SISTEMA DE AVALIAÇÃO DE IMÓVEIS RURAIS. Valores utilizados conforme tabela da Secretaria de Estado da Agricultura e do Abastecimento

Transcrição

1 Número de Controle: 00001/2015 Índice Geral de Preços do Mercado(IGPM) - 08/2014 à 01/01/2015 VTN (2015) Valores utilizados conforme tabela da Secretaria de Estado da Agricultura e do Abastecimento Departamento de Economia Rural (DERAL) - Divisão de Estatísticas Básicas Tipo de Solo(Terra) Capacidade de Uso Área Calculada(ha) Valor da Terra Nua VTN (R$ por hectare) * Roxa Mecanizada 5751,243 R$ ,36 Mecanizável 1903,159 R$ ,60 Não Mecanizável 1935,267 R$ ,36 Mista Inaproveitável 0,000 R$ 6.720,03 Mecanizada 0,000 Mecanizável 0,000 Não Mecanizável 0,000 R$ ,22 Arenosa Inaproveitável 0,000 Mecanizada 0,000 Mecanizável 0,000 Não Mecanizável Inaproveitável * Dados inseridos pelo município 0,000 0,000 R$ 9.494,93 Folha: 1/1

2 1. METODOLOGIA O Valor da Terra Nua VTN para encaminhamento a Receita Federal do Brasil (RFB) para compor o SIPT Sistema de Preços de Terras foi determinado a partir dos valores fornecidos pela Secretaria de Estado da Agricultura e do Abastecimento Departamento de Economia Rural (DERAL) Divisão de Estatísticas Básicas. Sendo consolidado em um único valor através de média ponderada das diversas capacidades de uso agrícola. Este documento apresenta a metodologia utilizada no processo de confecção do mapa de capacidade agrícola do Estado do Paraná. Para alcançar este objetivo, foram necessárias etapas contínuas que caracterizam o desenvolvimento metodológico. As ações de cada uma das etapas, podem ser visualizados na Figura 1. Nos itens subsequentes será apresentada a metodologia aplicada em cada etapa. Figura 1 - Etapas da Metodologia até a obtenção do mapa de Capacidade Agrícola Folha: 2/2

3 1.1 Materiais: Para a confecção deste produto, foram utilizados os seguintes dados: Divisão municipal no formato vetorial (shapefile) do Instituto Brasileiro de Geografia e Estatística (IBGE): Esta base cartográfica é compatível com a escala de 1: de acordo com critérios técnicos preestabelecidos pelo IBGE; Mapa de Solos; Mapa da divisão das regiões de atuação da Fundação Nacional de Pesquisa (FNP); Imagens de radar do sensor SRTM; Imagens do sensor LISS. E os programas computacionais, listados abaixo: QUANTUM GIS (QGIS) - Software de SIG Gratuito e Open Source; GASS GIS - Software de SIG Gratuito e Open Source Tratamento dos dados do Sensor SRTM Nesta etapa foram adquiridas as imagens do modelo digital de elevação (MDE), originárias da missão de mapeamento do relevo terrestre SRTM ("Shuttle Radar Topography Mission"), desenvolvida pela NASA ("National Aeronautics and Space Administration") e NGA ("National Geospatial-Intelligence Agency") no ano de Estas imagens encontram-se no formato GEOTIFF (16 bits), com resolução espacial de 90 metros, em sistema de coordenadas geográficas e Datum WGS-84. São distribuídas gratuitamente no endereço eletrônico: Foram obtidas todas as cenas do Estado do Estado do Paraná (Figura 2). Folha: 3/3

4 Figura 2 - Cenas das imagens de radar SRTM necessárias para cobrir a área de estudo. De posse das imagens SRTM, as cenas que compõem a área de estudo foram mosaicadas em um único arquivo. Em seguida o Modelo Digital do Terreno foi recortado em função do limite do Município (Figura 3). Figura 3 - Modelo Digital do Terreno Gerado Folha: 4/4

5 Criação do Mapa de Declividade A classificação do relevo tem peso significativo na definição das classes de capacidade de uso das terras, pois apresenta estreita relação com aspectos ligados ao uso e manejo agrícolas (INCRA, 2006). Nesta metodologia, o modelo digital do terreno foi reclassificado seguindo a metodologia descrita no manual de obtenção de terras e perícia judicial do INCRA (2006). A Tabela 1 mostra os valores de referência deste manual para as classes de relevo e classes de declividade do processo inicial de análise para obtenção de terras. Tabela 1 - Parâmetros do INCRA classes de declividade x classes de relevo. Fonte: INCRA (2006) Tratamento dos dados do Sensor LISS Para obter o mapa de solo exposto, foi necessário extrair das imagens as áreas que apresentavam esta característica, diferenciando a mesma das outras categorias de uso e ocupação do solo. Inicialmente, foram obtidas as imagens do satélite ResourceSat, sensor LISS3, que estão disponíveis gratuitamente na página do Centro de Dados de Sensoriamento Remoto (CDSR) do INPE.Foi observada a necessidade da realização do registros de todas as cenas, com o objetivo de melhorar o georreferenciameno das mesmas. Foram escolhidos para cada cena cerca de 6 a 10 pontos de controle. Concluído o georreferenciamento das imagens, deu-se início a etapa de composição de imagens (RGB ou falsa-cor), que consiste da combinação de 3 bandas espectrais de satélites para a formação de uma composição colorida (SOARES et al., 1992). O resultado destas duas etapas pode ser visualizado na Figura 4. Folha: 5/5

6 Figura 4 - Imagens após a realização do Registro (Georreferenciamento) e composição RGB. Em seguida foi realizado o processo de classificação de imagens, que é baseado na distinção e identificação de diferentes classes com comportamentos espectrais diferenciados (Bernardi, 2007). Logo, se faz necessário o conhecimento do comportamento espectral dos objetos da superfície terrestre e dos fatores que interferem nesse comportamento (NOVO, 1992). Pelo processo da identificação dos alvos através das assinaturas espectrais, ou seja, da forma e intensidade relativa com que cada corpo reflete ou emite a radiação eletromagnética nos diversos comprimentos de onda, é possível classificar os objetos presentes em cada imagem. Para tanto é preciso conhecer as diferenças na assinatura espectral dos alvos (NOVO, 1992). A figura 5 mostra a curva de reflectância de diferentes tipos de alvos nos diferentes comprimentos de onda extraída de D'arco (2009). Folha: 6/6

7 Figura 5: Comportamento Espectral de Alvos (D'ARCO, 2009). O processo de classificação subdivide-se em supervisionada e não-supervisionada, dependendo do algoritmo que será aplicado (MOREIRA, 2003). Para este trabalho foi utilizado o processo de classificação supervisionada ou "píxel a píxel onde usa-se de forma individual a informação espectral de cada píxel na busca por regiões homogêneas. Crósta (1993) afirma que, na classificação supervisionada, é necessário que o usuário tenha conhecimento prévio da área a ser classificada. Esse tipo de observação é chamado de verdade terrestre. Essas áreas podem ser usadas como padrão de comparação, com a qual todos os pixels desconhecidos da imagem serão comparados para decidir a qual classe pertence. Depois de definidas o sistema de classificação o analista pode partir para a classificação propriamente dita. Como método, foi escolhido o da Máxima Verossimilhança o qual considera a ponderação das distâncias médias, utilizando parâmetros estatísticos de distribuição dos pixels dentro de uma determinada classe (CRÓSTA, 1993). - Definição das classes A seleção e caracterização das classes de interesse foram realizadas com base na interpretação visual do mosaico criado a partir do processo de Composição colorida RGB, (falsacor), procurando identificar os principais tipos de cobertura da terra (AFFONSO et al, 2013). A caracterização das classes foi auxiliada pela elaboração de uma chave de interpretação, cuja finalidade é organizar todo o material utilizado no reconhecimento dos objetos e na interpretação de seus significativos (NOVO, 1989) para cada uma das classes. Folha: 7/7

8 O resultado da classificação digital é apresentado por meio de classes espectrais (áreas que possuem características espectrais semelhantes), uma vez que um alvo dificilmente é caracterizado por uma única assinatura espectral (BRASIL, 2006). Desta forma, para este trabalho, os alvos foram divididos em 3 classes: Solo exposto, Vegetação e Massa d'água, como mostra a Figura 6. Figura 6 - Imagem Classificada Processamento dos dados em formato vetorial Realizada a etapa de classificação das imagens e de geração do mapa de declividade, iniciouse o processo de conversão dos arquivos raster. Em seguida foi utilizado a operação de álgebras de mapas conhecida como União (union) que possui a função de unir os dados vetoriais e seus atributos em um único tema (Figura 7). Figura 7 - Exemplo da operação "União" de camadas vetoriais Folha: 8/8

9 2 - Resultados O mapa de capacidade agrícola criado pode ser visto na Figura 8. Através do mesmo é possível identificar o tipo de solo, as classes de declividade e se há presença ou não de solo exposto para uma determinada área. Figura 8 - Mapa de Capacidade Agrícola 3 - Metodologia para determinação do SIPT Para adequar a apresentação dos resultados conforme Instrução Normativa da Receita Federal do Brasil n 1562, de 29 de abril de 2015, adotou-se os valores de um imóvel de dimensão média e situação regular de acesso. Utilizando-se a correlação conforme tabela a seguir: Descrição - IN n 1562 I - lavoura - aptidão boa: terra que suporta manejo intensivo do solo, apta a cultura temporária ou permanente, mecanizada ou mecanizável, com boa declividade e solos de boa ou média profundidade, bem drenados, irrigada ou irrigável ou, ainda, com condições específicas que permitam a prática da atividade agrícola com produtividade alta ou média. Classificação DERAL Roxa mecanizada Roxa mecanizável Mista mecanizada (média ponderada) Folha: 9/9

10 II - lavoura - aptidão regular: terra apta a cultura temporária ou permanente que possui limitações de uso, que não comporte manejo intensivo do solo, que não seja apta à mecanização, ou seja, com condições e restrições relacionadas a fatores que diminuam a produtividade, tais como erosão, drenagem, clima, solos rados e relevo. III - lavoura - aptidão restrita: terras que apresentam limitações fortes para a produção sustentada de um determinado tipo de utilização, observando as condições do manejo considerado. Essas limitações reduzem a produtividade ou os benefícios, ou aumentam os insumos necessários, de tal maneira que os custos só seriam justificados marginalmente. IV - pastagem plantada: terra para pastagem plantada ou melhorada, assim considerada a terra imprópria a exploração de lavouras temporárias ou permanentes por possuírem limitações fortes à produção vegetal sustentável, mas que podem ser utilizadas sob forma de pastagem mediante manejo e melhoramento. V - silvicultura ou pastagem natural: terra parapastagem natural, silvicultura ou reflorestamento, assim considerada a terra cuja possibilidade de manejo e melhoramento resume-se a práticas com baixo nível tecnológico e reduzida aplicação de capital e que, por essa razão, não possibilitam o uso indicado nos incisos anteriores. VI - preservação da fauna ou flora: terra inaproveitável ou com restrição ambiental, terras com restrições físicas, sociais, ambientais ou jurídicas que impossibilitam o uso sustentável e, por isso, são indicadas para a preservação da flora e da fauna ou para outros usos nõa agrários. Roxa não mecanizável Mista mecanizável (média ponderada) Mista não mecanizável Arenosa mecanizada Arenosa mecanizável (média ponderada) Mista não mecanizável Arenosa não mecanizável (média ponderada) Arenosa não mecanizável Roxa inaproveitável Mista inaproveitável Arenosa inaproveitável (média ponderada) 4 - Conclusões Em cumprimento ao disposto na Instrução Normativa RFB n 1562, de 29 de abril de 2015, envio abaixo as informações sobre o Valor da Terra Nua - VTN do município de TUPÃSSI para o ano 2015 Ano Lavoura Aptidão boa Lavoura Aptidão regular Lavoura Aptidão restrita Pastagem Plantada Silvicultura ou Pastagem Natural Preservação da Fauna ou Flora 2015 R$33.048,78 R$17.207,36 R$10.859,22 R$10.177,08 R$9.494,93 R$6.720,03 Os dados sobre o levantamento sao os descritos a seguir: Folha: 10/10

11 Responsável pelo levantamento: Eng. Agr. Wagner de Oliveira Filippetti - CPF CREA n (Registro nacional) Descrição simplificada da metodologia: Foram identificadas as diversas aptidões agrícolas através de técnicas de geoprocessamento e utilizados os valores de VTN fornecidos pela Secretaria de Estado de Agricultura e do Abastecimento - Departamento de Economia Rural (DERAL) - Divisão de Estatísticas Básicas. Período de realização da coleda de dados: agosto/ ajustado para 01/01/2015 através do IGP-M (Índice Geral de Preços do Mercado - FGV - Fundação Getúlio Vargas) fator de atualização: 1,018187% 5 - Referências Bibliográficas Affonso,J.J.; Silva,M. S.; Galo,M. de L. B. T. - Classificação baseada em regras da cobertura da terra a partir de imagens multiespectrais de alta resolução espacial, 2013.Disponível em inpe.br/sbsr2013/files/p0365.pdf, acesso em setembro de Crosta, Á.P. Processamento digital de imagens de Sensoriamento Remoto. Campinas SP: IG/UNICAMP, Bernardi, H. V. F.; Dzedzej, M.; Carvalho, L. M. T.; Júnior, F. W. A. Classificação digital do uso do solo comparando os métodos "pixel a pixel" e orientada ao objeto em imagem QuickBird. Anais: XIII Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis, Brasil, 2007, INPE, p Bessa, J. C. M. de - Detecção de mudanças em solo urbano com a utilização de imagens de sensoriamento remoto de alta resolução espacial. Anais: XV Simpósio Brasileiro de Sensoriamento Remoto, Curitiba, Brasil,INPE, p Disponível < Acesso em setembro de Brasil. Manuais. Tutorial de Geoprocessamento - Classificação de Imagens. INPE, D arco, E. Radiometria e Comportamento Espectral de Alvos. INPE. Disponível em: unitau.br. Acesso em: 3 maio INCRA - Instituto Nacional de Reforma Agrária Manual de obtenção de terras e perícia judicial. 140p. Novo, E.M.L. de M. Sensoriamento remoto: Princípios e Aplicações. São Paulo: Edgar Blücher, Soares, A.M.L.; Leite, F.R.B.; Lemos, J. de J.S.; Martins, M.L.R.; Mayorga, R.D.; Oliveira, V.P.V. de. Áreas degradadas susceptíveis aos processos de desertificação no estado do Ceará - Brasil. In: Conferência Internacional sobre Impactos de Variações Climáticas e Desenvolvimento Sustentável em Regiões Semi-Áridas - ICID, 1992, Fortaleza/CE. Anais. Fortaleza: ICID, p Folha: 11/11