,31 8,32 37 2.317.950 -174.930 -7,02 10,43 2.755.510 262.630 10,53 8,35 38 2.833.379 340.499 13,66 10,60 2.739.714 246.834 9,90 8,55 39 2.263.377 -229.503 -9,21 10,61 2.339.279 -153.601 -6,16 8,56 40 3.061.954 569.074 22,83 10,86 2.631.335 138.455 5,55 8,56 41 2.404.995 -87.885 -3,53 10,89 2.308.465 -184.415 -7,40 8,75 42 2.494.068 1.188 0,14 10,98 2.574.126 81.246 3,26 8,91 43 2.323.982 -168.898 -6,78 11,04 2.420.946 -71.934 -2,89 8,92 44 2.091.737 -401.143 -16,09 11,08 2.702.830 209.950 8,42 9,00 45 2.339.249 -153.631 -6,16 11,31 2.485.710 -7.170 -0,29 9,12 46 2.069.456 -423.424 -16,99 11,63 2.469.277 -23.603 -0,95 9,12 47 2.789.532 296.652 11,90 11,77 2.599.832 106.952 4,29 9,20 48 2.243.491 -249.389 -10,00 11,81 2.738.763 245.883 9,86 9,29 49 2.489.164 -3.716 -0,15 11,98 2.712.494 219.614 8,81 9,47 50 2.383.857 -109.023 -4,37 12,28 2.608.924 116.044 4,65 9,66 51 2.626.628 133.748 5,36 12,37 2.995.797 502.917 20,17 9,72
190
52 2.562.835 69.955 2,81 12,95 2.607.000 114.120 4,58 9,93 53 2.718.613 225.733 9,05 13,34 2.486.830 -6.050 -0,24 10,10 54 2.454.173 -38.707 -1,55 13,50 2.315.241 -177.639 -7,13 10,12 55 2.515.255 22.375 0,90 13,56 2.528.107 35.227 1,41 10,14 56 2.379.665 -113.215 -4,54 13,73 2.424.201 -68.679 -2,76 10,15 57 2.507.684 14.804 0,59 13,97 2.294.853 -198.027 -7,94 10,49 58 2.978.590 485.710 19,48 15,15 2.474.073 -18.807 -0,76 10,56 59 2.505.605 12.725 0,51 15,21 2.445.525 -47.355 -1,90 10,65 60 2.475.036 -17.844 -0,72 15,22 2.518.900 26.020 1,04 10,69 61 2.830.567 337.687 13,54 15,50 2.744.811 251.931 10,10 11,08 62 2.859.426 366.546 14,70 15,51 2.363.160 -129.720 -5,20 11,16 63 2.704.259 211.379 8,48 15,60 2.484.564 -8.316 -0,33 11,23 64 2.298.689 -194.191 -7,79 15,73 2.420.583 -72.297 -2,90 11,41 65 2.802.629 309.749 12,42 15,92 2.635.582 142.702 5,72 11,44 66 3.028.308 535.428 21,48 16,12 2.382.712 -110.168 -4,42 11,49 67 2.648.023 155.143 6,22 16,13 2.807.637 314.757 12,63 11,66 68 2.552.982 60.102 2,41 16,22 2.982.358 489.478 19,63 11,77 69 2.891.161 398.281 15,98 16,45 2.948.811 455.931 18,29 11,79 70 2.256.980 -235.900 -9,46 16,49 2.852.020 359.140 14,41 11,86 71 2.072.181 -420.699 -16,88 16,56 2.473.988 -18.892 -0,76 11,89
Continua TABELA B.1 (Conclusão)
72 2.536.326 43.446 1,74 16,90 2.679.886 187.006 7,50 11,93 73 3.082.050 589.170 23,63 16,91 2.588.861 95.981 3,85 12,05 74 3.070.648 577.768 23,18 17,02 3.105.827 612.947 24,59 12,13 75 2.790.477 297.597 11,94 17,46 3.134.120 641.240 25,72 12,19 76 2.960.357 467.477 18,75 17,56 3.064.479 571.599 22,93 12,24 77 2.796.250 303.370 12,17 17,62 2.530.775 37.895 1,52 12,27 78 2.881.045 388.165 15,57 17,64 2.663.127 170.247 6,83 12,65 79 2.758.481 265.601 10,65 17,67 2.839.296 346.416 13,90 12,73 80 2.368.641 -124.239 -4,98 17,68 2.581.427 88.547 3,55 12,74 81 2.891.679 398.799 16,00 18,38 2.631.226 138.346 5,55 12,78 82 3.009.559 516.679 20,72 19,10 3.007.545 514.665 20,64 12,82 83 2.931.020 438.140 17,57 19,16 2.778.990 286.110 11,48 12,88 84 2.735.637 242.757 9,74 20,16 2.812.125 319.245 12,81 13,02 85 2.929.331 436.451 17,51 20,68 2.461.438 -31.442 -1,26 13,09 86 2.642.339 149.459 5,99 20,74 2.798.101 305.221 12,24 13,27 87 2.461.061 -31.819 -1,28 21,78 2.519.011 26.131 1,05 13,97 88 3.085.611 592.731 23,78 21,94 2.448.176 -44.704 -1,79 14,19 89 2.424.226 -68.654 -2,75 22,19 2.716.346 223.466 8,96 14,20 90 2.892.132 399.252 16,01 22,22 3.098.218 605.338 24,28 14,27 91 2.701.584 208.704 8,37 22,24 2.678.882 186.002 7,46 14,35 92 2.974.507 481.627 19,32 22,39 2.666.068 173.188 6,95 14,42 93 3.077.045 584.165 23,43 23,39 2.643.921 151.041 6,06 14,84 94 3.352.164 859.284 34,47 23,82 2.784.060 291.180 11,68 14,85 95 3.050.867 557.987 22,38 24,25 2.654.630 161.750 6,49 14,90 96 2.598.084 105.204 4,22 24,46 2.572.614 79.734 3,20 15,17 97 2.898.765 405.885 16,28 24,67 2.696.964 204.084 8,19 15,44 98 2.836.063 343.183 13,77 25,01 3.105.826 612.946 24,59 15,99 99 3.146.063 653.183 26,20 26,04 2.497.121 4.241 0,17 17,13
100 2.889.392 396.512 15,90 30,48 2.662.283 169.403 6,79 18,12
Média 2.501.978 9.098 0,36 13,96 2.514.569 21.688 0,87 9.88
191
TABELA B.2 - Área Plantada com a Cultura da Soja Obtida Através do Método dos Segmentos nas Imagens Landsat para o Ano-safra 2000/01, Conjuntos Amostrais 3 e 4.
Conjunto amostral
3 (265 segmentos) 4 (530 segmentos)
Sorteio Área (ha)
Diferença (ha)
Diferença (%)
CV (%)
Área (ha)
Diferença (ha)
Diferença (%)
CV (%)
1 2.190.760 -302.120 -12,12 3,96 2.230.304 -262.576 -10,53 3,63 2 2.223.527 -269.353 -10,81 4,01 2.269.343 -223.537 -8,97 3,70 3 2.291.993 -200.887 -8,06 4,29 2.335.857 -157.023 -6,3 3,76 4 2.199.529 -293.351 -11,77 4,4 2.283.739 -209.141 -8,39 3,82 5 2.449.191 -43.689 -1,75 4,45 2.259.993 -232.887 -9,34 3,85 6 2.228.454 -264.426 -10,61 4,49 2.480.441 -12.439 -0,5 3,87 7 2.127.695 -365.185 -14,65 4,61 2.350.159 -142.721 -5,73 3,89 8 2.376.537 -116.343 -4,67 4,87 2.306.485 -186.395 -7,48 3,93 9 2.433.386 -59.494 -2,39 5,13 2.360.662 -132.218 -5,3 3,93
10 2.353.981 -138.899 -5,57 5,19 2.306.641 -186.239 -7,47 3,94 11 2.201.193 -291.687 -11,7 5,23 2.276.716 -216.164 -8,67 3,96 12 2.272.472 -220.408 -8,84 5,34 2.357.229 -135.651 -5,44 4,00 13 2.140.305 -352.575 -14,14 5,35 2.297.497 -195.383 -7,84 4,00 14 2.346.277 -146.603 -5,88 5,40 2.475.358 -17.522 -0,7 4,01 15 2.507.543 14.663 0,59 5,51 2.312.598 -180.282 -7,23 4,04 16 2.426.885 -65.995 -2,65 5,60 2.446.524 -46.356 -1,86 4,06 17 2.421.623 -71.257 -2,86 5,77 2.433.441 -59.439 -2,39 4,06 18 2.311.287 -181.593 -7,29 5,80 2.347.434 -145.446 -5,84 4,14 19 2.474.608 -18.272 -0,73 5,80 2.456.216 -36.664 -1,47 4,33 20 2.486.533 -6.347 -0,26 5,99 2.444.601 -48.279 -1,94 4,33 21 2.400.536 -92.344 -3,71 6,02 2.426.202 -66.678 -2,68 4,48 22 2.239.501 -253.379 -10,16 6,04 2.389.880 -103.000 -4,13 4,5 23 2.395.719 -97.161 -3,9 6,04 2.450.329 -42.551 -1,71 4,52 24 2.298.300 -194.580 -7,81 6,08 2.593.405 100.525 4,03 4,55 25 2.435.174 -57.706 -2,32 6,08 2.351.101 -141.779 -5,69 4,56 26 2.532.767 39.887 1,6 6,12 2.491.868 -1.012 -0,04 4,58 27 2.343.104 -149.776 -6,01 6,13 2.560.459 67.579 2,71 4,59 28 2.476.974 -15.906 -0,64 6,3 2.480.676 -12.204 -0,49 4,6 29 2.297.361 -195.519 -7,84 6,3 2.268.124 -224.756 -9,02 4,63 30 2.520.272 27.392 1,1 6,33 2.556.345 63.465 2,54 4,65 31 2.430.616 -62.264 -2,5 6,41 2.366.986 -125.894 -5,05 4,69 32 2.530.227 37.347 1,5 6,42 2.449.670 -43.210 -1,73 4,70
Continua TABELA B.2 (Continuação)
33 2.556.126 63.246 2,54 6,51 2.411.168 -81.712 -3,28 4,75 34 2.476.176 -16.704 -0,67 6,58 2.472.110 -20.770 -0,83 4,79 35 2.607.624 114.744 4,6 6,67 2.401.651 -91.229 -3,66 4,81 36 2.299.496 -193.384 -7,76 6,76 2.577.569 84.689 3,4 4,82 37 2.493.293 413 0,02 6,76 2.498.387 5.507 0,22 4,87 38 2.275.898 -216.982 -8,7 6,78 2.554.173 61.293 2,46 4,91 39 2.500.516 7.636 0,31 6,80 2.529.714 36.834 1,48 4,91 40 2.340.645 -152.235 -6,11 6,85 2.526.552 33.672 1,35 4,93 41 2.454.636 -38.244 -1,54 6,87 2.725.378 232.498 9,33 4,94 42 2.628.918 136.038 5,46 6,95 2.524.089 31.209 1,25 4,99 43 2.352.640 -140.240 -5,63 6,97 2.489.711 -3.169 -0,13 4,99 44 2.370.301 -122.579 -4,92 7,00 2.557.942 65.062 2,61 5,02 45 2.427.354 -65.526 -2,63 7,04 2.503.319 10.439 0,42 5,03 46 2.497.366 4.486 0,18 7,09 2.327.087 -165.793 -6,65 5,04 47 2.571.988 79.108 3,17 7,12 2.427.802 -65.078 -2,61 5,21 48 2.443.632 -49.248 -1,98 7,14 2.459.186 -33.694 -1,35 5,22 49 2.397.012 -95.868 -3,85 7,16 2.311.129 -181.751 -7,29 5,23 50 2.231.701 -261.179 -10,48 7,17 2.442.317 -50.563 -2,03 5,24 51 2.494.215 1.335 0,05 7,23 2.445.865 -47.015 -1,89 5,24 52 2.672.562 179.682 7,21 7,34 2.528.652 35.772 1,43 5,25 53 2.352.349 -140.531 -5,64 7,34 2.333.631 -159.249 -6,39 5,26 54 2.466.017 -26.863 -1,08 7,38 2.556.446 63.566 2,55 5,27
192
55 2.364.222 -128.658 -5,16 7,41 2.595.844 102.964 4,13 5,29 56 2.586.461 93.581 3,75 7,45 2.507.660 14.780 0,59 5,35 57 2.395.231 -97.649 -3,92 7,51 2.603.239 110.359 4,43 5,36 58 2.838.967 346.087 13,88 7,55 2.475.662 -17.218 -0,69 5,38 59 2.341.851 -151.029 -6,06 7,56 2.466.622 -26.258 -1,05 5,41 60 2.446.466 -46.414 -1,86 7,65 2.622.009 129.129 5,18 5,42 61 2.648.909 156.029 6,26 7,71 2.275.185 -217.695 -8,73 5,42 62 2.597.520 104.640 4,2 7,83 2.475.261 -17.619 -0,71 5,46 63 2.417.382 -75.498 -3,03 7,84 2.457.051 -35.829 -1,44 5,47 64 2.486.108 -6.772 -0,27 7,85 2.573.921 81.041 3,25 5,48 65 2.512.412 19.532 0,78 7,86 2.427.023 -65.857 -2,64 5,49 66 2.696.297 203.417 8,16 7,89 2.551.583 58.703 2,35 5,53 67 2.286.352 -206.528 -8,29 7,89 2.424.732 -68.148 -2,73 5,54 68 2.728.389 235.509 9,45 7,89 2.587.699 94.819 3,8 5,58 69 2.431.687 -61.193 -2,46 7,9 2.400.500 -92.380 -3,71 5,58 70 2.443.130 -49.750 -2 7,97 2.697.076 204.196 8,19 5,58 71 2.580.004 87.124 3,49 8,00 2.476.195 -16.685 -0,67 5,61 72 2.470.204 -22.676 -0,91 8,02 2.740.223 247.343 9,92 5,63
Continua TABELA B.2 (Conclusão)
73 2.716.143 223.263 8,95 8,22 2.598.829 105.949 4,25 5,66 74 2.553.694 60.814 2,44 8,33 2.527.582 34.702 1,39 5,68 75 2.714.936 222.056 8,91 8,38 2.510.355 17.475 0,7 5,85 76 2.342.133 -150.747 -6,05 8,46 2.697.156 204.276 8,19 5,87 77 2.637.627 144.747 5,81 8,54 2.664.133 171.253 6,87 5,89 78 2.320.827 -172.053 -6,9 8,74 2.556.968 64.088 2,57 5,91 79 2.418.546 -74.334 -2,98 8,75 2.464.631 -28.249 -1,13 5,91 80 2.400.276 -92.604 -3,72 8,83 2.657.442 164.562 6,6 5,93 81 2.648.076 155.196 6,22 8,85 2.526.658 33.778 1,35 5,98 82 2.729.886 237.006 9,51 8,87 2.490.734 -2.146 -0,09 6,00 83 2.727.788 234.908 9,42 9,00 2.467.045 -25.835 -1,04 6,06 84 2.868.489 375.609 15,07 9,03 2.575.702 82.822 3,32 6,16 85 2.859.892 367.012 14,72 9,05 2.522.876 29.996 1,2 6,18 86 2.996.115 503.235 20,19 9,23 2.320.115 -172.765 -6,93 6,25 87 2.490.114 -2.766 -0,11 9,24 2.416.449 -76.431 -3,07 6,25 88 2.403.023 -89.857 -3,61 9,25 2.599.092 106.212 4,26 6,26 89 2.486.110 -6.770 -0,27 9,28 2.706.263 213.383 8,56 6,35 90 2.616.622 123.742 4,96 9,3 2.497.723 4.843 0,19 6,39 91 2.728.773 235.893 9,46 9,35 2.689.743 196.863 7,9 6,45 92 2.390.802 -102.078 -4,1 9,37 2.609.594 116.714 4,68 6,47 93 2.635.020 142.140 5,7 9,52 2.645.602 152.722 6,13 6,51 94 2.575.798 82.918 3,33 9,56 2.689.510 196.630 7,89 6,51 95 2.892.305 399.425 16,02 9,60 2.504.192 11.312 0,45 6,59 96 2.940.996 448.116 17,97 9,62 2.474.041 -18.839 -0,76 6,66 97 2.466.258 -26.622 -1,07 9,92 2.636.059 143.179 5,74 6,75 98 2.663.455 170.575 6,84 10,17 2.420.146 -72.734 -2,92 6,80 99 2.845.276 352.396 14,13 10,26 2.749.277 256.397 10,28 6,81
100 2.832.095 339.215 13,61 11,36 2.673.050 180.170 7,23 6,88
Média 2.484.475 -8.405 -0,34 7,27 2.482.686 -10.194 -0,41 5.19
193
APÊNDICE C - DADOS DE PRODUTIVIDADE
TABELA C.1 - Produtividade Estimada pelos Modelos Agrometeorológico (MA) e Agrometeorológico-espectral (MAE) em Comparação à Estimada pelo LSPA e Corrigida em Função da Área Plantada, para a Cultura da Soja no Rio Grande do Sul, Ano-safra 2000/01.
Município MA (kg ha-1)
MAE (kg ha-1)
LSPA (kg ha-1)
MA - LSPA
(kg ha-1)
MA - LSPA (%)
MAE - LSPA
(kg ha-1)
MAE - LSPA (%)
% Soja
Água Santa 2.607 2.582 3.204 -597 -18,62 -622 -19,41 0,35 Ajuricaba 2.533 2.495 2.670 -138 -5,15 -175 -6,56 0,59
Alecrim 2.263 2.547 1.669 594 35,60 878 52,61 0,10
Alegria 2.393 2.372 1.602 791 49,37 770 48,05 0,35
Almirante Tamandaré do Sul 2.679 2.754 3.338 -659 -19,74 -583 -17,48 0,41
Alpestre 2.347 2.349 2.136 211 9,88 213 9,99 0,01
Alto Alegre 2.720 2.702 3.004 -284 -9,46 -302 -10,06 0,52
Ametista do Sul 2.318 2.320 1.558 761 48,83 763 48,98 0,00
André da Rocha 2.468 2.756 2.003 465 23,24 753 37,62 0,06
Anta Gorda 2.163 2.512 2.200 -36 -1,65 313 14,21 0,00
Aratiba 2.205 2.611 2.003 203 10,12 608 30,37 0,00
Arroio do Meio 2.494 2.621 2.336 158 6,75 285 12,18 0,06
Arroio do Tigre 2.443 2.832 2.336 107 4,59 496 21,22 0,04
Arvorezinha 2.760 3.117 1.224 1.536 125,50 1.893 154,70 0,00
Augusto Pestana 2.529 2.481 2.537 -7 -0,29 -56 -2,19 0,55
Áurea 2.293 2.386 2.670 -377 -14,11 -284 -10,64 0,22
Barão de Cotegipe 2.267 2.269 2.670 -403 -15,11 -401 -15,02 0,06
Barra do Guarita 2.321 2.757 1.936 385 19,89 821 42,43 0,21
Barra do Rio Azul 2.190 2.430 2.114 76 3,60 316 14,94 0,00
Barra Funda 2.392 2.323 2.670 -278 -10,43 -347 -13,00 0,42
Barracão 2.596 2.661 3.004 -408 -13,58 -343 -11,40 0,13
Barros Cassal 2.663 2.665 2.537 126 4,98 129 5,08 0,01
Benjamin Constant do Sul 2.238 2.681 1.535 703 45,78 1.146 74,66 0,01
Boa Vista das Missões 2.681 2.672 2.559 122 4,78 113 4,43 0,55
Boa Vista do Buricá 2.278 2.514 2.003 276 13,78 512 25,55 0,17
Boa Vista do Cadeado 2.580 2.542 2.870 -290 -10,10 -328 -11,44 0,56
Boa Vista do Incra 2.420 2.387 2.804 -383 -13,67 -417 -14,86 0,50
Bom Progresso 2.895 2.857 2.336 559 23,91 520 22,27 0,37
Bossoroca 2.470 2.540 2.270 200 8,82 271 11,93 0,16
Bozano 2.561 2.429 2.670 -109 -4,10 -241 -9,03 0,67
Braga 2.861 2.781 2.114 747 35,34 667 31,56 0,42
Cacique Doble 2.283 2.461 3.004 -720 -23,98 -542 -18,06 0,16
Caibaté 2.648 2.614 2.203 446 20,24 412 18,68 0,35
Caiçara 2.306 2.729 2.436 -130 -5,36 292 12,00 0,05
Continua
194
TABELA C.1 (Continuação)
Camargo 2.459 2.623 2.804 -345 -12,30 -180 -6,42 0,20
Campestre da Serra 2.646 2.832 2.559 87 3,39 273 10,69 0,02
Campina das Missões 2.352 2.501 2.336 16 0,69 164 7,04 0,22
Campinas do Sul 2.762 2.650 3.115 -353 -11,35 -465 -14,91 0,40
Campo Novo 2.858 2.825 2.670 188 7,06 155 5,82 0,55
Campos Borges 2.670 2.777 2.804 -133 -4,76 -27 -0,95 0,25
Candelária 2.230 2.345 1.869 361 19,29 476 25,45 0,08
Candido Godói 2.624 2.569 2.670 -46 -1,73 -101 -3,80 0,39
Capão Bonito do Sul 2.604 2.692 3.004 -399 -13,29 -312 -10,38 0,20
Capão do Cipó 2.353 2.355 2.336 16 0,70 18 0,78 0,24
Carazinho 2.781 2.808 3.004 -223 -7,43 -196 -6,53 0,44
Carlos Gomes 2.232 2.235 2.336 -104 -4,45 -102 -4,35 0,02
Casca 2.343 2.622 3.059 -716 -23,41 -438 -14,31 0,08
Caseiros 2.556 2.747 2.670 -114 -4,27 77 2,87 0,19
Catuípe 2.696 2.739 2.537 160 6,30 202 7,98 0,60
Centenário 2.421 2.538 2.670 -249 -9,32 -132 -4,94 0,14
Cerro Grande 2.522 2.524 1.780 742 41,67 744 41,81 0,11
Cerro Largo 2.638 2.670 2.203 436 19,78 467 21,20 0,24
Chapada 2.716 2.646 3.004 -288 -9,57 -358 -11,91 0,48
Charrua 2.183 2.266 3.071 -887 -28,90 -804 -26,19 0,24
Chiapeta 2.609 2.661 2.670 -61 -2,29 -9 -0,33 0,56
Ciríaco 2.463 2.622 3.004 -541 -18,00 -381 -12,70 0,18
Colinas 2.523 2.646 2.336 187 7,98 309 13,24 0,07
Colorado 2.704 2.645 3.338 -633 -18,98 -693 -20,75 0,54
Condor 2.712 2.602 3.004 -292 -9,72 -401 -13,36 0,55
Constantina 2.539 2.529 2.403 136 5,67 126 5,25 0,30
Coqueiros do Sul 2.735 2.781 2.336 398 17,06 445 19,05 0,39
Coronel Barros 2.644 2.581 2.670 -26 -0,98 -89 -3,32 0,55
Coronel Bicaco 2.854 2.776 2.253 601 26,69 523 23,23 0,59
Cotiporã 2.680 3.059 2.670 10 0,39 389 14,56 0,00
Coxilha 2.610 2.582 3.004 -394 -13,12 -422 -14,03 0,47
Crissiumal 2.375 2.550 1.836 540 29,40 715 38,93 0,24
Cristal do Sul 2.323 2.455 2.537 -214 -8,42 -81 -3,20 0,13
Cruz Alta 2.460 2.414 3.004 -544 -18,11 -589 -19,62 0,53
Cruzaltense 2.667 2.596 2.670 -3 -0,12 -74 -2,78 0,38
Cruzeiro do Sul 2.794 2.919 2.003 791 39,51 916 45,76 0,04
David Canabarro 2.115 2.305 2.893 -778 -26,89 -588 -20,32 0,07
Derrubadas 2.323 2.480 2.690 -367 -13,66 -210 -7,82 0,23
Dezesseis de Novembro 2.139 2.141 1.335 804 60,24 806 60,40 0,02
Dilermando de Aguiar 1.774 1.958 2.003 -229 -11,42 -44 -2,20 0,04
Dois Irmãos das Missões 2.912 2.906 2.225 687 30,85 681 30,62 0,56
Dona Francisca 2.703 3.253 2.448 256 10,44 806 32,93 0,00
Doutor Mauricio Cardoso 2.575 2.575 2.092 483 23,11 484 23,14 0,52
Doutor Ricardo 2.210 2.212 2.332 -122 -5,23 -120 -5,14 0,00
Continua
195
TABELA C.1 (Continuação)
Encantado 2.343 2.464 2.003 341 17,01 462 23,06 0,01
Engenho Velho 2.736 2.622 2.670 66 2,48 -48 -1,78 0,37
Entre Rios do Sul 2.802 2.829 3.036 -233 -7,69 -207 -6,83 0,23
Entre-Ijuís 2.643 2.633 2.203 440 19,97 430 19,53 0,46
Erebango 2.577 2.643 3.004 -427 -14,20 -361 -12,00 0,43
Erechim 2.545 2.577 3.204 -659 -20,57 -627 -19,55 0,18
Ernestina 2.733 2.682 3.004 -271 -9,02 -322 -10,73 0,49
Erval Grande 2.241 2.493 2.670 -429 -16,06 -177 -6,62 0,04
Erval Seco 2.701 2.769 2.252 450 19,98 517 22,96 0,23
Esmeralda 2.713 2.782 3.004 -290 -9,67 -221 -7,37 0,04
Esperança do Sul 2.319 2.534 1.936 383 19,79 598 30,91 0,27
Espumoso 2.761 2.770 2.870 -109 -3,80 -101 -3,51 0,36
Estação 2.631 2.740 3.004 -373 -12,41 -264 -8,79 0,38
Estrela 2.107 2.543 2.537 -430 -16,94 6 0,24 0,03
Estrela Velha 2.672 2.728 2.781 -110 -3,94 -54 -1,93 0,34
Eugênio de Castro 2.665 2.674 2.270 395 17,43 405 17,83 0,48
Fagundes Varela 2.410 2.413 1.780 630 35,40 633 35,54 0,01
Faxinal do Soturno 2.079 2.081 2.003 77 3,84 79 3,94 0,02
Faxinalzinho 2.245 2.425 3.004 -759 -25,27 -578 -19,25 0,28
Fazenda Vila Nova 2.911 3.179 2.003 908 45,36 1.176 58,74 0,03
Floriano Peixoto 2.166 2.380 3.004 -838 -27,89 -624 -20,76 0,14
Fontoura Xavier 2.731 3.047 2.670 61 2,29 377 14,11 0,00
Forquetinha 2.189 2.191 2.000 189 9,44 191 9,55 0,00
Fortaleza dos Valos 2.468 2.461 3.204 -736 -22,97 -743 -23,18 0,44
Frederico Westphalen 2.213 2.554 2.003 210 10,51 551 27,54 0,09
Garruchos 2.540 2.639 2.270 270 11,91 370 16,30 0,09
Gaurama 2.209 2.419 2.670 -461 -17,25 -251 -9,41 0,11
Gentil 2.606 2.634 3.004 -398 -13,26 -370 -12,31 0,29
Getúlio Vargas 2.422 2.519 3.137 -715 -22,78 -618 -19,70 0,38
Giruá 2.809 2.750 2.136 673 31,51 614 28,73 0,58
Gramado dos Loureiros 2.903 2.942 2.559 344 13,46 383 14,97 0,22
Guabijú 2.481 2.697 3.338 -856 -25,66 -640 -19,18 0,05
Guaporé 2.254 2.256 2.003 252 12,56 254 12,68 0,00
Guarani das Missões 2.628 2.556 2.003 626 31,26 554 27,66 0,35
Horizontina 2.767 2.671 2.100 667 31,74 571 27,17 0,39
Humaitá 2.790 2.761 2.670 120 4,48 91 3,40 0,46
Ibiaçá 2.519 2.546 3.004 -485 -16,13 -457 -15,23 0,42
Ibiraiaras 2.111 2.237 3.471 -1.360 -39,19 -1.234 -35,54 0,13
Ibirapuitã 2.728 2.862 2.670 58 2,17 192 7,20 0,27
Ibirubá 2.602 2.537 3.004 -402 -13,37 -467 -15,55 0,56
Ijuí 2.660 2.618 2.470 191 7,71 148 6,00 0,51
Independência 2.769 2.743 2.336 433 18,52 406 17,40 0,50
Inhacorã 2.489 2.489 2.603 -114 -4,39 -114 -4,38 0,60
Ipê 2.197 2.577 2.225 -28 -1,28 352 15,83 0,01
Continua
196
TABELA C.1 (Continuação)
Ipiranga do Sul 2.639 2.665 3.004 -364 -12,13 -339 -11,28 0,44
Irai 2.189 2.659 2.136 53 2,46 523 24,47 0,04
Itaara 2.782 3.327 3.204 -422 -13,17 123 3,83 0,09
Itacurubi 2.420 2.638 2.003 418 20,86 635 31,73 0,02
Itapuca 2.476 2.479 1.609 867 53,91 870 54,07 0,00
Itatiba do Sul 2.891 2.908 2.670 221 8,26 238 8,92 0,00
Ivorá 2.758 2.906 2.336 422 18,07 569 24,37 0,08
Jaboticaba 2.771 2.800 2.670 101 3,78 130 4,89 0,17
Jacuizinho 2.659 2.697 2.670 -11 -0,41 27 1,00 0,25
Jacutinga 2.765 2.705 3.004 -239 -7,94 -299 -9,94 0,41
Jaguari 2.443 2.633 2.336 107 4,57 297 12,71 0,02
Jarí 2.227 2.435 2.336 -109 -4,68 99 4,23 0,10
Jóia 2.518 2.611 2.804 -286 -10,20 -192 -6,85 0,47
Júlio de Castilhos 2.525 2.565 2.670 -145 -5,43 -105 -3,93 0,33
Lagoa Bonita do Sul 2.653 3.198 2.868 -215 -7,50 330 11,51 0,03
Lagoa Dos Três Cantos 2.804 2.745 3.004 -199 -6,63 -259 -8,62 0,54
Lagoa Vermelha 2.526 2.721 2.537 -11 -0,43 185 7,28 0,17
Lajeado 2.481 2.483 1.001 1.480 147,79 1.482 148,04 0,02
Lajeado do Bugre 2.861 2.689 2.225 636 28,60 464 20,86 0,27
Liberato Salzano 2.292 2.573 2.225 67 2,99 348 15,66 0,08
Machadinho 2.508 2.685 3.004 -496 -16,52 -319 -10,61 0,14
Marau 2.632 2.738 2.670 -38 -1,43 68 2,53 0,34
Marcelino Ramos 2.198 2.629 1.335 863 64,65 1.294 96,91 0,00
Mariano Moro 2.221 2.223 1.335 886 66,34 888 66,51 0,00
Marques de Souza 2.206 2.660 2.003 203 10,15 658 32,85 0,02
Mata 2.019 2.464 1.335 684 51,23 1.129 84,56 0,00
Mato Castelhano 2.604 2.560 3.004 -400 -13,32 -444 -14,77 0,36
Mato Leitão 2.691 2.693 1.595 1.096 68,74 1.099 68,91 0,02
Mato Queimado 2.695 2.718 2.203 492 22,34 515 23,39 0,40
Maximiliano de Almeida 2.183 2.440 2.670 -487 -18,23 -230 -8,62 0,03
Miraguaí 2.904 2.865 2.103 802 38,13 762 36,25 0,18
Montauri 2.208 2.546 2.670 -462 -17,32 -124 -4,63 0,05
Monte Alegre dos Campos 2.491 2.494 2.403 88 3,67 91 3,77 0,00
Mormaço 2.762 2.810 2.670 92 3,45 140 5,23 0,37
Muçum 2.282 2.781 2.670 -388 -14,52 111 4,14 0,03
Muitos Capões 2.534 2.642 2.670 -136 -5,09 -29 -1,07 0,12
Muliterno 2.394 2.635 2.670 -276 -10,35 -35 -1,32 0,13
Não-Me-Toque 2.813 2.813 2.670 143 5,34 143 5,35 0,46
Nicolau Vergueiro 2.752 2.819 3.004 -252 -8,38 -185 -6,15 0,44
Nonoai 2.703 2.806 2.670 33 1,23 136 5,10 0,25
Nova Alvorada 2.309 2.776 3.004 -695 -23,12 -227 -7,57 0,05
Nova Bassano 2.300 2.569 2.003 297 14,84 567 28,30 0,00
Nova Boa Vista 2.323 2.318 2.670 -347 -13,00 -352 -13,17 0,42
Nova Candelária 2.331 2.482 1.736 595 34,30 746 43,01 0,21
Continua
197
TABELA C.1 (Continuação)
Nova Esperança do Sul 2.382 2.512 3.004 -621 -20,68 -491 -16,36 0,11
Nova Palma 2.665 2.753 2.670 -5 -0,18 83 3,09 0,11
Nova Prata 2.557 2.744 2.448 109 4,47 296 12,11 0,02
Nova Ramada 2.612 2.592 2.670 -58 -2,19 -78 -2,91 0,59
Novo Barreiro 2.788 2.643 2.225 563 25,31 418 18,77 0,31
Novo Cabrais 2.463 2.488 2.403 60 2,48 85 3,54 0,12
Novo Machado 2.652 2.591 2.503 148 5,93 88 3,50 0,49
Novo Tiradentes 2.295 2.298 1.891 404 21,37 407 21,50 0,06
Novo Xingu 2.447 2.549 2.470 -22 -0,91 79 3,20 0,28
Paim Filho 2.185 2.395 2.670 -485 -18,18 -275 -10,29 0,05
Palmeira das Missões 2.846 2.765 2.448 398 16,27 317 12,97 0,57
Palmitinho 2.321 2.712 1.335 986 73,84 1.377 103,18 0,01
Panambi 2.578 2.570 3.004 -426 -14,19 -434 -14,45 0,46
Parai 2.136 2.138 1.947 189 9,70 191 9,81 0,00
Paraiso do Sul 2.315 2.318 2.336 -21 -0,89 -19 -0,79 0,01
Passa Sete 2.620 3.310 3.605 -985 -27,32 -294 -8,16 0,02
Passo do Sobrado 2.709 2.859 2.003 707 35,29 857 42,79 0,02
Passo Fundo 2.676 2.623 3.004 -328 -10,93 -381 -12,68 0,38
Paulo Bento 2.682 2.896 2.670 12 0,46 226 8,46 0,27
Pejuçara 2.715 2.662 3.004 -289 -9,60 -342 -11,38 0,63
Pinhal 2.452 2.454 2.336 116 4,95 118 5,05 0,07
Pinhal da Serra 2.620 2.749 2.781 -162 -5,81 -32 -1,15 0,04
Pinhal Grande 2.385 2.484 2.670 -285 -10,68 -186 -6,97 0,25
Pinheirinho do Vale 2.361 2.363 2.225 136 6,09 138 6,20 0,03
Pirapó 2.605 2.765 1.869 736 39,38 896 47,96 0,09
Planalto 2.321 2.714 2.003 319 15,93 711 35,52 0,03
Pontão 2.740 2.751 2.670 70 2,62 81 3,05 0,50
Ponte Preta 2.218 2.349 2.225 -7 -0,30 124 5,57 0,27
Porto Lucena 2.771 2.778 1.802 969 53,76 976 54,14 0,15
Porto Mauá 2.263 2.405 2.169 94 4,33 235 10,86 0,34
Porto Vera Cruz 2.394 2.397 1.729 665 38,45 667 38,59 0,05
Porto Xavier 2.265 2.268 1.535 730 47,55 732 47,70 0,03
Protásio Alves 2.584 2.859 2.003 582 29,05 857 42,78 0,02
Quatro Irmãos 2.621 2.618 3.338 -716 -21,46 -720 -21,57 0,35
Quevedos 2.603 2.741 2.670 -67 -2,51 71 2,65 0,13
Quinze de Novembro 2.686 2.649 2.670 16 0,60 -21 -0,80 0,42
Redentora 2.874 2.799 2.448 426 17,41 352 14,38 0,29
Relvado 2.227 2.229 2.314 -87 -3,77 -85 -3,68 0,00
Restinga Seca 1.719 1.837 2.336 -617 -26,42 -499 -21,36 0,06
Rio dos Índios 2.616 2.651 2.336 280 11,97 315 13,47 0,28
Roca Sales 2.246 2.545 2.336 -90 -3,87 209 8,95 0,03
Rodeio Bonito 2.322 2.567 2.670 -348 -13,04 -103 -3,86 0,11
Rolador 2.473 2.455 2.336 137 5,85 119 5,10 0,26
Ronda Alta 2.816 2.759 2.670 146 5,45 89 3,35 0,53
Continua
198
TABELA C.1 (Continuação)
Rondinha 2.763 2.768 2.670 92 3,46 98 3,68 0,38
Roque Gonzales 2.362 2.524 2.136 226 10,57 388 18,15 0,15
Sagrada Família 2.592 2.669 2.114 478 22,63 556 26,28 0,19
Saldanha Marinho 2.732 2.703 2.870 -138 -4,82 -167 -5,82 0,56
Salto do Jacuí 2.451 2.518 2.670 -219 -8,22 -152 -5,69 0,39
Salvador das Missões 2.699 2.706 2.537 163 6,41 170 6,70 0,39
Sananduva 2.520 2.615 3.338 -818 -24,51 -723 -21,65 0,26
Santa Bárbara do Sul 2.629 2.606 3.004 -375 -12,49 -398 -13,24 0,58
Santa Cecília do Sul 2.616 2.696 3.004 -387 -12,90 -308 -10,25 0,32
Santa Clara do Sul 2.219 2.498 2.336 -118 -5,04 161 6,91 0,03
Santa Cruz do Sul 2.190 2.762 2.003 187 9,35 760 37,94 0,00
Santa Maria 2.044 2.205 2.670 -626 -23,46 -465 -17,40 0,05
Santa Rosa 2.671 2.642 2.670 1 0,04 -28 -1,04 0,46
Santiago 2.095 2.198 2.270 -175 -7,71 -72 -3,15 0,05
Santo Ângelo 2.700 2.713 2.470 230 9,32 244 9,86 0,44
Santo Antônio das Missões 2.517 2.585 2.270 247 10,88 315 13,89 0,09
Santo Antônio do Palma 2.564 2.676 2.336 228 9,75 340 14,54 0,09
Santo Antônio do Planalto 2.745 2.773 3.004 -258 -8,60 -231 -7,68 0,43
Santo Augusto 2.823 2.775 2.804 20 0,70 -28 -1,00 0,59
Santo Cristo 2.546 2.583 2.537 10 0,39 46 1,83 0,24
Santo Expedito do Sul 2.589 2.830 2.737 -148 -5,41 93 3,40 0,23
São Borja 2.370 2.306 2.225 145 6,52 81 3,63 0,11
São Domingos do Sul 2.137 2.596 2.670 -533 -19,95 -74 -2,78 0,03
São João da Urtiga 2.202 2.204 2.670 -468 -17,53 -466 -17,44 0,05
São João do Polêsine 1.898 1.900 2.893 -994 -34,37 -992 -34,30 0,02
São Jorge 2.058 2.574 3.338 -1.279 -38,33 -764 -22,89 0,03
São José das Missões 2.814 2.755 2.336 478 20,44 419 17,94 0,27
São José do Herval 2.498 2.500 2.336 161 6,91 164 7,02 0,00
São José do Inhacora 2.368 2.566 2.070 298 14,41 496 23,98 0,17
São José do Ouro 2.610 2.747 3.004 -394 -13,11 -256 -8,53 0,22
São Luiz Gonzaga 2.443 2.507 2.570 -127 -4,93 -63 -2,45 0,32
São Martinho 2.665 2.583 2.670 -5 -0,18 -87 -3,25 0,48
São Martinho da Serra 2.555 2.695 3.137 -582 -18,54 -442 -14,08 0,11
São Miguel das Missões 2.555 2.554 2.336 219 9,36 217 9,30 0,33
São Nicolau 2.410 2.500 2.136 274 12,85 364 17,03 0,14
São Paulo das Missões 2.297 2.498 2.003 295 14,73 495 24,73 0,14
São Pedro das Missões 2.867 2.737 2.225 642 28,85 512 23,02 0,47
São Pedro do Butiá 2.618 2.690 2.336 282 12,06 353 15,12 0,33
São Pedro do Sul 2.031 2.303 2.336 -306 -13,09 -33 -1,42 0,00
São Valentim 2.839 2.834 3.338 -498 -14,93 -504 -15,09 0,04
São Valentim do Sul 2.327 2.329 2.653 -326 -12,28 -323 -12,19 0,01
São Valério do Sul 2.597 2.604 2.537 60 2,37 68 2,67 0,44
São Vicente do Sul 1.697 2.088 1.891 -194 -10,26 197 10,42 0,01
Sarandi 2.673 2.741 2.870 -198 -6,89 -129 -4,49 0,40
Continua
199
TABELA C.1 (Continuação)
Seberi 2.783 2.877 2.853 -71 -2,47 24 0,84 0,20
Sede Nova 2.660 2.641 2.670 -10 -0,36 -29 -1,10 0,57
Segredo 2.360 2.363 2.225 135 6,07 137 6,18 0,02
Selbach 2.751 2.631 2.804 -53 -1,87 -173 -6,17 0,55
Senador Salgado Filho 2.750 2.587 2.336 414 17,70 251 10,74 0,53
Serafina Corrêa 2.157 2.449 3.004 -847 -28,18 -555 -18,47 0,01
Sério 2.197 2.199 2.003 194 9,70 196 9,81 0,00
Sertão 2.626 2.616 3.204 -578 -18,05 -588 -18,35 0,46
Sete de Setembro 2.656 2.580 2.203 453 20,57 377 17,13 0,37
Severiano de Almeida 2.201 2.557 2.003 199 9,93 555 27,70 0,01
Silveira Martins 2.622 2.988 2.336 286 12,23 651 27,88 0,09
Sobradinho 2.305 2.307 2.804 -498 -17,78 -496 -17,70 0,03
Soledade 2.733 2.879 2.670 63 2,35 209 7,83 0,10
Tapejara 2.421 2.455 3.004 -582 -19,39 -549 -18,28 0,40
Tapera 2.784 2.705 3.004 -219 -7,30 -299 -9,95 0,53
Taquaruçú do Sul 2.927 2.868 2.336 591 25,29 532 22,75 0,10
Tenente Portela 2.697 2.761 2.336 361 15,44 425 18,19 0,28
Tio Hugo 2.813 2.817 3.115 -302 -9,70 -298 -9,56 0,39
Tiradentes do Sul 2.321 2.510 1.585 736 46,42 925 58,33 0,25
Toropí 2.187 2.473 1.669 518 31,06 804 48,19 0,01
Travesseiro 1.799 2.566 2.336 -537 -23,00 230 9,85 0,01
Três Arroios 2.214 2.609 2.003 211 10,56 607 30,30 0,01
Três de Maio 2.697 2.655 2.470 228 9,22 185 7,50 0,46
Três Palmeiras 2.819 2.741 2.670 149 5,59 71 2,67 0,27
Três Passos 2.541 2.689 2.559 -18 -0,69 130 5,08 0,22
Trindade do Sul 2.906 2.896 2.670 236 8,85 226 8,46 0,24
Tucunduva 2.694 2.622 2.325 369 15,89 297 12,78 0,52
Tunas 2.394 2.602 2.336 57 2,45 266 11,39 0,06
Tupanci do Sul 2.655 2.883 2.670 -15 -0,57 213 7,97 0,19
Tupanciretã 2.434 2.472 2.670 -236 -8,84 -198 -7,43 0,41
Tuparendi 2.428 2.490 2.670 -242 -9,06 -180 -6,75 0,40
Ubiretama 2.716 2.584 1.681 1.035 61,55 903 53,73 0,40
União da Serra 2.149 2.687 2.336 -187 -8,02 351 15,03 0,00
Vacaria 2.606 2.635 2.781 -175 -6,29 -146 -5,26 0,07
Vale do Sol 2.031 2.033 2.448 -417 -17,02 -414 -16,94 0,00
Vale Verde 2.781 2.714 2.003 779 38,88 711 35,52 0,01
Vanini 2.135 2.606 3.115 -980 -31,47 -509 -16,36 0,05
Venâncio Aires 2.018 2.388 2.003 15 0,75 386 19,25 0,00
Veranópolis 2.759 3.111 2.225 534 24,01 886 39,83 0,00
Vespasiano Corrêa 2.227 2.703 3.004 -777 -25,85 -300 -10,00 0,06
Viadutos 2.314 2.612 2.336 -22 -0,95 276 11,80 0,02
Vicente Dutra 2.202 2.582 2.336 -134 -5,75 246 10,53 0,04
Victor Graeff 2.811 2.769 3.004 -192 -6,41 -234 -7,81 0,54
Vila Flores 2.403 2.770 2.800 -397 -14,18 -29 -1,05 0,01
Continua
200
TABELA C.1 (Conclusão)
Vila Langarô 2.301 2.308 2.670 -369 -13,82 -362 -13,56 0,39
Vila Maria 2.366 2.541 3.004 -638 -21,23 -463 -15,40 0,21
Vista Alegre 2.809 3.047 2.158 651 30,16 889 41,17 0,08
Vista Alegre do Prata 2.373 2.375 2.670 -297 -11,14 -295 -11,05 0,00
Vista Gaúcha 2.321 2.477 2.804 -483 -17,22 -326 -11,63 0,23
Vitória das Missões 2.661 2.673 1.001 1.660 165,82 1.672 166,96 0,31
201
TABELA C.2 - Produtividade Estimada pelos Modelos Agrometeorológico (MA) e Agrometeorológico-espectral (MAE) em Comparação à Estimada pelo LSPA e Corrigida em Função da Área Plantada, para a Cultura da Soja no Rio Grande do Sul, Ano-safra 2001/02.
Município MA
(kg ha-1) MAE
(kg ha-1)LSPA
(kg ha-1)
MA - LSPA
(kg ha-1)
MA - LSPA
(%)
MAE - LSPA
(kg ha-1)
MAE - LSPA (%)
% Soja
Água Santa 1.835 1.986 2.687 -852 -31,72 -701 -26,09 0,35 Ajuricaba 1.710 1.729 1.814 -104 -5,75 -85 -4,67 0,59 Alecrim 1.655 1.832 1.008 647 64,23 824 81,81 0,10 Alegria 1.619 1.582 1.094 525 47,98 488 44,62 0,35 Almirante Tamandaré do Sul 1.795 1.958 2.486 -691 -27,81 -527 -21,22 0,41 Alpestre 1.519 1.566 941 578 61,47 625 66,49 0,01 Alto Alegre 1.909 2.049 2.754 -845 -30,69 -705 -25,60 0,52 Ametista do Sul 1.504 1.550 1.411 93 6,58 140 9,89 0,00 André da Rocha 1.935 2.276 2.553 -618 -24,22 -277 -10,86 0,06 Anta Gorda 1.833 2.393 1.915 -81 -4,26 478 24,98 0,00 Aratiba 1.745 2.203 1.310 435 33,23 893 68,13 0,00 Arroio do Meio 1.834 2.088 2.351 -517 -21,99 -263 -11,21 0,06 Arroio do Tigre 1.801 2.275 2.687 -886 -32,96 -413 -15,35 0,04 Arvorezinha 1.931 2.324 2.015 -85 -4,20 308 15,29 0,00 Augusto Pestana 1.700 1.699 1.791 -92 -5,11 -93 -5,18 0,55 Áurea 1.755 2.015 1.680 76 4,50 335 19,98 0,22 Barão de Cotegipe 1.698 1.751 1.612 86 5,31 138 8,58 0,06 Barra do Guarita 1.542 1.865 1.547 -5 -0,35 318 20,57 0,21 Barra do Rio Azul 1.732 1.912 1.680 52 3,12 232 13,84 0,00 Barra Funda 1.590 1.729 2.015 -425 -21,10 -286 -14,20 0,42 Barracão 1.956 2.085 2.015 -59 -2,94 69 3,44 0,13 Barros Cassal 1.875 1.933 2.239 -364 -16,28 -306 -13,68 0,01 Benjamin Constant do Sul 1.632 2.102 672 960 142,97 1.430 212,84 0,01 Boa Vista das Missões 1.756 1.885 1.803 -47 -2,59 82 4,56 0,55 Boa Vista do Buricá 1.599 1.864 1.855 -256 -13,80 9 0,49 0,17 Boa Vista do Cadeado 1.795 1.809 1.680 115 6,85 130 7,72 0,56 Boa Vista do Incra 1.818 1.858 2.351 -533 -22,67 -493 -20,96 0,50 Bom Progresso 1.705 1.697 1.293 412 31,86 404 31,23 0,37 Bossoroca 1.675 1.575 1.209 466 38,55 366 30,28 0,16 Bozano 1.744 1.742 1.680 64 3,81 62 3,71 0,67 Braga 1.701 1.645 941 760 80,85 704 74,88 0,42 Cacique Doble 1.752 1.931 1.881 -129 -6,87 50 2,68 0,16 Caibaté 1.691 1.632 1.209 482 39,87 423 34,94 0,35 Caiçara 1.486 1.840 851 635 74,62 989 116,20 0,05 Camargo 1.843 2.089 2.687 -844 -31,42 -598 -22,26 0,20 Campestre da Serra 2.079 2.401 3.023 -944 -31,24 -622 -20,58 0,02 Campina das Missões 1.592 1.742 1.411 181 12,85 332 23,51 0,22 Campinas do Sul 1.781 1.882 2.015 -234 -11,62 -134 -6,63 0,40 Campo Novo 1.752 1.830 2.015 -264 -13,08 -185 -9,19 0,55 Campos Borges 1.849 2.024 2.351 -502 -21,36 -327 -13,92 0,25 Continua
202
TABELA C.2 (Continuação) Candelária 1.680 1.858 2.015 -335 -16,64 -158 -7,82 0,08 Candido Godói 1.762 1.717 1.814 -52 -2,87 -96 -5,32 0,39 Capão Bonito do Sul 1.942 2.182 2.351 -409 -17,40 -169 -7,20 0,20 Capão do Cipó 1.667 1.620 1.478 189 12,78 142 9,59 0,24 Carazinho 1.898 2.001 2.351 -454 -19,30 -350 -14,89 0,44 Carlos Gomes 1.773 1.828 2.234 -460 -20,61 -405 -18,15 0,02 Casca 1.845 2.230 3.359 -1.514 -45,07 -1.129 -33,62 0,08 Caseiros 1.788 2.133 2.418 -630 -26,05 -286 -11,82 0,19 Catuípe 1.686 1.769 2.015 -329 -16,34 -246 -12,22 0,60 Centenário 1.779 2.027 1.881 -102 -5,45 146 7,75 0,14 Cerro Grande 1.671 1.723 672 999 148,76 1.051 156,49 0,11 Cerro Largo 1.630 1.721 1.747 -117 -6,67 -26 -1,47 0,24 Chapada 1.758 1.828 2.351 -593 -25,24 -523 -22,25 0,48 Charrua 1.712 1.790 2.015 -304 -15,07 -226 -11,21 0,24 Chiapeta 1.651 1.747 1.814 -163 -8,98 -67 -3,70 0,56 Ciríaco 1.821 2.130 1.832 -11 -0,63 298 16,24 0,18 Colinas 1.833 2.044 1.881 -48 -2,57 163 8,69 0,07 Colorado 1.843 1.902 2.687 -844 -31,42 -785 -29,20 0,54 Condor 1.796 1.879 2.284 -488 -21,35 -405 -17,73 0,55 Constantina 1.737 1.814 1.209 528 43,66 605 50,03 0,30 Coqueiros do Sul 1.882 2.059 2.351 -469 -19,95 -293 -12,45 0,39 Coronel Barros 1.708 1.782 2.295 -587 -25,57 -513 -22,37 0,55 Coronel Bicaco 1.811 1.910 1.171 640 54,64 739 63,06 0,59 Cotiporã 1.916 2.503 2.687 -771 -28,71 -185 -6,87 0,00 Coxilha 1.760 1.899 2.351 -591 -25,15 -452 -19,23 0,47 Crissiumal 1.582 1.805 1.383 199 14,37 423 30,56 0,24 Cristal do Sul 1.530 1.695 1.659 -129 -7,76 36 2,15 0,13 Cruz Alta 1.854 1.856 2.575 -722 -28,02 -720 -27,95 0,53 Cruzaltense 1.732 1.706 1.456 277 19,01 251 17,21 0,38 Cruzeiro do Sul 1.841 2.166 2.351 -510 -21,69 -185 -7,87 0,04 David Canabarro 1.708 1.939 2.911 -1.203 -41,33 -972 -33,40 0,07 Derrubadas 1.543 1.603 1.760 -217 -12,33 -157 -8,94 0,23 Dezesseis de Novembro 1.548 1.596 1.075 473 43,97 521 48,44 0,02 Dilermando de Aguiar 1.426 1.564 1.881 -455 -24,17 -317 -16,84 0,04 Dois Irmãos das Missões 1.812 1.957 1.411 401 28,44 546 38,69 0,56 Dona Francisca 1.794 2.470 2.146 -353 -16,43 324 15,09 0,00 Doutor Mauricio Cardoso 1.721 1.850 1.881 -160 -8,53 -31 -1,66 0,52 Doutor Ricardo 1.825 1.882 2.351 -526 -22,38 -469 -19,97 0,00 Encantado 1.831 2.038 2.015 -185 -9,17 23 1,14 0,01 Engenho Velho 1.805 1.846 1.680 126 7,49 166 9,90 0,37 Entre Rios do Sul 1.731 1.868 1.058 673 63,61 810 76,55 0,23 Entre-Ijuís 1.633 1.571 1.007 626 62,16 564 56,00 0,46 Erebango 1.776 1.940 2.150 -374 -17,40 -209 -9,74 0,43 Erechim 1.681 1.902 2.150 -469 -21,83 -248 -11,53 0,18 Ernestina 1.812 1.900 2.150 -338 -15,73 -249 -11,60 0,49 Erval Grande 1.623 1.881 672 951 141,57 1.209 179,93 0,04 Erval Seco 1.690 1.910 1.344 346 25,79 566 42,16 0,23 Esmeralda 1.782 2.071 2.239 -457 -20,41 -168 -7,52 0,04 Esperança do Sul 1.545 1.770 1.344 201 14,99 426 31,72 0,27 Continua
203
TABELA C.2 (Continuação) Espumoso 1.923 2.017 2.351 -429 -18,23 -335 -14,24 0,36 Estação 1.826 1.910 1.814 13 0,69 96 5,28 0,38 Estrela 1.679 2.055 2.239 -560 -25,00 -185 -8,24 0,03 Estrela Velha 1.812 1.802 2.015 -203 -10,08 -213 -10,57 0,34 Eugênio de Castro 1.659 1.586 1.344 315 23,45 243 18,07 0,48 Fagundes Varela 1.869 1.927 2.799 -930 -33,23 -872 -31,16 0,01 Faxinal do Soturno 1.669 1.721 1.791 -123 -6,85 -71 -3,95 0,02 Faxinalzinho 1.614 1.759 941 673 71,59 819 87,04 0,28 Fazenda Vila Nova 1.806 2.111 2.351 -545 -23,17 -240 -10,22 0,03 Floriano Peixoto 1.762 2.019 1.646 117 7,08 373 22,69 0,14 Fontoura Xavier 1.849 2.329 2.217 -368 -16,59 112 5,04 0,00 Forquetinha 1.733 1.786 2.013 -281 -13,94 -227 -11,27 0,00 Fortaleza dos Valos 1.772 1.824 2.351 -579 -24,64 -528 -22,44 0,44 Frederico Westphalen 1.450 1.757 1.209 240 19,89 548 45,28 0,09 Garruchos 1.624 1.619 1.456 168 11,55 163 11,20 0,09 Gaurama 1.657 2.015 2.150 -493 -22,94 -135 -6,26 0,11 Gentil 1.819 2.074 2.687 -868 -32,31 -613 -22,83 0,29 Getúlio Vargas 1.770 1.968 2.015 -245 -12,17 -48 -2,37 0,38 Giruá 1.785 1.809 1.881 -96 -5,08 -72 -3,82 0,58 Gramado dos Loureiros 1.740 1.878 1.142 598 52,37 736 64,44 0,22 Guabijú 1.801 2.113 2.687 -886 -32,98 -574 -21,36 0,05 Guaporé 1.852 1.909 2.687 -835 -31,08 -778 -28,94 0,00 Guarani das Missões 1.678 1.664 1.478 200 13,50 186 12,57 0,35 Horizontina 1.802 1.922 1.899 -97 -5,12 23 1,23 0,39 Humaitá 1.693 1.683 1.881 -188 -10,01 -198 -10,51 0,46 Ibiaçá 1.814 1.934 2.015 -202 -10,02 -81 -4,04 0,42 Ibiraiaras 1.605 1.949 3.023 -1.419 -46,92 -1.074 -35,51 0,13 Ibirapuitã 1.932 2.156 2.150 -218 -10,12 6 0,28 0,27 Ibirubá 1.825 1.866 2.418 -593 -24,53 -553 -22,86 0,56 Ijuí 1.736 1.813 2.015 -279 -13,85 -203 -10,05 0,51 Independência 1.773 1.850 2.015 -242 -12,02 -166 -8,22 0,50 Inhacorã 1.602 1.680 2.015 -413 -20,50 -336 -16,65 0,60 Ipê 1.973 2.482 2.015 -42 -2,08 467 23,15 0,01 Ipiranga do Sul 1.777 1.899 2.015 -238 -11,81 -116 -5,77 0,44 Irai 1.449 1.798 1.142 307 26,85 656 57,47 0,04 Itaara 1.724 1.964 3.157 -1.433 -45,39 -1.194 -37,81 0,09 Itacurubi 1.567 1.607 1.075 492 45,77 532 49,48 0,02 Itapuca 1.884 1.943 2.015 -131 -6,50 -72 -3,60 0,00 Itatiba do Sul 2.097 2.245 672 1.426 212,20 1.573 234,19 0,00 Ivorá 1.779 1.932 2.553 -773 -30,29 -621 -24,33 0,08 Jaboticaba 1.759 1.970 1.612 146 9,08 358 22,18 0,17 Jacuizinho 1.849 1.904 2.351 -502 -21,34 -447 -19,01 0,25 Jacutinga 1.770 1.901 1.965 -195 -9,93 -64 -3,26 0,41 Jaguari 1.766 1.948 1.881 -115 -6,10 67 3,54 0,02 Jarí 1.675 1.810 2.351 -676 -28,77 -541 -23,03 0,10 Jóia 1.718 1.662 1.612 106 6,56 50 3,11 0,47 Júlio de Castilhos 1.832 1.866 2.150 -318 -14,78 -283 -13,18 0,33 Lagoa Bonita do Sul 1.836 2.311 2.887 -1.051 -36,40 -576 -19,96 0,03 Lagoa Dos Três Cantos 1.901 1.891 2.351 -450 -19,13 -461 -19,60 0,54 Continua
204
TABELA C.2 (Continuação) Lagoa Vermelha 1.891 2.179 2.530 -640 -25,29 -351 -13,88 0,17 Lajeado 1.776 1.831 1.911 -135 -7,05 -80 -4,16 0,02 Lajeado do Bugre 1.814 1.707 1.209 605 50,04 498 41,17 0,27 Liberato Salzano 1.545 1.894 1.411 134 9,52 484 34,28 0,08 Machadinho 1.838 2.021 2.015 -178 -8,83 5 0,27 0,14 Marau 1.777 2.039 2.687 -910 -33,87 -648 -24,12 0,34 Marcelino Ramos 1.822 2.316 806 1.016 125,97 1.510 187,33 0,00 Mariano Moro 1.802 1.858 970 832 85,74 888 91,51 0,00 Marques de Souza 1.738 2.276 2.015 -278 -13,78 261 12,94 0,02 Mata 1.584 1.987 941 643 68,39 1.047 111,31 0,00 Mato Castelhano 1.757 1.978 2.620 -863 -32,93 -642 -24,49 0,36 Mato Leitão 1.820 1.877 2.349 -529 -22,51 -472 -20,10 0,02 Mato Queimado 1.676 1.684 1.232 444 36,04 453 36,75 0,40 Maximiliano de Almeida 1.766 2.025 1.680 86 5,15 345 20,57 0,03 Miraguaí 1.691 1.668 941 750 79,76 727 77,30 0,18 Montauri 1.813 2.354 2.687 -874 -32,52 -333 -12,39 0,05 Monte Alegre dos Campos 2.157 2.224 2.351 -195 -8,27 -128 -5,43 0,00 Mormaço 1.930 2.040 2.015 -85 -4,21 25 1,22 0,37 Muçum 1.837 2.385 2.015 -178 -8,85 369 18,33 0,03 Muitos Capões 1.971 2.164 2.351 -380 -16,17 -187 -7,95 0,12 Muliterno 1.824 2.197 2.687 -863 -32,11 -490 -18,24 0,13 Não-Me-Toque 1.932 2.053 2.418 -487 -20,12 -366 -15,13 0,46 Nicolau Vergueiro 1.895 2.034 2.418 -523 -21,63 -384 -15,89 0,44 Nonoai 1.688 1.820 806 882 109,38 1.014 125,74 0,25 Nova Alvorada 1.841 2.392 2.687 -846 -31,48 -295 -10,99 0,05 Nova Bassano 1.844 2.270 2.687 -843 -31,37 -417 -15,53 0,00 Nova Boa Vista 1.638 1.786 2.418 -780 -32,26 -633 -26,17 0,42 Nova Candelária 1.595 1.826 1.397 198 14,19 428 30,67 0,21 Nova Esperança do Sul 1.731 1.894 1.881 -150 -7,97 13 0,68 0,11 Nova Palma 1.801 1.958 2.351 -551 -23,42 -393 -16,73 0,11 Nova Prata 1.996 2.444 2.687 -691 -25,71 -243 -9,05 0,02 Nova Ramada 1.718 1.774 1.747 -29 -1,65 27 1,56 0,59 Novo Barreiro 1.785 1.852 1.612 172 10,69 240 14,86 0,31 Novo Cabrais 1.768 1.902 2.015 -247 -12,26 -114 -5,64 0,12 Novo Machado 1.784 1.808 1.959 -175 -8,96 -151 -7,72 0,49 Novo Tiradentes 1.547 1.595 806 741 91,88 789 97,84 0,06 Novo Xingu 1.725 1.908 1.344 381 28,36 564 42,00 0,28 Paim Filho 1.759 2.154 2.351 -592 -25,19 -198 -8,40 0,05 Palmeira das Missões 1.829 1.880 1.814 15 0,85 66 3,66 0,57 Palmitinho 1.516 1.947 1.427 89 6,25 520 36,41 0,01 Panambi 1.832 1.881 2.284 -452 -19,79 -403 -17,65 0,46 Parai 1.827 1.884 1.959 -132 -6,74 -75 -3,84 0,00 Paraiso do Sul 1.730 1.784 2.351 -621 -26,42 -567 -24,13 0,01 Passa Sete 1.837 2.596 2.616 -779 -29,79 -20 -0,76 0,02 Passo do Sobrado 1.670 1.892 2.687 -1.017 -37,84 -795 -29,58 0,02 Passo Fundo 1.782 1.932 2.575 -793 -30,81 -643 -24,98 0,38 Paulo Bento 1.674 2.107 1.881 -207 -10,98 226 12,03 0,27 Pejuçara 1.876 1.869 2.015 -140 -6,94 -146 -7,24 0,63 Pinhal 1.579 1.628 1.176 403 34,27 452 38,44 0,07 Continua
205
TABELA C.2 (Continuação) Pinhal da Serra 1.995 2.121 2.015 -21 -1,04 106 5,26 0,04 Pinhal Grande 1.758 1.878 2.351 -593 -25,23 -473 -20,14 0,25 Pinheirinho do Vale 1.558 1.607 1.209 349 28,87 398 32,88 0,03 Pirapó 1.640 1.647 1.209 431 35,65 438 36,22 0,09 Planalto 1.530 1.930 672 859 127,80 1.258 187,22 0,03 Pontão 1.817 1.982 2.150 -333 -15,49 -167 -7,78 0,50 Ponte Preta 1.734 1.988 2.015 -282 -13,98 -28 -1,37 0,27 Porto Lucena 1.738 1.722 1.209 529 43,75 513 42,41 0,15 Porto Mauá 1.642 1.712 1.310 332 25,31 402 30,72 0,34 Porto Vera Cruz 1.684 1.736 1.209 474 39,24 527 43,56 0,05 Porto Xavier 1.575 1.624 1.008 568 56,34 617 61,20 0,03 Protásio Alves 1.986 2.441 2.015 -29 -1,44 425 21,11 0,02 Quatro Irmãos 1.747 1.941 2.351 -605 -25,72 -410 -17,44 0,35 Quevedos 1.736 1.800 2.351 -615 -26,15 -552 -23,46 0,13 Quinze de Novembro 1.829 1.916 2.284 -456 -19,94 -368 -16,10 0,42 Redentora 1.760 1.751 779 981 125,87 972 124,73 0,29 Relvado 1.812 1.868 1.919 -107 -5,59 -51 -2,66 0,00 Restinga Seca 1.562 1.705 2.351 -789 -33,57 -646 -27,49 0,06 Rio dos Índios 1.643 1.784 1.344 300 22,30 440 32,75 0,28 Roca Sales 1.818 2.108 2.351 -534 -22,70 -243 -10,35 0,03 Rodeio Bonito 2.322 2.322 1.344 978 72,80 978 72,80 0,11 Rolador 1.696 1.464 806 890 110,35 658 81,61 0,26 Ronda Alta 1.807 1.907 1.612 194 12,05 295 18,30 0,53 Rondinha 1.802 1.932 2.150 -348 -16,19 -217 -10,12 0,38 Roque Gonzales 1.569 1.575 1.209 360 29,75 365 30,22 0,15 Sagrada Família 1.768 1.917 1.680 88 5,25 237 14,13 0,19 Saldanha Marinho 1.852 1.861 1.176 677 57,56 686 58,31 0,56 Salto do Jacuí 1.762 1.814 2.015 -254 -12,59 -202 -10,01 0,39 Salvador das Missões 1.630 1.664 1.680 -50 -2,96 -15 -0,91 0,39 Sananduva 1.806 1.986 2.418 -612 -25,32 -432 -17,88 0,26 Santa Bárbara do Sul 1.840 1.839 2.351 -511 -21,73 -512 -21,77 0,58 Santa Cecília do Sul 1.861 2.110 2.217 -355 -16,03 -107 -4,82 0,32 Santa Clara do Sul 1.747 2.174 2.351 -604 -25,70 -177 -7,54 0,03 Santa Cruz do Sul 1.755 2.292 2.015 -261 -12,93 277 13,74 0,00 Santa Maria 1.518 1.709 2.687 -1.170 -43,53 -978 -36,40 0,05 Santa Rosa 1.810 1.769 1.646 164 9,99 123 7,45 0,46 Santiago 1.600 1.608 1.478 122 8,25 130 8,78 0,05 Santo Ângelo 1.650 1.709 1.881 -231 -12,27 -172 -9,12 0,44 Santo Antônio das Missões 1.661 1.496 806 855 106,03 690 85,56 0,09 Santo Antônio do Palma 1.886 2.213 2.351 -465 -19,78 -139 -5,89 0,09 Santo Antônio do Planalto 1.878 2.015 2.418 -540 -22,35 -403 -16,68 0,43 Santo Augusto 1.759 1.800 1.881 -122 -6,49 -81 -4,28 0,59 Santo Cristo 1.744 1.709 1.680 65 3,86 30 1,77 0,24 Santo Expedito do Sul 1.824 2.205 2.687 -863 -32,13 -482 -17,95 0,23 São Borja 1.521 1.341 806 715 88,65 535 66,33 0,11 São Domingos do Sul 1.779 2.289 2.687 -909 -33,81 -398 -14,81 0,03 São João da Urtiga 1.740 1.794 1.680 61 3,61 115 6,83 0,05 São João do Polêsine 1.643 1.695 2.351 -708 -30,10 -657 -27,93 0,02 São Jorge 1.770 2.425 3.023 -1.253 -41,44 -598 -19,79 0,03 Continua
206
TABELA C.2 (Continuação) São José das Missões 1.832 1.902 1.142 689 60,37 759 66,50 0,27 São José do Herval 1.819 1.875 2.351 -532 -22,64 -476 -20,24 0,00 São José do Inhacora 1.615 1.903 1.754 -139 -7,93 148 8,46 0,17 São José do Ouro 1.923 2.073 1.680 243 14,49 393 23,42 0,22 São Luiz Gonzaga 1.686 1.543 1.108 577 52,06 434 39,16 0,32 São Martinho 1.687 1.694 1.847 -161 -8,69 -154 -8,32 0,48 São Martinho da Serra 1.728 1.934 2.684 -956 -35,63 -750 -27,95 0,11 São Miguel das Missões 1.688 1.621 1.075 613 57,02 547 50,85 0,33 São Nicolau 1.592 1.504 1.209 383 31,66 295 24,40 0,14 São Paulo das Missões 1.574 1.700 1.344 230 17,11 357 26,55 0,14 São Pedro das Missões 1.820 1.877 1.142 678 59,37 734 64,31 0,47 São Pedro do Butiá 1.613 1.641 1.209 404 33,41 432 35,72 0,33 São Pedro do Sul 1.521 1.808 1.903 -382 -20,08 -96 -5,03 0,00 São Valentim 1.734 1.827 1.120 615 54,88 708 63,20 0,04 São Valentim do Sul 1.832 1.889 3.016 -1.184 -39,26 -1.127 -37,37 0,01 São Valério do Sul 1.678 1.751 1.680 -2 -0,12 71 4,23 0,44 São Vicente do Sul 1.467 1.770 2.015 -549 -27,22 -246 -12,18 0,01 Sarandi 1.766 1.979 2.351 -586 -24,90 -373 -15,84 0,40 Seberi 1.658 1.867 1.693 -35 -2,05 174 10,28 0,20 Sede Nova 1.674 1.682 2.015 -341 -16,94 -333 -16,54 0,57 Segredo 1.782 1.838 2.239 -457 -20,41 -402 -17,93 0,02 Selbach 1.850 1.890 2.598 -747 -28,77 -708 -27,26 0,55 Senador Salgado Filho 1.840 1.638 1.680 160 9,55 -41 -2,46 0,53 Serafina Corrêa 1.808 2.210 3.023 -1.215 -40,20 -813 -26,89 0,01 Sério 1.740 1.795 1.919 -179 -9,32 -125 -6,51 0,00 Sertão 1.812 1.895 2.239 -427 -19,06 -344 -15,37 0,46 Sete de Setembro 1.707 1.672 1.209 497 41,14 462 38,24 0,37 Severiano de Almeida 1.831 2.340 1.209 621 51,39 1.131 93,51 0,01 Silveira Martins 1.787 2.223 2.687 -900 -33,49 -464 -17,28 0,09 Sobradinho 1.782 1.837 2.519 -738 -29,27 -682 -27,08 0,03 Soledade 1.912 2.145 2.295 -383 -16,69 -150 -6,53 0,10 Tapejara 1.802 1.902 2.351 -549 -23,37 -449 -19,11 0,40 Tapera 1.914 1.917 2.822 -907 -32,16 -905 -32,06 0,53 Taquaruçú do Sul 1.633 1.767 1.176 457 38,89 591 50,30 0,10 Tenente Portela 1.632 1.642 1.552 81 5,19 90 5,78 0,28 Tio Hugo 1.945 1.996 2.463 -519 -21,06 -467 -18,97 0,39 Tiradentes do Sul 1.546 1.759 1.310 236 17,98 449 34,29 0,25 Toropí 1.660 1.979 1.680 -20 -1,16 300 17,85 0,01 Travesseiro 1.559 2.316 2.687 -1.128 -41,97 -372 -13,83 0,01 Três Arroios 1.677 2.250 1.814 -136 -7,52 436 24,04 0,01 Três de Maio 1.790 1.850 2.015 -225 -11,19 -165 -8,19 0,46 Três Palmeiras 1.783 1.795 1.075 708 65,87 720 67,01 0,27 Três Passos 1.607 1.767 1.456 152 10,42 312 21,42 0,22 Trindade do Sul 1.786 1.850 1.344 442 32,92 507 37,70 0,24 Tucunduva 1.810 1.903 2.015 -205 -10,17 -113 -5,59 0,52 Tunas 1.730 1.953 2.239 -509 -22,73 -286 -12,78 0,06 Tupanci do Sul 1.964 2.335 2.351 -387 -16,46 -17 -0,71 0,19 Tupanciretã 1.721 1.734 2.015 -295 -14,63 -281 -13,96 0,41 Tuparendi 1.702 1.737 1.680 22 1,32 57 3,41 0,40 Continua
207
TABELA C.2 (Conclusão) Ubiretama 1.777 1.692 1.162 615 52,88 529 45,55 0,40 União da Serra 1.824 2.437 2.015 -191 -9,49 422 20,92 0,00 Vacaria 2.065 2.190 2.127 -62 -2,94 62 2,92 0,07 Vale do Sol 1.701 1.754 2.463 -762 -30,94 -709 -28,79 0,00 Vale Verde 1.764 2.021 2.015 -252 -12,50 6 0,29 0,01 Vanini 1.753 2.366 2.799 -1.046 -37,38 -433 -15,46 0,05 Venâncio Aires 1.581 1.994 2.015 -434 -21,55 -22 -1,08 0,00 Veranópolis 1.997 2.561 2.239 -243 -10,83 322 14,37 0,00 Vespasiano Corrêa 1.837 2.375 2.015 -178 -8,83 359 17,82 0,06 Viadutos 1.832 2.213 1.680 153 9,11 533 31,76 0,02 Vicente Dutra 1.456 1.720 941 516 54,82 779 82,83 0,04 Victor Graeff 1.932 1.969 2.508 -576 -22,98 -539 -21,50 0,54 Vila Flores 1.871 2.349 3.359 -1.488 -44,29 -1.010 -30,07 0,01 Vila Langarô 1.708 1.837 1.680 28 1,69 157 9,35 0,39 Vila Maria 1.832 2.094 2.687 -856 -31,84 -593 -22,06 0,21 Vista Alegre 1.613 1.893 1.451 162 11,15 441 30,43 0,08 Vista Alegre do Prata 1.866 1.923 2.687 -822 -30,58 -764 -28,42 0,00 Vista Gaúcha 1.538 1.650 1.464 73 5,00 185 12,66 0,23 Vitória das Missões 1.647 1.559 840 807 96,13 719 85,62 0,31
208
TABELA C.3 - Produtividade Estimada pelos Modelos Agrometeorológico (MA) e Agrometeorológico-espectral (MAE) em Comparação à Estimada pelo LSPA e Corrigida em Função da Área Plantada, para a Cultura da Soja no Rio Grande do Sul, Ano-safra 2002/03.
Município MA (kg ha-1)
MAE (kg ha-1)
LSPA (kg ha-1)
MA - LSPA
(kg ha-1)
MA - LSPA
(%)
MAE - LSPA
(kg ha-1)
MAE - LSPA (%)
% Soja
Água Santa 2.830 2.963 3.085 -255 -8,27 -123 -3,97 0,35 Ajuricaba 2.638 2.608 3.085 -447 -14,50 -477 -15,47 0,59 Alecrim 2.323 2.571 1.983 339 17,11 588 29,64 0,10 Alegria 2.405 2.471 2.699 -295 -10,91 -228 -8,45 0,35 Almirante Tamandaré do Sul 2.619 2.768 3.471 -852 -24,55 -703 -20,25 0,41 Alpestre 2.326 2.341 2.699 -374 -13,84 -359 -13,29 0,01 Alto Alegre 2.731 2.727 3.085 -355 -11,49 -358 -11,61 0,52 Ametista do Sul 2.325 2.340 1.620 705 43,54 720 44,46 0,00 André da Rocha 2.886 3.041 2.931 -45 -1,53 110 3,75 0,06 Anta Gorda 2.304 2.494 2.198 106 4,83 296 13,48 0,00 Aratiba 2.242 2.640 2.314 -72 -3,10 326 14,10 0,00 Arroio do Meio 2.494 2.550 2.699 -205 -7,60 -150 -5,54 0,06 Arroio do Tigre 2.566 2.994 3.471 -905 -26,08 -477 -13,74 0,04 Arvorezinha 2.730 3.167 2.314 416 18,00 853 36,86 0,00 Augusto Pestana 2.661 2.577 2.699 -39 -1,43 -122 -4,52 0,55 Áurea 2.325 2.488 3.085 -760 -24,63 -597 -19,36 0,22 Barão de Cotegipe 2.303 2.317 3.085 -782 -25,36 -768 -24,88 0,06 Barra do Guarita 2.237 2.557 2.468 -231 -9,37 89 3,59 0,21 Barra do Rio Azul 2.249 2.703 3.085 -836 -27,09 -382 -12,38 0,00 Barra Funda 2.348 2.330 3.085 -737 -23,88 -755 -24,49 0,42 Barracão 2.764 2.850 3.085 -321 -10,40 -235 -7,61 0,13 Barros Cassal 2.655 2.672 2.957 -301 -10,19 -284 -9,62 0,01 Benjamin Constant do Sul 2.195 2.781 2.622 -427 -16,28 158 6,03 0,01 Boa Vista das Missões 2.591 2.583 3.856 -1.265 -32,81 -1.274 -33,03 0,55 Boa Vista do Buricá 2.285 2.537 2.622 -338 -12,88 -86 -3,27 0,17 Boa Vista do Cadeado 2.753 2.701 3.008 -255 -8,47 -307 -10,20 0,56 Boa Vista do Incra 2.513 2.508 2.699 -187 -6,92 -191 -7,08 0,50 Bom Progresso 2.777 2.682 3.085 -308 -9,99 -403 -13,06 0,37 Bossoroca 2.634 2.667 2.314 320 13,82 353 15,26 0,16 Bozano 2.712 2.687 2.699 13 0,48 -13 -0,47 0,67 Braga 2.761 2.669 2.314 447 19,31 355 15,35 0,42 Cacique Doble 2.353 2.587 2.931 -578 -19,73 -344 -11,74 0,16 Caibaté 2.775 2.795 2.314 461 19,94 481 20,80 0,35 Caiçara 2.334 2.746 2.314 20 0,86 432 18,68 0,05 Camargo 2.610 2.784 3.085 -475 -15,39 -301 -9,75 0,20 Campestre da Serra 2.863 3.166 3.471 -608 -17,51 -304 -8,77 0,02 Campina das Missões 2.295 2.442 2.314 -19 -0,83 128 5,55 0,22 Campinas do Sul 2.756 2.685 3.856 -1.101 -28,54 -1.172 -30,38 0,40 Campo Novo 2.777 2.755 2.699 77 2,86 55 2,06 0,55 Campos Borges 2.726 2.897 3.085 -359 -11,63 -188 -6,09 0,25 Continua
209
TABELA C.3 (Continuação) Candelária 2.270 2.399 2.314 -44 -1,89 85 3,69 0,08 Candido Godói 2.587 2.561 2.699 -112 -4,16 -138 -5,11 0,39 Capão Bonito do Sul 2.836 2.912 2.699 136 5,05 212 7,86 0,20 Capão do Cipó 2.489 2.537 2.314 175 7,56 224 9,66 0,24 Carazinho 2.792 2.879 3.085 -293 -9,50 -206 -6,67 0,44 Carlos Gomes 2.299 2.314 2.699 -400 -14,83 -386 -14,29 0,02 Casca 2.427 2.768 3.471 -1.044 -30,07 -703 -20,24 0,08 Caseiros 2.803 3.033 3.085 -282 -9,13 -53 -1,70 0,19 Catuípe 2.656 2.678 2.699 -44 -1,62 -21 -0,78 0,60 Centenário 2.512 2.702 3.471 -959 -27,63 -769 -22,15 0,14 Cerro Grande 2.502 2.518 2.699 -198 -7,32 -182 -6,73 0,11 Cerro Largo 2.592 2.581 3.085 -493 -15,97 -504 -16,35 0,24 Chapada 2.655 2.680 2.699 -45 -1,66 -19 -0,72 0,48 Charrua 2.220 2.451 3.085 -866 -28,06 -634 -20,56 0,24 Chiapeta 2.552 2.627 2.314 238 10,27 314 13,56 0,56 Ciríaco 2.740 2.942 3.471 -731 -21,05 -528 -15,22 0,18 Colinas 2.559 2.755 2.160 399 18,50 595 27,56 0,07 Colorado 2.659 2.671 3.085 -426 -13,81 -414 -13,41 0,54 Condor 2.711 2.736 3.085 -374 -12,11 -349 -11,32 0,55 Constantina 2.615 2.580 3.085 -471 -15,25 -505 -16,38 0,30 Coqueiros do Sul 2.833 2.921 3.085 -252 -8,17 -164 -5,32 0,39 Coronel Barros 2.780 2.674 2.777 3 0,11 -103 -3,70 0,55 Coronel Bicaco 2.860 2.824 2.699 160 5,93 124 4,60 0,59 Cotiporã 2.851 3.186 3.085 -234 -7,59 101 3,28 0,00 Coxilha 2.803 2.890 3.085 -282 -9,14 -195 -6,32 0,47 Crissiumal 2.324 2.500 2.699 -376 -13,92 -199 -7,38 0,24 Cristal do Sul 2.331 2.452 3.085 -754 -24,44 -633 -20,52 0,13 Cruz Alta 2.653 2.616 3.471 -818 -23,57 -855 -24,63 0,53 Cruzaltense 2.680 2.686 3.085 -405 -13,14 -399 -12,92 0,38 Cruzeiro do Sul 2.818 3.171 3.471 -653 -18,81 -299 -8,63 0,04 David Canabarro 2.404 2.624 3.342 -939 -28,08 -718 -21,50 0,07 Derrubadas 2.257 2.380 3.214 -957 -29,77 -834 -25,94 0,23 Dezesseis de Novembro 2.248 2.262 1.774 474 26,71 488 27,52 0,02 Dilermando de Aguiar 1.813 1.955 2.160 -347 -16,06 -205 -9,47 0,04 Dois Irmãos das Missões 2.784 2.817 2.699 84 3,11 118 4,37 0,56 Dona Francisca 2.594 3.157 2.828 -234 -8,29 329 11,62 0,00 Doutor Mauricio Cardoso 2.465 2.434 2.699 -234 -8,67 -265 -9,82 0,52 Doutor Ricardo 2.316 2.331 2.699 -383 -14,20 -369 -13,66 0,00 Encantado 2.324 2.371 2.314 10 0,44 57 2,47 0,01 Engenho Velho 2.797 2.750 2.957 -160 -5,41 -207 -6,99 0,37 Entre Rios do Sul 2.765 2.988 3.471 -705 -20,32 -482 -13,90 0,23 Entre-Ijuís 2.757 2.716 2.545 212 8,32 171 6,71 0,46 Erebango 2.591 2.690 3.085 -495 -16,03 -395 -12,81 0,43 Erechim 2.603 2.638 3.342 -739 -22,12 -704 -21,08 0,18 Ernestina 2.871 2.888 3.085 -214 -6,94 -197 -6,39 0,49 Erval Grande 2.204 2.626 2.699 -496 -18,36 -74 -2,73 0,04 Erval Seco 2.660 2.613 2.699 -39 -1,45 -86 -3,19 0,23 Esmeralda 2.898 3.025 3.085 -187 -6,06 -60 -1,96 0,04 Esperança do Sul 2.271 2.475 2.571 -300 -11,66 -96 -3,74 0,27 Continua
210
TABELA C.3 (Continuação) Espumoso 2.722 2.744 3.085 -363 -11,78 -341 -11,05 0,36 Estação 2.571 2.688 3.085 -514 -16,67 -398 -12,89 0,38 Estrela 2.173 2.440 3.085 -912 -29,56 -645 -20,91 0,03 Estrela Velha 2.666 2.729 3.085 -419 -13,59 -356 -11,54 0,34 Eugênio de Castro 2.788 2.794 2.699 89 3,28 94 3,49 0,48 Fagundes Varela 2.556 2.572 3.085 -529 -17,16 -513 -16,63 0,01 Faxinal do Soturno 2.035 2.048 2.314 -278 -12,03 -265 -11,47 0,02 Faxinalzinho 2.247 2.617 3.085 -838 -27,18 -468 -15,18 0,28 Fazenda Vila Nova 2.895 2.923 2.699 195 7,23 224 8,30 0,03 Floriano Peixoto 2.227 2.428 3.085 -858 -27,82 -657 -21,30 0,14 Fontoura Xavier 2.711 3.118 2.828 -117 -4,14 290 10,25 0,00 Forquetinha 2.274 2.289 2.314 -40 -1,71 -25 -1,09 0,00 Fortaleza dos Valos 2.486 2.498 2.699 -214 -7,92 -202 -7,48 0,44 Frederico Westphalen 2.246 2.597 2.314 -68 -2,92 283 12,23 0,09 Garruchos 2.657 2.749 2.571 86 3,34 178 6,92 0,09 Gaurama 2.228 2.457 3.085 -857 -27,78 -629 -20,37 0,11 Gentil 2.872 2.961 3.471 -598 -17,24 -510 -14,70 0,29 Getúlio Vargas 2.473 2.562 3.085 -612 -19,84 -523 -16,96 0,38 Giruá 2.759 2.710 2.571 188 7,32 139 5,40 0,58 Gramado dos Loureiros 2.902 2.940 2.699 203 7,51 241 8,93 0,22 Guabijú 2.857 3.028 3.085 -228 -7,39 -57 -1,84 0,05 Guaporé 2.350 2.365 3.085 -735 -23,83 -720 -23,35 0,00 Guarani das Missões 2.537 2.534 2.314 223 9,64 220 9,52 0,35 Horizontina 2.674 2.623 2.690 -17 -0,61 -68 -2,51 0,39 Humaitá 2.678 2.571 3.085 -407 -13,20 -514 -16,66 0,46 Ibiaçá 2.670 2.816 2.896 -226 -7,79 -80 -2,76 0,42 Ibiraiaras 2.876 3.287 3.471 -595 -17,14 -184 -5,31 0,13 Ibirapuitã 2.834 3.011 2.699 135 5,00 311 11,53 0,27 Ibirubá 2.604 2.563 3.085 -481 -15,60 -522 -16,92 0,56 Ijuí 2.772 2.699 3.085 -313 -10,16 -386 -12,52 0,51 Independência 2.681 2.624 2.699 -19 -0,70 -76 -2,81 0,50 Inhacorã 2.411 2.477 2.699 -288 -10,68 -222 -8,23 0,60 Ipê 2.456 2.818 2.314 143 6,16 505 21,81 0,01 Ipiranga do Sul 2.641 2.677 3.471 -830 -23,92 -793 -22,86 0,44 Irai 2.237 2.720 2.777 -539 -19,42 -56 -2,03 0,04 Itaara 2.501 3.043 3.625 -1.124 -31,00 -582 -16,07 0,09 Itacurubi 2.504 2.711 2.160 344 15,95 551 25,53 0,02 Itapuca 2.523 2.539 2.314 209 9,05 225 9,74 0,00 Itatiba do Sul 2.931 2.860 3.085 -154 -4,98 -226 -7,31 0,00 Ivorá 2.531 2.672 3.085 -555 -17,98 -413 -13,40 0,08 Jaboticaba 2.732 2.750 3.239 -507 -15,65 -489 -15,10 0,17 Jacuizinho 2.706 2.720 2.699 6 0,22 21 0,76 0,25 Jacutinga 2.745 2.708 3.471 -726 -20,91 -763 -21,98 0,41 Jaguari 2.831 2.923 2.160 671 31,08 764 35,36 0,02 Jarí 2.203 2.345 2.699 -497 -18,40 -355 -13,15 0,10 Jóia 2.633 2.707 2.699 -66 -2,45 7 0,26 0,47 Júlio de Castilhos 2.479 2.559 3.085 -606 -19,65 -526 -17,04 0,33 Lagoa Bonita do Sul 2.611 3.312 3.316 -705 -21,27 -4 -0,13 0,03 Lagoa Dos Três Cantos 2.756 2.768 3.471 -715 -20,60 -702 -20,24 0,54 Continua
211
TABELA C.3 (Continuação) Lagoa Vermelha 2.857 3.056 3.239 -382 -11,79 -183 -5,66 0,17 Lajeado 2.557 2.573 2.699 -142 -5,27 -126 -4,67 0,02 Lajeado do Bugre 2.770 2.686 2.314 457 19,73 372 16,08 0,27 Liberato Salzano 2.314 2.493 2.699 -385 -14,27 -206 -7,64 0,08 Machadinho 2.634 2.899 3.085 -451 -14,63 -186 -6,02 0,14 Marau 2.817 2.932 3.085 -268 -8,70 -153 -4,95 0,34 Marcelino Ramos 2.239 2.804 2.314 -75 -3,23 490 21,19 0,00 Mariano Moro 2.262 2.276 1.543 719 46,61 733 47,54 0,00 Marques de Souza 2.290 2.484 2.314 -24 -1,05 170 7,34 0,02 Mata 2.135 2.646 1.928 207 10,74 717 37,21 0,00 Mato Castelhano 2.869 2.972 3.008 -139 -4,61 -36 -1,20 0,36 Mato Leitão 2.714 2.732 2.699 15 0,55 32 1,19 0,02 Mato Queimado 2.769 2.782 2.571 198 7,71 211 8,20 0,40 Maximiliano de Almeida 2.242 2.671 3.085 -844 -27,34 -414 -13,43 0,03 Miraguaí 2.784 2.648 2.314 470 20,33 334 14,42 0,18 Montauri 2.216 2.619 3.085 -869 -28,16 -466 -15,10 0,05 Monte Alegre dos Campos 2.691 2.708 2.699 -9 -0,33 8 0,31 0,00 Mormaço 2.777 2.868 3.085 -308 -9,97 -217 -7,02 0,37 Muçum 2.307 2.974 2.314 -7 -0,28 660 28,53 0,03 Muitos Capões 2.864 2.856 3.085 -222 -7,18 -229 -7,41 0,12 Muliterno 2.773 3.015 3.085 -312 -10,12 -70 -2,28 0,13 Não-Me-Toque 2.764 2.798 3.471 -706 -20,36 -673 -19,39 0,46 Nicolau Vergueiro 2.873 2.899 3.239 -367 -11,32 -340 -10,50 0,44 Nonoai 2.707 2.954 3.085 -378 -12,24 -131 -4,24 0,25 Nova Alvorada 2.266 2.709 3.085 -819 -26,55 -376 -12,19 0,05 Nova Bassano 2.469 2.749 3.085 -616 -19,97 -336 -10,88 0,00 Nova Boa Vista 2.245 2.299 3.085 -840 -27,22 -786 -25,48 0,42 Nova Candelária 2.285 2.447 2.468 -183 -7,43 -21 -0,86 0,21 Nova Esperança do Sul 2.597 2.775 2.699 -102 -3,78 75 2,79 0,11 Nova Palma 2.579 2.756 2.699 -121 -4,48 57 2,10 0,11 Nova Prata 2.858 3.098 3.085 -227 -7,36 13 0,43 0,02 Nova Ramada 2.643 2.661 3.085 -442 -14,33 -424 -13,74 0,59 Novo Barreiro 2.662 2.627 2.699 -38 -1,40 -73 -2,69 0,31 Novo Cabrais 2.470 2.464 2.699 -229 -8,50 -235 -8,71 0,12 Novo Machado 2.640 2.563 3.239 -599 -18,51 -677 -20,89 0,49 Novo Tiradentes 2.317 2.332 2.699 -382 -14,15 -367 -13,61 0,06 Novo Xingu 2.405 2.609 2.828 -423 -14,97 -219 -7,75 0,28 Paim Filho 2.249 2.835 3.085 -836 -27,09 -250 -8,09 0,05 Palmeira das Missões 2.784 2.817 2.699 85 3,13 117 4,34 0,57 Palmitinho 2.233 2.720 1.928 305 15,80 792 41,06 0,01 Panambi 2.678 2.725 3.085 -408 -13,21 -360 -11,68 0,46 Parai 2.288 2.303 2.314 -26 -1,12 -11 -0,49 0,00 Paraiso do Sul 2.298 2.313 2.699 -401 -14,86 -387 -14,32 0,01 Passa Sete 2.624 3.264 3.004 -381 -12,67 259 8,64 0,02 Passo do Sobrado 2.752 2.766 3.085 -333 -10,79 -319 -10,33 0,02 Passo Fundo 2.856 2.913 3.342 -486 -14,55 -429 -12,85 0,38 Paulo Bento 2.747 2.822 3.085 -338 -10,94 -263 -8,53 0,27 Pejuçara 2.908 2.900 2.699 209 7,74 200 7,42 0,63 Pinhal 2.465 2.481 2.699 -234 -8,68 -219 -8,10 0,07 Continua
212
TABELA C.3 (Continuação) Pinhal da Serra 2.801 3.167 2.571 230 8,96 596 23,17 0,04 Pinhal Grande 2.376 2.511 2.699 -324 -11,98 -189 -6,99 0,25 Pinheirinho do Vale 2.254 2.268 2.314 -60 -2,58 -45 -1,96 0,03 Pirapó 2.716 2.879 2.082 633 30,40 797 38,26 0,09 Planalto 2.327 2.731 2.314 13 0,57 417 18,03 0,03 Pontão 2.822 2.851 3.471 -649 -18,69 -619 -17,85 0,50 Ponte Preta 2.253 2.364 2.571 -318 -12,36 -207 -8,04 0,27 Porto Lucena 2.678 2.675 1.928 750 38,91 747 38,73 0,15 Porto Mauá 2.335 2.416 2.507 -171 -6,83 -90 -3,60 0,34 Porto Vera Cruz 2.324 2.339 2.784 -460 -16,54 -446 -16,01 0,05 Porto Xavier 2.239 2.254 1.928 311 16,13 325 16,87 0,03 Protásio Alves 2.854 3.062 2.314 541 23,36 749 32,35 0,02 Quatro Irmãos 2.601 2.644 3.085 -484 -15,68 -441 -14,30 0,35 Quevedos 2.466 2.604 2.699 -234 -8,65 -95 -3,53 0,13 Quinze de Novembro 2.654 2.625 2.622 32 1,21 2 0,08 0,42 Redentora 2.858 2.804 2.699 158 5,85 105 3,89 0,29 Relvado 2.332 2.346 2.314 18 0,76 33 1,41 0,00 Restinga Seca 1.736 1.843 2.699 -963 -35,69 -856 -31,72 0,06 Rio dos Índios 2.628 2.773 3.085 -457 -14,81 -312 -10,11 0,28 Roca Sales 2.310 2.531 2.699 -390 -14,43 -168 -6,24 0,03 Rodeio Bonito 2.330 2.479 3.085 -755 -24,48 -606 -19,63 0,11 Rolador 2.655 2.650 2.314 341 14,73 336 14,51 0,26 Ronda Alta 2.755 2.620 3.085 -330 -10,71 -465 -15,06 0,53 Rondinha 2.690 2.628 3.085 -395 -12,80 -457 -14,83 0,38 Roque Gonzales 2.391 2.496 2.314 77 3,33 182 7,86 0,15 Sagrada Família 2.496 2.557 2.699 -204 -7,55 -143 -5,29 0,19 Saldanha Marinho 2.697 2.774 3.008 -311 -10,35 -234 -7,78 0,56 Salto do Jacuí 2.485 2.562 2690 -205 -7,62 -128 -4,75 0,39 Salvador das Missões 2.645 2.642 3.085 -440 -14,28 -443 -14,36 0,39 Sananduva 2.642 2.856 3.471 -829 -23,88 -615 -17,72 0,26 Santa Bárbara do Sul 2.670 2.703 3.085 -415 -13,46 -382 -12,39 0,58 Santa Cecília do Sul 2.811 3.000 2.699 112 4,15 300 11,12 0,32 Santa Clara do Sul 2.300 2.641 2.699 -399 -14,78 -58 -2,15 0,03 Santa Cruz do Sul 2.267 2.764 2.699 -432 -16,01 64 2,39 0,00 Santa Maria 2.007 2.177 3.085 -1.079 -34,96 -908 -29,42 0,05 Santa Rosa 2.721 2.682 3.085 -364 -11,79 -403 -13,08 0,46 Santiago 2.191 2.287 2.622 -432 -16,47 -335 -12,78 0,05 Santo Ângelo 2.694 2.666 2.699 -6 -0,21 -33 -1,23 0,44 Santo Antônio das Missões 2.661 2.697 2.622 38 1,46 74 2,84 0,09 Santo Antônio do Palma 2.775 2.944 2.699 75 2,79 245 9,07 0,09 Santo Antônio do Planalto 2.881 2.942 3.085 -204 -6,62 -143 -4,64 0,43 Santo Augusto 2.863 2.819 3.085 -222 -7,19 -266 -8,63 0,59 Santo Cristo 2.579 2.562 2.699 -120 -4,45 -138 -5,10 0,24 Santo Expedito do Sul 2.686 2.959 3.085 -399 -12,94 -126 -4,08 0,23 São Borja 2.562 2.350 2.699 -137 -5,08 -349 -12,93 0,11 São Domingos do Sul 2.249 2.709 3.085 -836 -27,11 -376 -12,20 0,03 São João da Urtiga 2.249 2.263 2.699 -451 -16,69 -436 -16,16 0,05 São João do Polêsine 1.897 1.909 2.699 -802 -29,72 -790 -29,27 0,02 São Jorge 2.331 2.854 3.471 -1.139 -32,82 -616 -17,76 0,03 Continua
213
TABELA C.3 (Continuação) São José das Missões 2.869 2.818 2.699 170 6,29 119 4,40 0,27 São José do Herval 2.571 2.587 2.699 -129 -4,76 -112 -4,15 0,00 São José do Inhacora 2.277 2.537 2.189 88 4,03 348 15,90 0,17 São José do Ouro 2.768 3.004 3.085 -317 -10,28 -81 -2,64 0,22 São Luiz Gonzaga 2.650 2.693 2.314 336 14,52 379 16,39 0,32 São Martinho 2.563 2.499 3.085 -522 -16,92 -586 -18,99 0,48 São Martinho da Serra 2.449 2.566 3.471 -1.022 -29,45 -905 -26,08 0,11 São Miguel das Missões 2.677 2.733 2.468 209 8,46 265 10,74 0,33 São Nicolau 2.547 2.584 2.314 233 10,06 271 11,70 0,14 São Paulo das Missões 2.197 2.441 1.928 269 13,96 513 26,61 0,14 São Pedro das Missões 2.770 2.690 2.699 70 2,61 -9 -0,34 0,47 São Pedro do Butiá 2.585 2.634 2.699 -114 -4,23 -66 -2,44 0,33 São Pedro do Sul 2.038 2.393 2.185 -147 -6,73 208 9,51 0,00 São Valentim 1.734 1.734 3.085 -1.351 -43,79 -1.351 -43,79 0,04 São Valentim do Sul 2.318 2.333 3.471 -1.153 -33,21 -1.138 -32,79 0,01 São Valério do Sul 2.519 2.581 2.699 -181 -6,70 -118 -4,39 0,44 São Vicente do Sul 1.810 2.250 2.314 -504 -21,78 -64 -2,76 0,01 Sarandi 2.609 2.689 2.699 -91 -3,36 -11 -0,40 0,40 Seberi 2.802 2.816 3.471 -669 -19,27 -655 -18,86 0,20 Sede Nova 2.539 2.499 3.085 -546 -17,70 -586 -18,99 0,57 Segredo 2.413 2.429 2.571 -158 -6,13 -142 -5,53 0,02 Selbach 2.697 2.597 2.982 -285 -9,55 -385 -12,92 0,55 Senador Salgado Filho 2.741 2.631 2.699 41 1,53 -69 -2,54 0,53 Serafina Corrêa 2.187 2.500 3.471 -1.283 -36,98 -971 -27,97 0,01 Sério 2.282 2.296 2.314 -32 -1,38 -17 -0,76 0,00 Sertão 2.791 2.840 3.085 -294 -9,52 -245 -7,93 0,46 Sete de Setembro 2.519 2.499 2.314 205 8,86 185 8,01 0,37 Severiano de Almeida 2.241 2.803 2.314 -73 -3,16 489 21,14 0,01 Silveira Martins 2.463 2.844 3.085 -622 -20,15 -241 -7,81 0,09 Sobradinho 2.371 2.387 3.085 -714 -23,13 -699 -22,64 0,03 Soledade 2.714 2.905 3.085 -371 -12,02 -180 -5,84 0,10 Tapejara 2.610 2.735 3.471 -861 -24,81 -735 -21,19 0,40 Tapera 2.743 2.722 3.471 -728 -20,97 -748 -21,56 0,53 Taquaruçú do Sul 2.822 2.804 2.854 -32 -1,10 -50 -1,75 0,10 Tenente Portela 2.579 2.599 2.699 -121 -4,48 -101 -3,73 0,28 Tio Hugo 2.798 2.802 3.214 -416 -12,94 -412 -12,81 0,39 Tiradentes do Sul 2.270 2.475 2.314 -44 -1,90 161 6,97 0,25 Toropí 2.206 2.521 2.699 -493 -18,27 -178 -6,61 0,01 Travesseiro 1.920 2.437 2.468 -548 -22,21 -31 -1,26 0,01 Três Arroios 2.231 2.776 2.314 -83 -3,58 462 19,96 0,01 Três de Maio 2.686 2.656 3.085 -399 -12,93 -429 -13,92 0,46 Três Palmeiras 2.839 2.796 3.471 -632 -18,20 -674 -19,43 0,27 Três Passos 2.464 2.530 2.699 -235 -8,72 -170 -6,29 0,22 Trindade do Sul 2.893 2.959 3.085 -192 -6,24 -126 -4,08 0,24 Tucunduva 2.719 2.641 2.468 251 10,17 173 7,00 0,52 Tunas 2.488 2.627 2.699 -212 -7,84 -72 -2,68 0,06 Tupanci do Sul 2.797 2.915 3.085 -288 -9,35 -170 -5,51 0,19 Tupanciretã 2.498 2.532 3.471 -973 -28,03 -939 -27,04 0,41 Tuparendi 2.472 2.498 2.699 -228 -8,44 -201 -7,46 0,40 Continua
214
TABELA C.3 (Conclusão) Ubiretama 2.626 2.520 2.314 313 13,51 206 8,92 0,40 União da Serra 2.211 2.574 2.314 -103 -4,45 260 11,25 0,00 Vacaria 2.919 2.924 3.085 -166 -5,37 -161 -5,22 0,07 Vale do Sol 2.154 2.168 2.828 -674 -23,83 -660 -23,34 0,00 Vale Verde 2.823 2.801 2.571 252 9,82 230 8,94 0,01 Vanini 2.268 2.795 3.342 -1.075 -32,16 -547 -16,36 0,05 Venâncio Aires 1.943 1.975 2.314 -371 -16,04 -339 -14,63 0,00 Veranópolis 2.851 3.141 2.571 280 10,90 570 22,16 0,00 Vespasiano Corrêa 2.301 2.687 3.085 -784 -25,43 -398 -12,89 0,06 Viadutos 2.335 2.784 3.085 -750 -24,31 -301 -9,75 0,02 Vicente Dutra 2.236 2.539 2.314 -77 -3,34 225 9,73 0,04 Victor Graeff 2.804 2.800 3.471 -666 -19,20 -671 -19,34 0,54 Vila Flores 2.584 2.910 3.085 -501 -16,24 -175 -5,68 0,01 Vila Langarô 2.435 2.577 3.085 -650 -21,07 -508 -16,47 0,39 Vila Maria 2.449 2.664 3.085 -636 -20,63 -421 -13,64 0,21 Vista Alegre 2.949 3.040 2.854 95 3,32 186 6,52 0,08 Vista Alegre do Prata 2.536 2.552 3.085 -549 -17,80 -533 -17,28 0,00 Vista Gaúcha 2.238 2.376 3.085 -847 -27,45 -709 -22,98 0,23 Vitória das Missões 2.747 2.736 2.314 434 18,74 422 18,24 0,31