Modelos de Previsão de Safra de Soja de Londrina Via Satélite NOAA. André Luiz Farias de Souza* William Tse Horng Liu **

Transcrição

1 Modelos de Previsão de Safra de Soja de Londrina Via Satélite NOAA André Luiz Farias de Souza* William Tse Horng Liu ** * Aluno de Pós-graduação, andrelfs@model.iag.usp.br ** Professor Doutor, wilthliu@usp.br Departamento de Ciências Atmosféricas. IAG USP Abstract Soybean crop yield, monthly meteorological and satellite derived indices data for the period of 1981 to 1991 were used to develop crop yield forecasting models for the Londrina County of Paraná State. Various combinations of the independent variables, such as precipitation, potential evapotranspiration, maximum and minimum temperatures, NDVI, VCI and TCI were used to construct and selected 8 models for comparison, using SAS statistical package. The observed yield data of 1992 to 1994 were used to compare and evaluate the model performance. The results showed that soybean crop yield prediction models based on satellite index data are as good as those models based on meteorological data. The model using VCI and TCI data had better performance among the satellite index models. Our next research step is trying to use AVHRR data to calculate surface temperature and hence to generate TCI data for constructing the models free of using the ground observed data. 1. Introdução O Brasil é um dos principais produtores e exportadores de soja do mundo. Em vista disso, perdas na produção agrícola provocadas por estresses ambientais podem afetar a balança comercial em âmbito local e até global. Logo, torna-se imprescindível a previsão de safra no contexto do planejamento da produção agrícola. Várias técnicas, incluindo observações no campo, modelos agrometorológicos (Liu e Liu, 1988) e modelos de processos fisiológicos (Hodges, et. al., 1987) foram utilizados na previsão de safra agrícola em diversos países. Devido aos modelos agrometeorológicos e processos fisiológicos serem baseados em dados pontuais, a previsão pela sua extrapolação espacial pode comprometer sua precisão. Recentemente, os dados de satélites que fornecem uma fonte de dados contínuos de alta freqüências temporal e espacial estão sendo utilizados no desenvolvimento de modelos alternativos para a previsão da safra. Índices de satélites, tais como NDVI (Normalized Vegetation Index), VCI (Índice de Condição da Vegetação) e TCI (Índice de Condição da Temperatura), têm sido utilizados na construção de modelos de previsão de safra (Rasmussen, 1997; Unganai e Kogan, 1998). Com o objetivo de desenvolver e avaliar a técnica de previsão de safra via satélite, utilizou-se várias combinações dos parâmetros meteorológicos e índices via satélite para construir 8 modelos de previsão de safra da cultura da soja, tomando como base de testes o município de Londrina no estado do Paraná 2. Metodologia Os dados de precipitação, evapotranspiração potencial, temperatura máxima e mínima, NDVI, VCI e TCI, do período entre 1981 e 1991, foram utilizados para construir 8 modelos alternativos, através do pacote estatístico SAS. Devido a indisponibilidade dos dados do canal 4 (Banda termal) do satélite

2 NOAA, os dados de TCI foram calculados com os dados observados da temperatura do ar. Os dados de NDVI e VCI foram gerados com os dados de NOAA AVHRR GAC 10 dias composto, fornecidos pelo GSFC/NASA. Estes dados já estavam disponíveis com as correções radiométricas e atmosféricas (Eidenshink e Faundeen, 1997). Os parâmetros que representam os períodos mais sensíveis do ciclo fenológico relacionados ao desenvolvimento da cultura, foram identificados através da técnica estatística de regressão múltipla, utilizando os processos de Forward e Stepwise. O critério de seleção dos modelos alternativos levou em consideração o coeficiente quadrádico de correlação (R 2 ), nível de significância e do número de parâmetros envolvidos. Várias combinações de diversos períodos durante o ciclo fenológico da cultura de soja (agosto à março) para cada parâmetro, o seu valor quadrádico e os valores acumulados foram utilizados para construir, selecionar e avaliar os modelos alternativos. Os dados de produtividade de soja fornecidos pelo do período de 1981 à 1991, foram utilizados para construir e selecionar os modelos e com os valores de 1992 à 1994 foram realizadas comparações para avaliar os modelos selecionados. 3. Resultados e Discussões Os 8 modelos selecionados foram os seguintes: Ym1 = -19,4304*TTX47 + 2,021*TTNQ *TTNQ7 + 4,136*TEV *TEVQ4; Ym2 = 30,319*TREND 1.505*TTXQ7 2,889*TTNQ5 +2,622*TTNQ6 + 3,984*TTNQ7 + 0,0002*TRNQ6; Ym3 = 4,962*TND56 + 0,398*TNDQ5 + 0,408*TTNDQ47-0,642*TTNDQ45; Ym4 = 31,270*TVC57 0,125*TTVCQ45; Ym5 = -5,751*TVC ,231*TVC *TTVCQ45; Ym6 = 49,530*TVC45 +32,223*TVC57 0,515*TTVCQ45 + 2,560*TTC45; Ym7 = 0,199*TNDQ8 + 36,159*TTC48 + 0,217*TTTCQ7 0,433*TTTCQ48; Ym8 = 0,213*TNDQ8 + 40,928*TTC48 9,239*TTC56 + 0,175*TTCQ7-0,439*TTCQ48; Onde: Ym = produtividade prevista; TREND = (ANO 1981)*(200/15); TTX, TTN, TEV, TND, TVC, TTC e TRN são os valores totais de TX, TN, EV, ND,VC e RN, respectivamente do período considerado; A letra Q na variáveis representa o valor quadrático; Os números representam os meses de agosto (1) à março (8), respectivamente. A tabela 1 mostra as comparações entre as produtividades observadas pelo e previstas pelos 8 modelos para os anos de 1992 à 1994, as correlações quadrádicas (R 2 ) e os níveis de significância (NS). Os dois modelos, Ym1 e Ym2 foram construídos com os parâmetros meteorológicos. O Ym1 baseado nos dados de evapotranspiração potencial (ETP) teve melhor R 2, que significa a produtividade é mais sensível a ETP. Os modelos Ym3 e Ym7 via satélite apresentaram R 2 abaixo de 0,9, ainda foram mais altos que do Ym2. Em todos casos, os valores dos níveis de significância foram satisfatórios. As figuras de 1 à 8, apresentam as produtividades observadas e previstas no período de 1981 à 1994, incluindo ambos dados nas construções e nas previsões dos modelos.

3 Tabela 1: As produtividades observadas pelo e as previstas pelos 8 modelos construídos, para o município de Londrina, PR, para os anos de 1992 à 1994, valores de coeficiente de correlação quadrádico (R) e nível de significância (NS). Ym1 Ym2 Ym3 Ym4 Ym5 Ym6 Ym7 Ym ,0 2094,1 1965,2 1888,7 1891,5 1935,0 2000,9 1826,0 1892, ,0 2475,8 2281,3 1950,4 1963,7 1982,4 2094,2 2051,1 2092, ,0 2154,5 2406,0 1970,7 2437,7 2518,0 2361,0 2156,2 2185,0 *R 2-0,933 0,836 0,884 0,937 0,964 0,927 0,857 0,901 **NS - 0,0002 0,0168 0,0058 0,0001 0,0001 0,0001 0,0018 0,0021 *R 2 : Coeficiente de correlação quadrádico (R 2 ); **NS: Nível de significância. A tabela 2 mostra os valores percentuais de diferença entre as produtividades observadas e as previstas nos anos de 1992 à 1994, e as médias destas porcentagens absolutas de erros entre os valores previstos e o valor observado para os modelos selecionados. Os resultados mostram que as médias dos valores de erro real (ER) dos modelos selecionados (Ym1 à Ym8) foram menores que 9%, exceto o Ym3 com 11%. No caso dos modelos agrometeorológicos, Ym2, que utiliza dados de precipitação, forneceu valores de RE bem melhores que Ym1. Isto deve-se ao fato que o modelo Ym1 utiliza dados de evapotranspiração potencial, não evapotranspiração real (ETR). Para melhoria da precisão, os dados de ETR ou déficit hídrico e excesso hídrico deverão ser utilizados. Os valores médios dos erros reais dos modelos via satélite (Ym3 à Ym8) foram satisfatórios comparando-se aos modelos meteorológicos. Isto significa que as previsões de produtividade de soja no município de Londrina pelos modelos construídos com os índices via satélite são compatíveis com os modelos agrometeorológicos. O modelo Ym3 construído com dados de NDVI apresentou maior erro entre os modelos via satélite. Os Ym4 e Ym5, construídos com dados de VCI melhoraram seus desempenhos. Mas o aumento de um termo no Ym5, não melhorou a precisão, comparando-se com as do Ym4. O Ym6, construído com dados de VCI e TCI apresentou um erro médio de 2,6%, que é o modelo de melhor precisão dentro dos modelos via satélite. Isto indica que os modelos construídos com dados de VCI e TCI são mais adequados, comparando-se com os demais modelos que fazem uso de NDVI (Ym3), VCI (Ym4 e Ym5) e NDVI e TCI (Ym7 e Ym8). As médias dos erros absolutos dos Ym7 e Ym8 baseados nos NDVI e TCI, foram próximos às dos Ym4 e Ym5. Portanto, não há necessidade de usar uma combinação de NDVI e TCI, basta somente o VCI. Para construir modelos totalmente com dados via satélite, os dados de TCI devem ser calculados a partir dos dados de temperatura de brilho do canal 4 dos satélites NOAA AVHRR. Tabela 2 : Os erros reais e as médias absolutas destes erros entre as produtividade de soja observadas pelo e previstas pelos 8 modelos construídos para o município de Londrina, PR. Ym 1 Ym 2 ER * Ym 3 Ym 4 Ym 5 Ym 6 Ym 7 Ym ,0-0,5-4,4-4,2-2,0 1,3-7,5-4, ,0 2,3-12,5-11,9-11,1-6,1-8,0-6, ,3 2,4-16,1 3,7 7,1 0,5-8,2-7,0 MA 8,5 1,7 11,0 6,6 6,8 2,6 7,9 5,8 *ER: Desvio do erro real dos modelos Ym; A média absoluta foi calculada pelos valores absolutos de ER.

4 4. Conclusões Tomando como base os bons resultados obtidos com os modelos Ym4 de VCI e Ym6 de VCI e TCI, pode-se concluir que há alta potencialidade de desenvolver modelos alternativos para a previsão de safra agrícola via satélite. Atualmente, estão sendo desenvolvidos modelos alternativos utilizando-se os dados dos canais 4 e 5 do NOAA AVHRR na estimativa da temperatura da superfície terrestre e na geração do TCI. 5. Referências Bibliográficas COSTA, J. A., Cultura da Soja. Ed. Ivo Manica e J. A. Costa. 233 pp. EIDENSHINK, J. C. AND J. L. FAUNDEEN, The 1 km AVHRR global land data set: first stages in implementation. Int. Jor. Rem. Sens. 51: HODGES, T.; D. BOTNER; C. SAKAMOTO, AND J. HANG, Using the Ceres-maize model to estimate production for the U.S. Cornbelt. Agric. For. Met. 40: LARSEN, R. J., and M. L. MARX, Statistics. Ed. Prentice-Hall, New Jersey. 771 pp. LIU, W. T. H. e B. W. Y. LIU, Comparação de modelo simples e composto de previsão de safra de soja no estado de Minas Gerais. Ciência e Cultura. 40(8): UNGANAI, L. S. and F. N. KOGAN,1998. Drought Monitoring and Corn Yield Estimation in Southern Africa from AVHRR Data. Ren. Sens. Env. 68: RASMUSSEN, M. S.,1997. Operational yield forecasting using AVHRR NDVI data: reduction of enviromental and inter-annual variability. Int. Jour. Rem. Sens. 18: SAS USER S GUIDE: STATISTICS, 1982 EDITION. Cary, N. C.: SAS Institute Inc., pp. Ym1 Ym2 Figura 1: Y do x Ym1, Londrina, PR. Figura 2: Y do x Ym2, Londrina, PR.

5 Ym3 Ym4 Figura 3: Y do x Ym3, Londrina, PR. Figura 4: Y do x Ym4, Londrina, PR. Ym5 Ym6 Figura 5: Y do x Ym5, Londrina, PR. Figura 6: Y do x Ym6, Londrina, PR. Ym7 Ym8 Figura 7: Y do x Ym7, Londrina, PR. Figura 8: Y do x Ym8, Londrina, PR.