DETERMINAÇÃO DE ÍNDICES DE VEGETAÇÃO USANDO IMAGENS DE SATÉLITE PARA AGRICULTURA DE PRECISÃO

Transcrição

1 DETERMINAÇÃO DE ÍNDICES DE VEGETAÇÃO USANDO IMAGENS DE SATÉLITE PARA AGRICULTURA DE PRECISÃO Ziany Neiva Brandão (Embrapa Algodão / ziany@cnpa.embrapa.br), Marcus Vinícius Cândido Bezerra (UFCG), Eleusio Curvelo Freire (Embrapa Algodão), Bernardo Barbosa da Silva (UFCG) RESUMO - Muitos estudos têm demonstrado a utilidade do uso de índices ópticos, obtidos através de ferramentas de sensoriamento remoto, na avaliação das características biofísicas da vegetação. Uma das principais aplicações do sensoriamento remoto na agricultura é o auxílio no gerenciamento de fazendas como a monitoração da colheita, a recuperação da umidade do solo, a estimativa da área de colheita, e o cálculo do rendimento com a maior precisão possível. Com a finalidade de realizar estes estudos para uma região predominantemente de plantio de algodão, no município de Primavera do Leste, estado do Mato Grosso, foram analisados neste trabalho os índices de vegetação da diferença normalizada (IVDN) e o índice de área foliar (IAF), usando imagens do Landsat Thematic Mapper e a ferramenta de parametrização SEBAL. Foram feitas as relações entre as refletâncias para dois diferentes comprimentos de onda, sobre um sistema de três camadas, de forma a obter o IVDN e o IAF, para o período de crescimento da cultura. Foi verificado que a parametrização usada se adequa ao propósito de estimativa do índice de área foliar, sendo muito útil em programas de monitoração de colheita e cálculo da produtividade. Palavras-chave: sensoriamento remoto, IVDN, SEBAL DETERMINATION OF VEGETATION INDICES USING IMAGES OF SATELLITE TO PRECISION AGRICULTURE ABSTRACT - Many studies have demonstrated the usefulness of optical indices, acquired from remote sensing tools, in the assessment of vegetation biophysical variables. One of the main applications of agricultural remote sensing is to assist in farming management, monitoring of crops, retrieval of soil moisture, estimation of crop area and yield with the highest possible accuracy. This work analyzed the Normalized Difference Vegetation Index (NDVI) and Leaf Area Index (LAI), using images from Landsat Thematic Mapper and the method of parameterization SEBAL (Surface Energy Balance Algorithm for Land) for a predominantly cotton planted area, located in Primavera do Leste, Mato Grosso State of Brazil. The relationship between the reflectance at two different wavelengths over a three-layer system is derived to get the NDVI and LAI, during the growth period of the crop. It was verified that the parameterization used in this study is accurate enough to estimate the Leaf Area Index, being very useful in crop monitoring programs and to estimate yield. Key words: remote sensing, NDVI, SEBAL INTRODUÇÃO Atualmente o uso de técnicas de gerenciamento de fazendas utilizando ferramentas de agricultura de precisão vem se tornando cada vez mais comum. Uma dessas ferramentas é a obtenção de informações da resposta espectral dos alvos, cujas aplicações exigem a consideração de vários fatores como a textura do solo e o tipo de vegetação em estudo, pois os mesmos podem influenciar na interpretação dos dados.

2 Talvez o mais importante desses fatores seja a cobertura vegetal, para a qual foram criados diversos índices de vegetação, com o objetivo de ressaltar o comportamento espectral da vegetação em relação ao solo e a outros alvos. De acordo com alguns autores, o uso de índices de vegetação para caracterizar e quantificar determinado parâmetro biofísico de culturas agrícolas tem duas grandes vantagens: permite reduzir a dimensão das informações multiespectrais, através de um simples número, além de fornecer um dado altamente correlacionado aos parâmetros agronômicos (WIENGAND et al.,1991; TUCKER, 1979). Embora sejam encontrados mais de 50 índices de vegetação na literatura, muitos estudos comprovam a eficácia dos dois índices mais comumente usados que são, a Razão Simples (RS) e o Índice de Vegetação da Diferença Normalizada (IVDN). Estes índices baseiam-se em simples combinações das refletâncias do visível e do infravermelho próximo e através do IVDN pode-se calcular o índice de área foliar (IAF) e a Radiação Fotossinteticamente Ativa (RFA) [Rondeaux et al., 1996]. Neste trabalho calcularemos o Índice de vegetação da Diferença Normalizada (IVDN) e o Índice de Área Foliar (IAF), através do SEBAL (Surface Energy Balance Algorithm for Land) que é uma plataforma de parametrização de fluxos de calor baseada na análise espectral de imagens obtidas por satélites (BASTIAANSSEN et al., 2000). Para análise e tratamento das imagens, usou-se o software ERDAS, onde foram inseridas as equações de parametrização para cálculo da radiação e dos índices desejados, em imagem obtida através do Landsat Thematic Mapper, da região de Primavera do Leste em abril de 200. Índices de Vegetação baseados na Diferença Normalizada Muitos índices ópticos têm sido apresentados pela literatura tendo sido comprovado que eles estão bem relacionados com vários parâmetros da vegetação como o IAF, a biomassa, a concentração de clorofila, etc. Tem sido mostrado que o desempenho e o uso apropriado de um índice em particular é geralmente determinado pela sensibilidade do índice para a característica de interesse.(zarco- TEJADA, 200). Nosso objetivo é mostrar que o índice de Vegetação da Diferença Normalizada IVDN desenvolvido por Rouse (197) e usado por Tucker (1979), com o objetivo de amenizar a interferência do solo, a influência atmosférica e as variações zenitais do sol, apesar de sua característica de saturação em casos de vegetação com alta densidade e em multicamadas, nos é muito útil para a estimativa da quantidade de água na folha, e para o cálculo do índice de área foliar, além de outros parâmetros. O IVDN é dado por: IVDN = ( ρ ρ ) ρ + ρ (1) onde ρ é a refletância no infra-vermelho próximo [canal (0,78-0,90µm) no TM]; e ρ é a refletância na região do visível (vermelho) [canal (0,6-0,69 µm) no TM]. Apesar de muitos índices de vegetação terem sido criados com o intuito de se obter uma fórmula ideal, do ponto de vista matemático a maioria dos índices de vegetação são funcionalmente equivalentes, embora Haboudane (200) tenha identificado algumas diferenças no desempenho do IVDN e RS, quando comparados ao IVAS (Índice de Vegetação Ajustado para o Solo), ao IVMAS (Índice de Vegetação Melhorado Ajustado para o Solo) e ao IVSRA (Índice de Vegetação para o Solo Resistente aos efeitos da Atmosfera). Segundo o autor, alguns desses índices apresentaram um melhor desempenho quando usados na determinação do IAF, com variações na refletância sendo

3 altamente influenciada dependendo do nível de clorofila, [Haboudane, et al, 200]. Para o caso específico do algodão, o melhor índice de determinação do IAF ainda deverá ser avaliado para as condições do Brasil. Segundo Maity (200), o IAF para algodão depende da umidade do solo e da altura da planta, tendo ele criado dois índices de sensitividade, um para o nível de umidade do solo e outro para a altura da planta. (MAITY et al., 200 ; LUQUET et al., 200 ; MCKINION et al., 2001). Por outro lado, percebe-se que quase todos os índices de vegetação são obtidos de medidas da refletância nas faixas espectrais do vermelho e infravermelho próximo do espectro eletromagnético, havendo algumas razões para o uso dessas faixas espectrais, como por exemplo: a. Elas estão presentes em quase todos os satélites; b. Elas possuem mais de 90% da informação espectral sobre a vegetação e c. Nessa faixa a refletância da vegetação verde e saudável é maior que a do solo seco. Neste trabalho usamos as imagens de satélite de alta resolução para o cálculo do índice de vegetação, objetivando a previsão da produtividade, a determinação da quantidade de água na cultura e as condições gerais da planta. MATERIAL E MÉTODOS Após aquisição da imagem do Landsat junto INPE (Instituto Nacional de Pesquisas Espaciais), foi usado para o processamento das mesmas o software ERDAS Imagine 8.5, onde foram desenvolvidos modelos baseados na ferramenta de parametrização SEBAL. Com essa ferramenta, foram calculadas inicialmente a radiância espectral (R) dos canais e, a serem usados no IVDN. Essa radiância é a efetivação da calibração radiométrica, onde o valor de cada pixel da imagem (ND) é convertido em radiância espectral monocromática. Essas radiâncias representam a energia solar refletida por cada pixel, por unidade de área, de tempo, de ângulo sólido e de comprimento de onda, medidas pelo satélite [Bastiaanssen et al., 2000]. A radiância é dada por: R = ai + [( bi ai ) 255]ND (2) onde a e b são as radiâncias espectrais mínima e máxima, dadas pela Tabela 1( Wm -2.sr -1 µm -1 ). ND é a intensidade do pixel (entre 0 e 255) e i corresponde a cada banda espectral do Landsat.

4 Tabela 1. Bandas do Landsat Thematic Mapper, apresentando os coeficientes de calibração e a Irradiância do Topo da Atmosfera para cada faixa espectral. Irradiância Espectral Canais Comprimento de Onda Coeficientes de Calibração no Topo da Atmosfera (µm) ( Wm -2.sr -1 µm -1 ) ( Wm -2 µm -1 ) a b k 1 (azul) 0,5 0,52-1, , (verde) 0,5 0,61 -,576 79, (vermelho) 0,62 0,69-1, , (infravermelho 0,78 0,79-1,76 22,0 107 próx) 5(infravermelho 1,57 1,78-0,11 0, , médio) 6(infravermelho 10, 12,5 1,28 15, termal) 7(infravermelho) 2,10 2,5-0,17 1,156 7,52 Assim a refletância monocromática dos canais de interesse pode ser encontrada usando-se: π Ri ρ i = ki cos Z di () onde R i é a radiância espectral de cada banda, e k é a irradiância solar espectral no topo da atmosfera, (ver Tabela 1). Z é o ângulo zenital solar e d i é o inverso do quadrado da distância relativa Terra-Sol, fornecido em unidade astronômica (UA). Com as refletâncias calculadas, substituímos as refletâncias das bandas e na equação (1) para determinarmos o IVDN, que é um indicador sensível da quantidade e das condições da vegetação, variando entre -1 e +1, onde os valores negativos representam os corpos d água e os positivos as superfícies vegetadas. O Índice de Área Foliar (IAF), que é definido como a razão entre a área foliar de toda a vegetação por unidade de área onde a vegetação se encontra, é um indicador da biomassa e pode ser obtido por equações empíricas com bons resultados (ALLEN et al, 200). Para seu cálculo, Allen usou o Índice de Vegetação Ajustado para efeitos de Solo (IVAS) definido por Huete, Esse índice procura amenizar os efeitos da refletância do solo e é definido como (HUETE, 1998): IVAS = ( 1+ L) ( ρ ρ ) ( L + ρ + ρ ) () O fator L é uma função da densidade da vegetação e sua determinação requer um conhecimento a priori da quantidade de vegetação. O valor desse fator é crítico na minimização dos efeitos das propriedades ópticas do solo na refletância da vegetação. Huete, (1998) sugeriu um valor de L = 0, 5 para variações de primeira ordem na imagem, como sendo um valor otimizado dessa refletância. Assim, o IAF pode ser obtido usando-se a fórmula de Allen, dada por: ( ln( 0,69 IVAS) 0,59) IAF = (5) 0,91 Onde o IVAS foi calculado para a área em estudo. Os índices de vegetação foram analisados quanto ao desempenho como indicadores das condições de crescimento da cultura do algodão,

5 submetido a diferentes sistemas de manejo e irrigação, através da análise de correlação com o índice de área foliar. Refletância (%) 0,5 0, 0,25 0,2 0,15 0,1 0,05 0 RESULTADOS E DISCUSSÃO Existem diversas relações entre os índices de vegetação e o índice de área foliar que se diferenciam bastante devido a influência da clorofila e outras características da cultura em estudo. Solo Para entender a influência dos Vegetação índices de vegetação selecionado para este estudo é apresentado um gráfico da refletância do solo e da vegetação, calculados através do ERDAS, como função do comprimento de onda, que pode ser visto na Figura 1. Pode-se perceber 0,5 0,6 0,67 0,79 1,61 Comprimento de Onda (µm) Figura 1. Refletância do solo e da vegetação com plantio de algodão (dados de Abril de 200) refletância nas bandas 1, 2 e e uma alta refletância na banda. Para os solos, há um aumento linear na refletância a medida que aumentamos o comprimento de onda. Esta resposta espectral permite a diferenciação da vegetação, bem como o estabelecimento de relações com os parâmetros de crescimento da mesma. As áreas de Áreas de Estudo que o comportamento dos alvos corresponde ao esperado, onde a vegetação apresenta uma baixa FazJ FazB Primavera do Leste Figura. IVDN-Detalhe mostrando a área urbana e plantações de algodão. Figura 2. Região de estudo( 15º 15 S - 15º 5 S e 5º 15 W - 5º 5 W) estudo da vegetação foram: a Fazenda Juriti (ao lado da cidade)(fazj), que usou algodão BRS-ITA 90, com 10 plantas/metro e espaçamento entre plantas de 0,90m, obtendo uma produtividade de 20@/ha, bem como a Fazenda Buriti, (FazB) que usou o algodão Fibermax 966, com 1 plantas/m e espaçamento entre plantas de 0,90m, obtendo uma produtividade

6 de (Fig. ). O IVDN foi calculado a partir dos dados de refletância obtidos da imagem, tendo seu valor médio próximo de 0,829 para a primeira área (FazJ) e de 0,827 para a segunda(fazb). Com esse índice foi possível calcular o IAF, que apresentou um valor médio em torno de,9 para a FazJ e,28 para a FazB e que segundo Maity et al (200), são valores aceitáveis se considerando a altura das plantas e as condições de umidade do solo. As regiões de estudo, com detalhes das áreas de plantio de algodão e de solo exposto podem ser visualizados na Figura. CONCLUSÃO A quantificação do Índice de Área Foliar (IAF) e sua distribuição espacial fornecem um meio prático para interpretação dos dados obtidos via sensoriamento remoto. O método de parametrização proposto para determinação dos índices de vegetação forneceu resultados consistentes e pode ser usado para estimativa do IAF da cultura do algodão, mostrando-se assim muito útil para programas de monitoramento e previsão de safras. REFERÊNCIAS BIBLIOGRÁFICAS ALLEN, R. A. W.; RAMSEY, R. D.; WEST, N. E., Spatiotemporal mapping of the dry season vegetation response of sagebrush steppe, Community Ecology 5(1): 69-79, Akadkmiai Kiadd, Budapest, 200. BASTIAANSSEN, W. G. M.; MOLDEN, D. J.; MAKIN, IAN, W., Remote sensing for irrigated agriculture: examples from research and possible applications, Agricultural Water Management, 6, pg , HABOUDANE, D.; MILLER, J. R.; PATTEY, E.; ZARCO-TEJADA, P. J.; STRACHAN, I. B.; Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sensing of Environment, v. 90, p. 7 52, 200. HUETE, A. R. A soil adjusted vegetation index (SAVI). Remote Sensing of Environment, v. 25, p , LUQUET, D., A.; BÉGUÉ a,1, Vidal, A., CLOUVEL, P., DAUZAT, J., OLIOSO, A., GU, X.F., TAO, Y., Using multidirectional thermography to characterize water status of cotton. Remote Sensing of Environment, v. 8, p , 200. MAITY, S.; PATNAIK, C.; CHAKRABORTY, M.; PANIGRAHY, S. Analysis of Temporal Backscattering of Cotton Crops Using a Semiempirical Model, IEEE Transactions on Geoscience and Remote Sensing, v. 2, n., p , 200.

7 MCKINION, J. M.; JENKINS, J. N.; AKINS, D.; TURNER, S. B.; WILLERS, J. L.; JALLAS, E.; WHISLER, F. D. Analysis of a precision agriculture approach to cotton production. Computers and Electronics in Agriculture, v. 2, p , RONDEAUX, G.; STEVEN, M.; BARET, F. Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment, v. 55, p , TUCKER, C.J., Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, v. 8, p , WIENGAND, C. L; RICHARDSON, A. J; ESCOBAR, D. E. Vegetation indices in crop assessment. Remote Sensing of Environment, v. 5, n. 2, p , ZARCO-TEJADA, P. J.; RUEDA, C. A.; USTIN, S. L. Water content estimation in vegetation with MODIS reflectance data and model inversion methods. Remoting Sensing of Environment, v. 85, p , 200.