GEOPROCESSAMENTO APLICADO A AGROMETEOROLOGIA E ECOLOGIA DE ... · O grupo de pesquisa conta com...
Transcript of GEOPROCESSAMENTO APLICADO A AGROMETEOROLOGIA E ECOLOGIA DE ... · O grupo de pesquisa conta com...
UNIVERSIDADE FEDERAL DE SANTA MARIA
COLÉGIO POLITÉCNICO DA UFSM
CURSO TÉCNICO EM GEOPROCESSAMENTO
GEOPROCESSAMENTO APLICADO A
AGROMETEOROLOGIA E ECOLOGIA DE
CULTIVOS
RELATÓRIO DE ESTÁGIO
José Eduardo Minussi Winck
Santa Maria/RS,
Julho de 2015
GEOPROCESSAMENTO APLICADO A
AGROMETEOROLOGIA E ECOLOGIA DE CULTIVOS
José Eduardo Minussi Winck
Relatório apresentado ao Curso Técnico em Geoprocessamento do Colégio
Politécnico da UFSM, como requisito para obtenção do título de Técnico em
Geoprocessamento
Orientador: Prof. Dr. Alessandro Miola
Supervisora: Prof. Drª. Isabel Lago
Santa Maria, RS
2015
Universidade Federal de Santa Maria
Colégio Politécnico da UFSM
Curso Técnico em Geoprocessamento
A Comissão examinadora, abaixo assinada,
aprova o Relatório de Estágio
GEOPROCESSAMENTO APLICADO A
AGROMETEOROLOGIA E ECOLOGIA DE CULTIVOS
ELABORADO POR
JOSÉ EDUARDO MINUSSI WINCK
COMISSÃO EXAMINADORA:
Prof. Dr. Alessandro Carvalho Miola
(Presidente/Orientador)
Profª. Drª. Ana Caroline Benedetti
Eng. Agr. Thiago Schmitz Marques da Rocha
Santa Maria, RS
Julho de 2015
AGRADECIMENTOS
Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq),
Ministério da Ciência, Tecnologia e Inovação, pelo financiamento de experimentos com a
cultura da soja, através da Chamada Pública Universal 2012 – Processo n 471860/2012-3.
APRESENTAÇÃO
O Estágio Supervisionado em Geoprocessamento foi executado pelo acadêmico José Eduardo
Minussi Winck, acadêmico do último semestre do Curso Técnico em Geoprocessamento do
Colégio Politécnico da Universidade Federal de Santa Maria, RS. O acadêmico atuou como
bolsista de Apoio Técnico no Grupo de Agroclimatologia do Departamento de
Fitotecnia/CCR/UFSM, coordenado pelo Professor Nereu Augusto Streck, desde agosto de
2010 e é acadêmico do último semestre do Curso de Agronomia da UFSM. A disciplina
CPTCE046 – Estágio Supervisionado foi realizada no Setor de Agrometeorologia e Ecologia
de Cultivos pertencente ao Departamento de Fitotecnia, no Centro de Ciências Rurais da
Universidade Federal de Santa Maria, sob supervisão da professora Professora Drª Isabel
Lago. O período de atividades desenvolvidas no departamento iniciou em 09 de março de
2015 e terminou no dia 03 de julho de 2015, totalizando uma carga horária de 300 horas.
RESUMO
Relatório de Estágio Supervisionado em Geoprocessamento
Curso Técnico em Geoprocessamento
Colégio Politécnico da UFSM
GEOPROCESSAMENTO APLICADO A AGROMETEOROLOGIA E
ECOLOGIA DE CULTIVOS
Autor: José Eduardo Minussi Winck
Orientador: Alessandro Carvalho Miola
Local e data da defesa: Santa Maria/RS, 03 de julho de 2015
No relatório de estágio estão descritas as principais atividades desenvolvidas no Estágio
Supervisionado em Geoprocessamento, realizado no Departamento de Fitotecnia da
Universidade Federal de Santa Maria, estado do Rio Grande do Sul, durante o período de 09
de março de 2015 até 03 de julho de 2015. As atividades desenvolvidas durante este período
compreenderam a comparação de diferentes métodos de interpolação pelo software ArcGIS
10.2 para dados de precipitação no estado do Rio Grande do Sul, a elaboração de mapas de
produtividade de milho e precipitação acumulada durante dez safras agrícolas no Rio Grande
do Sul e a avaliação da relação do NDVI (Índice de Vegetação por Diferença Normalizada) de
imagens de satélite com o Índice de Área Foliar (IAF) de três lavouras de soja em dois anos
agrícolas. A realização do estágio possibilitou um grande ganho de conhecimento técnico
através da exploração da capacidade dos dados para gerar informações por meio de análises
espaciais interativas.
LISTA DE FIGURAS
Figura 1. Fachada do Departamento de Fitotecnia da UFSM...................................... 09
Figura 2. Modelos de variograma da Krigagem........................................................... 13
Figura 3. Precipitação acumulada no mês de abril de 2015 no estado do Rio Grande
do Sul com dados interpolados em quatro tipos de Krigagem Ordinária..... 15
Figura 4. Divisão do estado do Rio Grande do Sul sete Mesorregiões conforme o
IBGE (Centro Ocidental Rio-grandense (1); Centro Oriental Rio-
Grandense (2); Metropolitana de Porto Alegre (3); Nordeste Rio-
grandense (4); Noroeste Rio-grandense (5); Sudeste Rio-grandense (6);
Sudoeste Rio-grandense (7).......................................................................... 19
Figura 5. Precipitação acumulada entre os meses de agosto e abril no estado do Rio
Grande do Sul em dez anos agrícolas........................................................... 20
Figura 6. Produtividade da cultura do milho no estado do Rio Grande do Sul em dez
anos agrícolas................................................................................................ 21
Figura 7. Características típicas de resposta espectral da vegetação verde.................. 25
Figura 8. Comportamento do NDVI com a evolução do IAF da soja.......................... 28
Figura 9. Evolução do Índice de área Foliar (IAF) e o NDVI de imagens de satélite
OLI/Landsat-8 em 3 lavouras comercias: Restinga Seca na
safra2013/2014 (a), Restinga Seca na safra 2014/2015 (b) e Tupanciretã
na safra 2014/2015 (c)................................................................................... 29
LISTA DE TABELAS
Tabela 1. Estações meteorológicas automáticas, pertencentes ao INMET, no Estado
do Rio Grande do Sul...................................................................................... 12
Tabela 2. Comparativo entre os dados observados de precipitação acumulada em abril
de 2015 com dados simulados por quatro variogramas no método de
interpolação Krigagem Ordinária.................................................................... 16
Tabela 3. Ocorrência do ENOS de 2003 a 2013............................................................. 22
Tabela 4. Localização, cultivar utilizada e data de semeadura das lavouras de soja do
estudo................................................................................................................ 26
Tabela 5. Fator de correção utilizado para o cálculo de área foliar para cada cultivar.... 27
Tabela 6. Imagens do satélite Ladsat-8 utilizadas no estudo.......................................... 27
SUMÁRIO
1. INTRODUÇÃO.......................................................................................................... 08
2. DEPARTAMENTO DE FITOTECNIA DA UFSM.................................... 09
3.ATIVIDADES DESENVOLVIDAS..................................................................... 10
3.1 Comparativo de métodos de interpolação para dados de precipitação do estado
do Rio Grande do Sul.......................................................................................................... 10
3.1.1 Introdução..................................................................................................................... 10
3.1.2 Materiais e Métodos..................................................................................................... 11
3.1.3 Resultados.................................................................................................................... 14
3.1.4 Conclusões.................................................................................................................... 16
3.2 Análise da variabilidade anual da produtividade de milho e precipitação
acumulada através de Sistemas Geográficos de Informação (SIG) em dez anos
agrícolas no estado do Rio Grande do Sul ....................................................................... 17
3.2.1 Introdução..................................................................................................................... 17
3.2.2 Materiais e Métodos..................................................................................................... 18
3.2.3 Resultados.................................................................................................................... 19
3.2.4 Conclusões.................................................................................................................... 23
3.3 Relação entre índice de área foliar de lavouras de soja com índice vegetação
(NDVI) de imagens de satélite Landsat-8.......................................................................... 24
3.3.1 Introdução..................................................................................................................... 24
3.3.2 Materiais e métodos ..................................................................................................... 26
3.3.3 Resultados.................................................................................................................... 28
3.3.4 Conclusões.................................................................................................................... 30
4. CONSIDERAÇÕES FINAIS................................................................................. 31
REFERÊNCIAS.............................................................................................................. 32
8
1. INTRODUÇÃO
O Estágio Supervisionado em Geoprocessamento é uma disciplina do Curso Técnico
em Geoprocessamento que possibilita ao aluno adquirir experiências, atuando com a
orientação de um professor da instituição e a supervisão de um profissional da área, em
órgãos de pesquisa, empresas e diversas áreas de atuação onde possa empregar o
conhecimento que foi adquirido ao longo do curso, agregando novas vivências e
aprendizados.
O estágio foi realizado no Departamento de Fitotecnia da Universidade Federal de
Santa Maria. Optou-se em desenvolver o estágio nesse local, por ser uma oportunidade de
integrar os conhecimentos adquiridos no Curso de Técnico em Geoprocessamento com os
conhecimentos adquiridos no Curso de Agronomia.
As principais atividades desenvolvidas no período de estágio compreenderam a
comparação de diferentes métodos de interpolação pelo software ArcGIS 10.2 para dados de
precipitação no estado do Rio Grande do Sul, a elaboração de mapas de produtividade de
milho e precipitação acumulada durante dez safras agrícolas no Rio Grande do Sul e a
avaliação da relação do NDVI (Índice de Vegetação por Diferença Normalizada) de imagens
de satélite com o Índice de Área Foliar (IAF) de 3 lavouras de soja em 2 anos agrícolas.
A organização de banco de dados de produtividade e precipitação foram as atividades
que demandaram de um maior acompanhamento do estagiário. Os métodos de interpolação
dos dados de precipitação comparados foram krigagens linear, circular, esférico, exponencial,
gausseano e spline. Para relacionar os dados de índice de vegetação (NDVI) com o índice de
área foliar da soja foram obtidas 13 imagens do satélite Landsat – 8, sensor OLI (Operational
Land Imager).
9
2. DEPARTAMENTO DE FITOTECNIA DA UFSM
O Departamento de Fitotecnia (Figura 1) foi criado em 1964, com a finalidade de
abrigar os professores da Faculdade de Agronomia das áreas de Genética e Melhoramento de
Plantas, Estatística, Climatologia, Ecologia, Agricultura, Olericultura, Fruticultura e
Paisagismo.
Figura 1. Fachada do Departamento de Fitotecnia da UFSM.
O Estágio Supervisionado em Geoprocessamento foi desenvolvido especificamente no
Grupo de Pesquisa em Agrometeorologia e Ecologia de Plantas supervisionado pela
professora Drª. Isabel Lago.
O grupo de pesquisa conta com salas de professores, sala de trabalho, galpão para
ferramentas e uma área experimental de aproximadamente 1 ha, onde desenvolve-se pesquisas
na área de agrometeorologia e fenologia de cultivos. O ambiente de trabalho é bastante amplo
e refrigerado, dispondo de excelente infraestrutura e equipamentos computacionais, que
deram completo suporte para realização do estágio.
10
3. ATIVIDADES DESENVOLVIDAS
As principais atividades desenvolvidas durante o estágio foram análises de
interpolações para variáveis meteorológicas como a precipitação, o estudo da influência das
chuvas no comportamento da produtividade de milho no estado do Rio Grande do Sul e a
comparação da evolução de índices de desenvolvimento da soja como o IAF e o NDVI de
imagens de satélite.
A seguir será feita uma descrição detalhada de cada uma das atividades desenvolvidas.
3.1 Comparativo de métodos de interpolação para dados de precipitação do estado
do Rio Grande do Sul
3.1.1 Introdução
A precipitação é uma das variáveis meteorológicas que pode ocasionar implicações
nos setores produtivos da sociedade (ALVES & VECCHIA, 2011). O regime pluviométrico é
de extrema importância para o dimensionamento de projetos para irrigação, projetos agrícolas
(JUNIOR et al., 2012) e estudos de minimização de erosão hídrica (REIS et al., 2005).
O conhecimento da variabilidade espacial da precipitação é importante para diversos
ramos das ciências agrárias e ambientais, como, por exemplo, na produção das culturas, no
manejo dos recursos hídricos, na avaliação ambiental e em estudos de erosão hídrica.
Técnicas de interpolação em dados de precipitação permitem a avaliação da sua variabilidade
espacial. No entanto, o manuseio inadequado da técnica pode mascarar o resultado estimado,
subestimando ou superestimando os resultados finais.
Os Sistemas de Informação Geográfica (SIG) apresentam diversos métodos de
espacialização, que auxiliam no acompanhamento das variáveis nas séries históricas, quanto a
sua resolução temporal e espacial. A utilização de técnicas de espacialização, disponíveis nos
SIG’s, facilita a verificação da forma como estas precipitações se distribuem no espaço, bem
como a associação com diferentes fatores do ambiente (REIS et al., 2005). Para que se
permita a espacialização de dados de precipitação são necessários dados pontuais para tentar
chegar a uma aproximação dos dados de precipitação para toda a região através de uma
interpolação matemática.
11
O uso de interpoladores para se espacializar os dados de chuvas se faz extremamente
necessário pelo fato de se haver uma enorme escassez de estações pluviométricas no país,
deficiência cada vez mais notável conforme se distancia do litoral e dos grandes centros
populacionais (MARCUZZO et al., s/d).
Para dados climáticos, o método de interpolação mais utilizado é o Krigagem que é
um método geoestatístico que estima os valores da superfície a partir de pontos com valor de
Z (SOUZA et al., 2011). Este método de interpolação utiliza funções matemáticas para
acrescentar pesos maiores nas posições mais próximas ao pontos amostrais e pesos menores
nas posições mais distantes, e criar assim os novos pontos interpolados com base nessas
combinações lineares de dados. A partir de gráficos como o variograma, a superfície de dados
é criada, e pode-se ter uma idéia da segregação espacial das variáveis (CPRM, 2008).
O variograma é a descrição matemática do relacionamento entre a variância dos
pontos observados e a distância que separa estes pontos. No método de Krigagem
normalmente são usados quatro tipos de variogramas: linear, esférico, exponencial e
gaussiano. Portanto a Krigagem compreende um conjunto de técnicas geoestatísticas de ajuste
usadas para aproximar dados pelo princípio que fixado um ponto no espaço, os pontos no seu
entorno são mais relevantes do que os mais afastados. Isto pressupõe a existência de
dependência entre os dados, exigindo saber até onde espacialmente esta correlação importa
(ISAAKS; SRIVASTAVA, 1989).
Em diversos estudos, sobre os melhores métodos de interpolação, tem-se observado
que para cada região um determinado método torna-se o mais apropriado, principalmente,
pela variabilidade espacial. Nesse contexto, o objetivo deste trabalho é verificar o melhor tipo
de variograma na Krigagem para a representação da precipitação acumulada para o Estado do
Rio Grande do Sul.
3.1.2 Metodologia
A área compreendida por este estudo foi o Estado do Rio Grande do Sul. Os dados
interpolados são oriundos de 28 estações meteorológicas automáticas do Instituto Brasileiro
de Meteorologia (INMET) (Tabela 1).
12
Tabela 1. Estações meteorológicas automáticas, pertencentes ao INMET, no Estado do Rio Grande do Sul.
Município Coordenadas (SIRGAS 2000) Precipitação
acumulada (mm) Lat (º) Long (º)
Frederico Westphalen -27,395686 -53,429421 110
Santo Augusto* -27,854345 -53,791179 125,2
São Luiz Gonzaga -28,417113 -54,962403 210,2
São Borja -28,650092 -56,016291 6,6
Cruz Alta -28,603440 -53,673597 175,6
Ibirubá -28,653458 -53,111881 201,8
Soledade -28,859211 -52,542387 142,6
Passo Fundo -28,226805 -52,403582 193,6
Lagoa Vermelha -28,222381 -51,512845 0,2
Erechim -27,657710 -52,305805 29
Vacaria -28,513602 -50,882738 44,8
São José dos Ausentes -28,748634 -50,057880 174,2
Torres -29,350359 -49,733263 163,2
Canela -29,368788 -50,827231 174,2
Bento Gonçalves* -29,164581 -51,534202 136,6
Campo Bom -29,674293 -51,064042 112,6
Porto Alegre* -30,053536 -51,174766 76
Teutônia -29,450334 -51,824283 121,2
Santa Cruz do Sul -29,872113 -52,381980 41,4
Santa Maria -29,724960 -53,720469 130,8
Santiago -29,191599 -54,884653 99,8
Alegrete* -29,709083 -55,525486 46,2
Uruguaiana -29,839870 -57,081899 22,8
Quaraí -30,368578 -56,437165 9,2
São Gabriel -30,341450 -54,310917 119,8
Bagé -31,347800 -54,013300 21,2
Caçapava do Sul -30,545317 -53,467050 26,8
Camaquã -30,807953 -51,834240 74,2
Canguçu -31,403298 -52,700699 57,2
Rio Grande -32,078780 -52,167738 64,2
Jaguarão* -32,534825 -53,375860 85
Chuí -33,742297 -53,372218 65,8
Mostardas -31,248279 -50,906279 48,8 *Estações utilizadas para comparação com valores modelados pelas interpolações
Foram utilizados dados de precipitação acumulada no mês de abril de 2015 de todas as
estações climatológicas. O software utilizado para a interpolação dos dados de precipitação
foi o ArcGIS 10.2.1.
No método da Krigagem a variação espacial é quantificada por um semivariograma. O
semivariograma é um gráfico de dispersão da semivariância versus distância dos pontos
13
amostrados (MARCUZZO et al., s/d). O semivariograma é calculado a partir dos pontos
amostrados usando a seguinte equação:
em que, h – é uma distância, n é o número de pontos amostrados separados pela distância h,
y(h) – é a semivariância para a distância h, s – é a quantidade de pares de pontos separados
pela distância h, z(x) – é o valor da amostra na localidade x, e z(x+h) - é o valor da amostra na
localidade separada da localidade x pela distância h.
A Figura 2 mostra os principais modelos de variograma, sendo a parte mais importante
do variograma a sua forma próximo a origem, uma vez que são os pontos mais próximos os
que possuem maior peso no processo de interpolação (CPRM, 2008).
Figura 2. Modelos de variograma da Krigagem.Fonte: CPRM, 2008
14
Foi realizada a interpolação dos dados através do método de Krigagem Ordinária e
comparado os diferentes variogramas deste método: linear, exponencial, gaussiano e esférico.
O tamanho do pixel utilizado na interpolação foi de 1 km².
Cinco estações meteorológicas automáticas do INMET foram escolhidas ao acaso e
não foram utilizadas na interpolação para permitir a avaliação da exatidão dos diferentes
variogramas. Após a interpolação foi comparado os valores reais destas cinco estações
meteorológicas com os simulados pela interpolação e calculado a raiz do erro quadrado médio
(RMSE) para cada tipo de variograma pela seguinte fórmula:
em que RMSE = raiz do erro quadrado médio; Pis = valor estimado pelo método de
Interpolação; Pio = valor observado; N = número de observações.
3.1.3 Resultados
Na Figura 3 é possível realizar uma avaliação visual comparativa dos dados de
precipitação acumulada nos diferentes métodos de Krigagem Ordinária. Os quatro
variogramas utilizados evidenciaram as variações dos valores de precipitação acumulada no
Estado do Rio Grande do Sul.
15
Figura 3. Precipitação acumulada no mês de abril de 2015 no estado do Rio Grande do Sul com dados
interpolados em quatro tipos de Krigagem Ordinária.
Para os valores de precipitação acumulada do município de Santo Augusto, Bento
Gonçalves, Jaguarão e Porto Alegre o modelo que mais se aproximou dos valores observados
foi o modelo esférico, porém, para o município de Alegrete o modelo que mais se aproximou
do valor observado foi o Gaussiano.
16
Na tabela 2 estão descritos os valores reais de precipitação acumulada e os valores
simulados pelos modelos de interpolação.
Tabela 2. Comparativo entre os dados observados de precipitação acumulada em abril de 2015 com dados
simulados por quatro variogramas no método de interpolação Krigagem Ordinária.
Localização Observado
(mm)
Simulado (mm)
Município Latitude Longitude Linear Exponencial Esférico Gaussiano
Santo Augusto -27,854345º -53,791179º 125,2 137,7101 133,2187 120,5843 139,9479
Bento Gonçalves -29,164581º -51,534202º 136,6 107,4217 106,8810 108,1939 104,6065
Alegrete -29,709083º -55,525486º 46,2 74,5096 72,4652 81,3667 72,0637
Jaguarão -32,534825º -53,375860º 85 61,2174 61,9637 64,7062 61,4195
Porto Alegre -30,053536º -51,174766º 76 101,2822 103,9991 98,2359 103,9990
RMSE 24,5524 23,7359 24,3770 25,4953
A análise do RMSE foi realizada para verificar a acurácia dos resultados numéricos,
pois quanto menor o valor do RMSE melhor é a simulação. O modelo que possuiu o menor
valor de RMSE foi o modelo Exponencial, sendo considerado o melhor modelo para
interpolação de dados de precipitação no estado do Rio Grande do Sul.
Verificou-se que o modelo Esférico, apesar de apresentar os valores simulados mais
próximos aos valores observados em quatro estações meteorológicas, não é o modelo que
melhor representa a precipitação acumulada no estado. Isto pode ser explicado pela grande
diferença dos valores simulados com o observado em todos os métodos de interpolação, pois
o comportamento pluviométrico é dependente de fatores como microclima, condições de
relevo, fluxo de massas de ar e tipo de ocupação do solo, que não são levados em
consideração nos modelos de interpolação.
3.1.4 Conclusões
O modelo geoestatístico de interpolação Krigagem, apresenta falhas na simulação de
dados de precipitação devido ao elevado RMSE apresentado pelos diferentes
semivariogramas. Dentre os semivariogramas da Krigagem observou-se que o método mais
representativo para dados de precipitação acumulada foi o modelo Exponencial.
17
3.2 Análise da variabilidade anual da produtividade de milho e precipitação
acumulada através de Sistemas de Informação Geográfica (SIG) em dez anos agrícolas
no Estado do Rio Grande do Sul
3.2.1 Introdução
A cultura do milho é de extrema importância para o agronegócio do Rio Grande do
Sul, pois o cereal é um dos principais commodities agrícolas brasileiros, sendo o estado o
quarto maior produtor de milho em grão no país, com uma produção aproximada de 5,4
milhões de toneladas do grão (CONAB, 2015).
Na última década a cultura do milho apresentou uma queda da área plantada, embora
não acentuada, contrastando com o aumento da quantidade produzida (ATLAS
SOCIOECONÔMICO DO RIO GRANDE DO SUL, 2013). No entanto, o nível médio
nacional de produtividade é muito baixo, cerca de 5000 kg/ha, segundo dados do IBGE,
demonstrando que os diferentes sistemas de produção de milho deverão ser ainda bastante
aprimorados para se obter aumento na produtividade e na rentabilidade que a cultura pode
proporcionar (CRUZ et al, 2006). Esta baixa produtividade, está associada dentre outros
fatores à restrições causadas pela baixa disponibilidade de água do solo ou pela alta demanda
evaporativa durante períodos de estiagem.
O período de crescimento e desenvolvimento do milho é limitado pela água,
temperatura e radiação solar ou luminosidade. A cultura do milho necessita que os fatores
climáticos, principalmente a temperatura, pluviosidade e fotoperíodo, atinjam níveis
considerados ótimos, para que o seu potencial genético de produção se expresse ao máximo
(CRUZ et al, 2006).
O milho por sua vez é cultivado em regiões com precipitações que variam de 300 a
5.000 mm anuais, sendo que a quantidade de água consumida por uma planta de milho
durante o seu ciclo está entre 380 e 600 mm dependendo das condições climáticas
(ALDRICH et al., 1982; ALBUQUERQUE, 2010).
No estado do Rio Grande do Sul, poucas vezes o milho encontra situações de cumprir
todo o ciclo em condições ideais de disponibilidade hídrica (MALUF et al., 2000). Em
algumas regiões, é freqüente a ocorrência de estiagens durante a estação de cultivo, o que se
agrava quando coincide com o florescimento.
18
Maluf et al. (1986 apud 2000) concluíram que as maiores limitações à obtenção de
altos rendimentos de milho no Rio Grande do Sul são impostas pela deficiência hídrica, que
ocorre com maior freqüência no oeste, sudoeste e sudeste do Estado, nas regiões do Vale do
Rio Uruguai, Campanha, Depressão Central, Litoral Sul e Serra do Sudeste.
Tendo em vista a existência de variações pluviométricas no estado do Rio Grande do
Sul, e a importância da cultura do milho para o estado torna-se necessário estudos
regionalizados para a obtenção de informações condinzentes sobre o efeito climático sobre a
variabilidade anual da produtividade do milho na Mesorregião do Noroeste Rio-grandense,
demonstrados através de mapas elaborados com auxílio de ferramentas de geoprocessamento.
A caracterização dos sistemas de produção de milho envolve um grande número de
informações, necessitando o auxilio de um sistema informatizado para acompanhar a
dinâmica espaço-temporal da cultura. Como a maioria das informações envolvidas neste
trabalho são de natureza geográfica, conclui-se que o uso de um SIG é mais indicado para
contribuir nesta análise, que um sistema de informações convencionais (FARIA, 2000).
3.2.2 Metodologia
A área de estudo é o Estado do Rio Grande do Sul, compreendido por 497 municípios
(Figura 4), numa área de aproximadamente 281 730,223 km².
Para a realização deste trabalho foram consultadas as seguintes fontes de dados:
INMET/BDMEP – Banco de dados meteorológicos para ensino e pesquisa: fonte dos
dados de precipitação referente a séries históricas, das safras em estudo.
IBGE/SIDRA – Sistema IBGE de Recuperação Automática: fonte dos dados de
produtividade média de milho para o Estado do Rio Grande do Sul.
A partir da base de dados de precipitação foi realizada uma interpolação entre as
estações climatológicas do estado para cada ano agrícola no período compreendido entre os
meses de agosto e maio do ano seguinte, utilizando o software ArcGIS 10.2.1. O método de
interpolação utilizado para confecção dos mapas foi o Krigagem Ordinária Exponencial.
Para a verificação da variabilidade da produtividade ocasionada por eventos climáticos
foram confeccionados os mapas de produtividade média no estado para cada ano agrícola a
ser estudado e comparado com os mapas de precipitação ano a ano. Foi também identificado
19
nos últimos 10 anos a ocorrência e caracterização do fenômeno El Nino Oscilação Sul -
ENOS e a sua influência no acréscimo ou decréscimo da produtividade de milho nas
mesorregiões do estado (Figura 4).
Figura 4. Divisão do estado do Rio Grande do Sul sete Mesorregiões conforme o IBGE (Centro Ocidental Rio-
grandense (1); Centro Oriental Rio-Grandense (2); Metropolitana de Porto Alegre (3); Nordeste Rio-grandense
(4); Noroeste Rio-grandense (5); Sudeste Rio-grandense (6); Sudoeste Rio-grandense (7). Disponível em:
https://pt.wikipedia.org/wiki/Lista_de_mesorregi%C3%B5es_do_Rio_Grande_do_Sul.
3.2.3 Resultados
A Figura 5 apresenta a variabilidade da precipitação acumulada no Estado do Rio
Grande do Sul no período de safra (01/08 a 31/05) em dez anos agrícolas.
Verificou-se independente do ano e da ocorrência do fenômeno ENOS que as
Mesorregiões do Sudoeste Rio-grandense e Sudeste Rio-grandense apresentam um menor
regime pluviométrico do que o restante do estado. Os menores valores de precipitação
acumulada durante as safras nessas regiões é um dos fatores que reflete na produtividade da
cultura do milho nos municípios destas regiões, como pode ser observado na Figura 5, onde
os menores valores de produtividade estão representados em tons de amarelo. A Mesorregião
do Noroeste Rio-grandense é a que apresenta um maior regime pluviométrico e, juntamente
com a Mesorregião Nordeste apresentam os maiores valores de produtividade de milho,
representado na Figura 6.
20
Figura 5. Precipitação acumulada entre os meses de agosto e abril no Estado do Rio Grande do Sul em dez anos
agrícolas.
21
Figura 6. Produtividade da cultura do milho no Estado do Rio Grande do Sul em dez anos agrícolas.
22
A Tabela 3 mostra os anos de ocorrência do fenômeno ENOS e a sua intensidade.
Tabela 3. Ocorrência do ENOS de 2003 a 2013.
Ano agrícola ENOS Intensidade
2003/2004 Neutro
2004/2005 El Nino Fraco
2005/2006 La Nina Fraco
2006/2007 El Nino Fraco
2007/2008 La Nina Moderado
2008/2009 La Nina Fraco
2009/2010 El Nino Moderado
2010/2011 La Nina Forte
2011/2012 La Nina Fraco
2012/2013 Neutro
Comparando as intensidades do fenômeno ENOS com os mapas de precipitação
acumulada na Figura 5 e com os mapas de produtividade da Figura 6, verifica-se que o ano
2003/2004 e 2012/2013 foram caracterizados como anos neutros, sendo o ano 2012/2013 com
um maior valor de precipitação acumulada e um dos anos com as melhores produtividades em
todo o estado.
O ano 2007/2008 foi caracterizado como ano de La Nina moderada, porém apresentou
valores de precipitação acumulada maiores que nos anos 2005/2006, 2008/2009 e 2011/2012
que foram caracterizados como anos de La Nina fraco. Já o ano de 2010/2011 (ano de La
Nina forte) apresentou valores acumulados de precipitação maiores na Mesorregião Noroeste
Rio-grandense do que nos anos 2003/2004, 2004/2005, 2005/2006, 2008/2009 e 2011/2012,
sendo que em alguns municípios a produtividade de milho apresentou a mesma tendência,
evidenciando os valores de baixa precipitação e produtividade na Mesorregião do Sudoeste
Rio-grandense.
O ano 2009/2010 considerado de El Nino moderado apresentou altos valores de
precipitação acumulada em todo o estado do Rio Grande do Sul, sendo que em algumas
regiões do estado esse aumento das chuvas não foi acompanhado do aumento de
produtividade. Isto pode ser explicado por fatores como o nível tecnológico das propriedades
de cada região, a temperatura média do ar, distribuição destas chuvas durante o período de
safra e diferenças de solos entre as regiões do Planalto e Fronteira do Estado.
23
3.2.4 Conclusões
Há diferenças no regime pluviométrico entre as Mesorregiões do Estado do Rio
Grande do Sul. A precipitação é um dos fatores determinantes para a baixa produtividade em
alguns municípios das Mesorregiões Noroeste e Nordeste Rio-grandense. As baixas
produtividades das Mesorregiões Sudeste e Sudoeste Rio-grandense sofrem influência do
baixo regime pluviométrico e de outras variáveis como alta temperatura do ar, tipo de solo e
nível tecnológico baixo das lavouras.
24
3.3 Relação entre Índice de Área Foliar de lavouras de soja com Índice de Vegetação
por Diferença Normalizada (NDVI) de imagens de satélite Landsat-8
3.3.1 Introdução
A cultura da soja é a principal commodity agrícola do Brasil, que é o segundo maior
produtor mundial do grão (CONAB, 2014). Houve um crescimento na produção e na
produtividade da soja brasileira de 741,3% e 174,9%, respectivamente, entre as safras de
1976/1977 e 2013/2014 (CONAB, 2014). No Rio Grande do Sul (RS), também houve essa
tendência de aumento da área e na produtividade média da cultura da soja, destacando-se o
ano agrícola 2013/2014 quando foram cultivados aproximadamente 4,9 milhões de hectares e
produzidas 13,2 milhões de toneladas, sendo a maior safra de soja na história deste Estado
(CONAB, 2014).
O aumento da área cultivada e da produtividade da soja no Brasil e no RS deve-se a
incorporação de novas tecnologias de produção nos últimos anos, como por exemplo, a
utilização de cultivares precoce (grupo de maturação menor que 6.4) e tipo de crescimento
indeterminado, em substituição às cultivares semeadas até os anos 2000, que apresentavam
quase na sua totalidade ciclo médio ou longo e tipo de crescimento determinado (BARNI e
MATZANAUER, 2000), semeaduras precoces e tardias, e também o cultivo em áreas de
terras baixas, local onde tradicionalmente é cultivado arroz irrigado.
O Sensoriamento Remoto permite obter informações que auxiliam extensionistas e
consultores a entender melhor aspectos relacionados ao crescimento e ao desenvolvimento
dessas novas cultivares (VERNETTI E VERNETTI JUNIOR, 2009). Entre as principais
informações obtidas por meio do Sensoriamento Remoto estão os Índices de Vegetação, tendo
aplicações no monitoramento e avaliações das propriedades biofísicas dos alvos vegetados,
como por exemplo, porcentagem de cobertura do solo, índice de área foliar, biomassa e vigor
da vegetação (EPIPHANIO et al., 1990). De acordo com Almeida et al. (2005), os índices de
vegetação, expressos em valor numérico, resultam da combinação de dois ou mais
comprimentos de onda e permitem a detecção de presença e estado da vegetação em questão.
Analisando a assinatura espectral da folha verde na Figura 7, observa-se que na região
do visível (0,4 a 0,7 µm ) a reflectância é relativamente baixa em função da forte absorção da
radiação pelos pigmentos, essa absorção está relacionada ao processo de fotossíntese e ocorre
nas bandas centradas aproximadamente em 0,45 µm (azul) e 0,65 µm (vermelho), em
25
oposição a um pico de reflectância em torno de 0,550 µm (verde). Por essa razão, a vegetação
sadia para o olho humano aparece em tons de verde (VENTURIERI, 2007). Já na região do
infra-vermelho próximo (0,7 a 1,3 µm) a maior reflectância resulta da interação da radiação
com a estrutura celular superficial da folha e está relacionada com os aspectos fisiológicos da
folha e varia com o seu conteúdo de água na estrutura celular superficial, por isso é um forte
indicador de sua natureza, estágio de desenvolvimento, sanidade, etc. Deste modo, o potencial
dos índices de vegetação deflagra-se na capacidade de geração de informações acerca da
distribuição espacial e estado fisiológico de grandes culturas como a soja.
Figura 7. Características típicas de resposta espectral da vegetação verde. Fonte: HOFFER, 1978.
A determinação da área foliar é importante na avaliação da eficiência fotossintética das
plantas, na determinação de danos bióticos e abióticos na cultura, em estudos de análise de
crescimento e por ser um grande condicionante da produtividade comercial da cultura
(SETIYONO et al., 2008).
Com isso, esforços científicos com o objetivo de conhecer os estágios de
desenvolvimento mais críticos para a determinação dos componentes de rendimento, sob
diferentes condições ambientais, tem sido tema de vários autores (KANTOLIC and SLAFER,
26
2005; MEOTTI et al., 2012). Assim, estudos básicos que descrevem de forma detalhada o
desenvolvimento das novas cultivares de soja em resposta às diferentes disponibilidades
edafoclimáticas necessitam ser realizados no RS e no Brasil (RICHTER et al., 2014). A
caracterização do crescimento de plantas de soja poderá auxiliar a assistência técnica e os
produtores de soja a definir práticas de manejo para alcançar o potencial genético de cada
cultivar. Nesse sentido, o objetivo deste trabalho foi caracterizar a relação entre o Índice de
Área Foliar (IAF) com o NDVI de imagens de satélite Landsat-8, sensor OLI.
3.3.2 Metodologia
O estudo foi desenvolvido em duas lavouras comerciais de soja nos anos agrícolas de
2013/2014 e em três lavouras no ano agrícola 2014/2015 no estado do Rio Grande do Sul
(Tabela 4),.
Tabela 4. Localização, cultivar utilizada e data de semeadura das lavouras de soja do estudo
Local Coordenadas (SIRGAS 2000) Ano
agrícola Cultivar
Data de
semeadura Latitude Longitude
Água Santa 28º16”20.75” S 52º1”52.29” W 2014/2015 P95R51 RR 08/11/2014
Restinga Seca 29º6”45.17” S 53º26”5.03” W 2013/2014 NS6262 RR 20/11/2013
2014/2015 NS5909 RR 13/11/2014
Tupanciretã 29º6”45.17” S 54º0’2.89” W 2013/2014 NS4725 RR 19/11/2013
2014/2015 TMG7161 RR Inox 27/10/2014
A área foliar nas lavouras de soja foi determinada a partir de dados coletados em
experimentos conduzidos em lavouras comerciais financiados com recursos do Projeto
Chamada Pública Universal CNPq/2012 Processo nº 471860/2012-3, onde foi coletado folhas
de 2 metros lineares em cada ponto amostral e determinado a sua matéria seca (MS) e,
determinado a MS e a área foliar de 10 folhas de soja através da metodologia proposta por
Richter et al. (2014), que estabeleceu coeficientes de calibração (Tabela 5) para cada cultivar
para poder se estimar a área foliar específica pelo somatório do produto do maior
comprimento e maior largura de cada folíolo da planta, conforme a equação:
AF = {[Σ(C*L)]*Fc}
em que, AF é a Área Foliar, C e L são, respectivamente, o maior comprimento e a maior
largura do folíolo central de cada folha e, Fc é o fator de correção para cada cultivar conforme
Richter et al. (2014).
27
Tabela 5.Fator de correção utilizado para o cálculo de área foliar para cada cultivar. Fonte: RICHTER et al.,
2014.
Após o cálculo da área foliar das 10 folhas e dos seus valores de MS de folhas, pode-
se calcular a área foliar dos 2 metros lineares. Para cálculo do IAF utilizou-se a seguinte
equação:
IAF = AF/(El*2)
onde IAF é o Índice de Área Foliar, AF é a área foliar específica em 2 metros lineares e, El é
o espaçamento entre-linhas da lavoura.
Os dados de IAF utilizados foram aqueles em que a data de coleta da MS de folhas se
encontrou próxima a data da coleta da imagem pelo satélite. No total utilizou-se 5 imagens do
satélite Landsat-8 do ano agrícola 2013/2014 e 8 imagens do ano agrícola 2014/2015 para
análise do NDVI das lavouras de soja. As imagens (Tabela 6) foram adquiridas no site da
NASA (http://earthexplorer.usgs.gov/) onde selecionou-se apenas as imagens sem
interferência de nuvens.
Tabela 6. Imagens do satélite Ladsat-8 utilizadas no estudo.
Município Safra Imagem Data
Restinga Seca
2013/2014
LC82230812013352LGNOO 18/12/2013
LC82230812014019LGN00 19/1/2014
LC82230812014035LGN00 4/2/2014
2014/2015
LC82220812014348LGN00 14/12/2014
LC82230812015006LGN00 6/1/2015
LC82230812015022LGN00 22/1/2015
Tupanciretã
2013/2014 LC82230802014019LGN00 19/1/2014
LC82230802014035LGN00 4/2/2014
2014/2015 LC82230802014339LGN00 5/12/2014
LC82230802015006LGN00 6/1/2015
Cultivar Fator de correção
BMX Turbo RR 2,0531
P95R51 RR 1,9560
NS6262 RR 2,0185
NS5909 RR 2,1420
NS4725 RR 2,0185
TMG7161 RR Inox 2,1362
28
LC82230802015022LGN00 22/1/2015
LC82230802015038LGN00 7/2/2015
Água Santa 2014/2015 LC82220802014348LGN00 14/12/2014
O processamento das imagens foi feito por meio do software ENVI 5.0. De posse dos
dados de refletância da superfície de cada banda após a correção atmosférica foi calculado o
índice de vegetação NDVI para comparação com os dados de IAF em cada lavoura. Desta
forma, com o auxílio do software ENVI 5.0, foram determinados os valores de NDVI pela
seguinte equação:
NDVI = ((IVP – VERMELHO) / (IVP + VERMELHO))
em que, IVP é a reflectância no infravermelho próximo e VERMELHO é a reflectância no
vermelho.
3.3.3 Resultados
Com base nos dados espectrais obtidos nas 3 lavouras comerciais de soja em dois anos
agrícolas, foi possível identificar uma tendência nos perfis espectrais das imagens
selecionadas, onde os pontos amostrais com maiores valores de IAF apresentaram uma maior
reflectância na banda do infravermelho próximo, resultando num maior valor de NDVI.
Enquanto que nos pontos onde o valor de IAF era menor, os valores de NDVI também foi
menor (Figura 8).
Figura 8. Comportamento do NDVI com a evolução do IAF da soja
0,5
0,55
0,6
0,65
0,7
0,75
0,8
0,85
0,9
0,95
1
0,93 1,43 1,68 3,10 3,72 3,98 4,13 4,58 5,04 5,10
ND
VI
IAF
29
Observou-se que há uma relação entre a evolução do IAF da soja com o NDVI das
imagens. Esta relação não é linear devido as diferenças das cultivares e das condições
ambientais em que elas estão expostas. Verificou-se que quando os valores de IAF estão entre
1,4-1,5 os valores de NDVI apresentam uma tendência logarítmica de aumento. Este
comportamento ocorre devido ao fechamento das entre-linhas de uma lavoura de soja ocorrer
com IAF próximo a estes valores (HEIFFIG et al., 2006), aumentando assim os valores de
reflectância da lavoura na banda do infra-vermelho próximo.
Fracionando os dados para 3 lavouras comerciais (Restinga Seca 2013/2014, Restinga
Seca 2014/2015 e Tupanciretã 2014/2015) (Figura 9), verificou-se que a evolução do IAF é
acompanhada dos valores de NDVI no decorrer do ciclo da cultura.
Figura 9. Evolução do Índice de área Foliar (IAF) e o NDVI de imagens de satélite Landsat-8, sensor OLI em 3
lavouras comercias: Restinga Seca na safra2013/2014 (a), Restinga Seca na safra 2014/2015 (b) e Tupanciretã na
safra 2014/2015 (c).
0,5
0,6
0,7
0,8
0,9
1
0
1
2
3
4
5
6
26 64 78
ND
VI IA
F
Dias após a semeadura (DAS)
a
Índice de Área Foliar
NDVI
0,5
0,6
0,7
0,8
0,9
1
0
1
2
3
4
5
6
28 53 68
ND
VI IA
F
DAS
b
Índice de Área Foliar
NDVI
0,5
0,6
0,7
0,8
0,9
1
0
1
2
3
4
5
6
44 71 86 99
ND
VI IA
F
DAS
c
Índice de Área Foliar
NDVI
30
Ocorre um aumento dos valores de NDVI até o valor de IAF máximo, e um
decréscimo com a diminuição do IAF no fim do ciclo da cultura, ocasionado pelo
amarelecimento das folhas causado pela senescência e perda de água das mesmas,
modificando o conteúdo celular das células do mesófilo foliar e consequentemente alterando
os valores de reflectância da lavoura na banda do infra-vermelho próximo.
3.3.4 Conclusões
O Índice de Vegetação por Diferença Normalizada (NDVI) é um eficiente indicativo
do Índice de Área Foliar de lavouras de soja por levar em consideração a energia absorvida e
refletida pelo dossel vegetativo. Torna-se necessário estudos mais específicos que
estabeleçam relações matemáticas que permitam aferir a relação entre índices de vegetação
obtidos através de imagens de satélite com o crescimento e desenvolvimento da cultura da
soja.
31
4. CONSIDERAÇÕES FINAIS
O objetivo do estágio supervisionado foi alcançado, a participação em atividades
práticas que exigiram o conhecimento adquirido durante o Curso Técnico em
Geoprocessamento. Durante o período, realizou-se estudos aplicados que envolvessem o
Geoprocessamento e a agrometeorologia de cultivos. Os resultados obtidos nestes estudos
propiciaram ao acadêmico a interação entre suas duas áreas de formação, a agronomia e o
Geoprocessamento.
Como resultado destes estudos se verificou a importância do Geoprocessamento
através de Sistemas Geográficos de Informação (SIG) na espacialização de dados
climatológicos e de produção, possibilitando a integração e análise de dados de diferentes
fontes permitindo explorar a capacidade dos dados para gerar informações por meio de
análises espaciais interativas. Como por exemplo, a espacialização da precipitação e a sua
influência na produtividade regional de culturas agrícolas e as relações entre índices de
vegetação, calculados pela reflectância das plantas nas imagens de satélite, e a sanidade,
desenvolvimento ou produtividade das culturas.
32
REFERÊNCIAS
ALBUQUERQUE, P.E.P. Cultivo o milho – Irrigação. EMBRAPA Milho e Sorgo. Sistemas de
Produção, 1. ISSN 1679-12x. Versão eletrônica – 6ª edição. 2010.
ALDRICH, S.R.; SCOTT, W.O.; LENG, E.R. Modern corn production. 2.ed. Champaign: A & L
Publication, 1982. 371 p.
ALMEIDA, T. S.; FONTANA, D. C.; MARTORANO, L. G.; BERGAMASCHI, H. Índices de
vegetação para a cultura da soja em diferentes condições hídricas e de sistema de manejo do solo.
In: Simpósio Brasileiro de Sensoriamento Remoto, 12. (SBSR), 2005, Goiânia. Anais... São José
dos Campos: INPE, 2005. p. 17-24.
ALVES, E. D. L; VECCHIA F. A. S. Análise de diferentes métodos de interpolação pluvial no
Estado de Goiás. Acta Scientiarum. Human and Social Sciences. Maringá, v. 33, n. 2, p. 193-197,
2011.
ATLAS SOCIOECONOMICO DO RIO GRANDE DO SUL. Milho. Disponível em:
<http://www.scp.rs.gov.br/atlas/conteudo.asp?cod_
menu_filho=819&cod_menu=817&tipo_menu=ECONOMIA&cod_conteudo=1492>. Acesso em:
08 out. 2013.
BARNI, N.A.; MATZNAUER, R. Ampliação do calendário de semeadura da soja no Rio Grande
do Sul pelo uso de cultivares adaptados aos distintos ambientes. Pesquisa Agropecuária Gaúcha,
v.6, p.189-203, 2000.
CONAB- Companhia Nacional de Abastecimento. Séries históricas de Área Plantada,
Produtividade e Produção, relativas às Safras 1976/77 a 2014/15 de Grãos, 2001 a 2014 de Café,
2005/06 a 2014/15 de Cana-de-Açúcar. – Brasília: Conab, 2015.
CONAB – Companhia Nacional de Abastecimento. Acompanhamento de safra brasileira: grãos,
quinto levantamento, fev/2014. Companhia Nacional de Abastecimento, 2014, 7p. Disponível em:
<www.conab.gov.br >. Acesso: 22/04/2014.
33
CPRM – Serviço Geológico do Brasil. Atlas pluviométrico do Brasil e estudos de chuvas intensas
em sistemas de informações geográficas. Curso de geoprocessamento e procedimentos no
tratamento digital de dados. Dezembro, 2008.
CRUZ, J.C. et al. Manejo da Cultura do Milho. Circular Técnica 87. EMBRAPA. Sete Lagoas,
MG. 2006.
EPIPHANIO, J. C. N.; ALMEIDA JÚNIOR, A.C.; FORMAGGIO, A.R. Desenvolvimento do
trigo avaliado com dois índices de vegetação. [CD-ROM]. In: Simpósio Brasileiro de
Sensoriamento Remoto. 8. Salvador. 1996. Anais. São Paulo: Imagem Multimídia
FARIA, C.M. Aplicando técnicas de geoprocessamento no Estudo de Produção: O milho em
Minas Gerais.Belo Horizonte. Monografia (Especialização) – Universidade Federal de Minas
Gerais. Departamento de Cartografia. Belo Horizonte, MG. 2000.
HEIFFIG, L. S.; et al. Fechamento e índice de área foliar da cultura da soja em diferentes arranjos
espaciais. Bragantia, Campinas, v.65, n.2, p.285-295, 2006
Hoffer, A.M. Biological and physical considerations in applying computer-aided analysis
techniques to remote sensor data, in Remote Sensing: The Quantitative Approach, P.H. Swain
and S.M. Davis (Eds), McGraw-Hili Book Company, 227-289. 1978
ISAAKS, E. H.; SRIVASTAVA, R. M. An introduction to applied geostatistics. New York:
Oxford University Press, 1989. 561 p.
JUNIOR, B. S. G.; et al Análise de técnicas de interpolação para espacialização da precipitação
pluvial na bacia do rio Itapemirim (ES). Ambiência Guarapuava (PR) v.8 n.1 p. 61 - 71 Jan./Abr.
KANTOLIC, A. G.; SLAFER, G.A. Reproductive development and yield components in
indeterminate soybean as affected by post-flowering photoperiod. Field Crops Research, v.93,
p.212–222, 2005.
MALUF, J.R.T.; MATZENAUER, R.; CAIAFFO, M.R. Zoneamento agroclimático da cultura de
milho por épocas de semeadura, no estado do Rio Grande do Sul. Pesquisa Agropecuária Gaúcha,
v.6, n.1, p.39-54. 2000.
34
MARCUZZO, F. N.; CARDOSO, M. R. D.; MELLO, L. T. A. Uso dos Métodos de Krigagem e
Spline de Tensão no Mapeamento de Chuvas na Região Metropolitana de Goiânia e Seu Entorno.
CPRM- Serviço Geológico do Brasil. Disponível em:
http://www.cprm.gov.br/publique/media/Evento_Uso_Marcuzzo.pdf. Acesso em: 15 de jun. 2015.
MEOTTI, G.V.; BENIN, G.; SILVA, R.R.; BECHE, E.; MUNARO, L.B. Épocas de semeadura e
desempenho agronômico de cultivares de soja. Pesquisa Agropecuária Brasileira, v.47, p.14-21,
2012.
REIS, M. H.; GRIEBELER, N. P.; SARMENTO, P. H. L.; OLIVEIRA, L. F. C. de.; OLIVEIRA,
J. M. de. Espacialização de dados de precipitação e avaliação de interpoladores para projetos de
drenagem agrícola no estado de Goiás e Distrito Federal. In: SIMPÓSIO BRASILEIRO DE
SENSORIAMENTO REMOTO, 12., 2005, Goiânia. Anais..., Goiânia: INPE, 2005. p. 229-236.
RICHTER, Gean Leonardo et al. Estimativa da área de folhas de cultivares antigas e modernas de soja
por método não destrutivo.Bragantia [online]. 2014, vol.73, n.4, pp. 416-425. ISSN 1678-4499.
SETIYONO, T.D.; WEISS, A.; SPECHT, J.K.; CASSMAN, K.G.; DOBERMANN, A. Leaf area
index simulation in soybean grown under near-optimal conditions. Field Crops Research. v.108,
p.82-92, 2008.
SOUZA, J. L. L. L.; et al. Avaliação de métodos de interpolação aplicados à espacialização das
chuvas no território identidade Portal do Sertão/Bahia. In: Anais XV Simpósio Brasileiro de
Sensoriamento Remoto – SBSR, Curitiba/PR. 2011.
VERNETTI, F.J.; VERNETTI JUNIOR, F.J. Genética da soja: caracteres qualitativos e
diversidade genética. Brasília, DF: Embrapa Informação Tecnológica, 2009. 221 p.