MONITORAMENTO E PREVISÃO DE SAFRAS NO BRASIL

Transcrição

1 MONITORAMENTO E PREVISÃO DE SAFRAS NO BRASIL Denise Cybis Fontana 1 ; Eliseu Weber 2 ; Jorge Ducati 1 ; Divino Cristino Figueiredo 3 ; Moacir Antonio Berlato 1 ; Homero Bergamaschi 1 1 UFRGS CEPSRM - Caixa Postal 776 CEP Porto Alegre Brasil. dfontana@vortex.ufrgs.br; mberlato@ez-poa.com; homerobe@vortex.ufrgs.br;.ducati@if1.if.ufrgs.br 2 UFRGS - Centro de Ecologia, - Caixa postal CEP Porto Alegre Brasil. eweber@ecologia.ufrgs.br 3 CONAB - SGAS, Quadra 901, Conj. A, Ed. CONAB, CEP Brasília - DF Brasil. divino.figueiredo@conab.gov.br ABSTRACT The aim of this study was to develop and to test methodologies for monitoring and forecasting the harvest of soybean crop, in Brazil, using meteorological data, remote sensing and GIS techniques. The study was carried out during 1999/00. The cultivated area was estimated by the classification of the LANDSAT images taken in different dates along the growth season. The yield estimation was made through agrometeorological models, in which the independent term is the relative water consumption calculated through the water balance. Meteorological data were collected with a network of standard meteorological weather stations. Data were integrated in a geographical information system to estimate the final crop production. The evolution of biomass was monitored through 10 days composite NDVI images, from the NOAA-14 satellite. INTRODUÇÃO Atualmente, a previsão de safras no Brasil é feita através da estimativa anual da produção agrícola em nível nacional, usando questionários aplicados diretamente aos produtores ou às entidades relacionadas à atividade agrícola em cada região. A metodologia consiste em reunir mensalmente representantes dessas entidades para a coleta e análise das informações, que são posteriormente compiladas para o ajuste final em nível nacional. A obtenção de dados confiáveis através dessa metodologia é difícil, lenta e onerosa e implica sempre em um alto grau de subjetividade. A extensão e peculiaridades regionais e sazonais do território brasileiro podem introduzir tantos erros nos resultados desse tipo de avaliação a ponto de invalidar seu uso para alguns propósitos. Os recursos oferecidos pelas tecnologias do geoprocessamento e sensoriamento remoto podem contribuir significativamente à estruturação de sistemas mais eficientes e dinâmicos para a estimativa da produção agrícola regional e nacional (Smith et al, 1987; Delécolle et al, 1992; Figueiredo & Collares, 1993). Para obter-se uma estimativa adequada da produção total torna-se necessário conhecer detalhadamente dois componentes, quais sejam a área cultivada com cada espécie nas diferentes regiões e o respectivo rendimento esperado por unidade de área (Assad & Sano, 1993). O levantamento de área cultivada representa um segmento bastante estudado, onde imagens de satélite têm sido empregadas repetidamente. Várias metodologias foram sugeridas e testadas a partir da metade da década de 70 e durante a década de 80, em escalas que vão de uma única propriedade rural até regiões inteiras (Santos et al, 1988; Rodrigues et al, 1988; Almeida et al, 1990; Moreira, 1990; Sano et al, 1990; Weber & Santos, 1994). O grande desafio do cálculo da área cultivada para fins de previsão de safra reside, atualmente, em desenvolver uma rotina sistemática que permita operacionalizar esta 1

2 fase de acordo com o cronograma dos levantamentos oficiais. Quando expandida para grandes extensões territoriais o volume de dados a analisar e a dificuldade de obter imagens orbitais com cobertura de nuvens aceitável e em tempo hábil podem impossibilitar a geração de resultados satisfatórios sobre a área cultivada (Smith et al, 1987; Chagarlamudi & Plunkett, 1993). Além disso, em regiões onde o tamanho das lavouras é reduzido há um alto grau de incerteza no cálculo da área cultivada devido à confusão das culturas com outros tipos de cobertura ao seu redor (Weber & Santos, 1994). No que se refere à previsão do rendimento, diversos trabalhos realizados no sul do Brasil evidenciam que as condições meteorológicas ocorridas durante o ciclo de desenvolvimento das culturas são as principais responsáveis pela definição do rendimento final, sendo possível, portanto, desenvolver modelos agrometeorológicos com a finalidade de estimar o rendimento esperado (Berlato, 1987; Barni, 1994; Matzenauer et al, 1995). Grande parte dos modelos propostos para culturas de verão utilizam como variável independente alguma expressão da disponibilidade hídrica ponderada durante o ciclo, de acordo com a sensibilidade das plantas ao déficit hídrico em cada fase (Matzenauer et al 1995). No sentido de desenvolver e aperfeiçoar a aplicação operacional de novas técnicas, o Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia da Universidade Federal do Rio Grande do sul elaborou em 1998 um projeto de pesquisa visando o desenvolvimento de metodologias voltadas à previsão da safra da soja e do milho. Em caráter de projeto piloto, o estudo iniciou-se em meados de 1998, e foi desenvolvido em parceria com a Companhia Nacional de Abastecimento (CONAB), financiadora do projeto. A área abrangida foi a região mais expressiva em termos de produção de milho e soja, no Estado do Rio Grande do Sul, com as atividades sendo conduzidas no período de novembro de 1998 a maio de Foram utilizadas as tecnologias do sensoriamento remoto, sistemas de informação geográfica (SIG) e agrometeorologia (Fontana et al., 1999), empregando-se imagens LANDSAT para a estimativa de área e imagens NOAA e dados de estações meteorológicas de superfície para o monitoramento das culturas e para a estimativa de rendimento. Os resultados obtidos mostraram boas possibilidades de aplicação da metodologia para levantamentos da produção de soja em curto prazo, mas com necessidade de pesquisa mais detalhada. O presente trabalho é uma continuidade do primeiro projeto, enfocando a cultura da soja, mas expandindo a área de estudo para diferentes regiões do território nacional. O objetivo geral foi o teste e desenvolvimento de metodologias visando a estruturação de um sistema de monitoramento e previsão de safras no Brasil amparado em novas tecnologias. Os objetivos específicos foram estimar a área cultivada com soja em 50% da área ocupada com a cultura no território brasileiro, usando imagens de satélite de recursos naturais (LANDSAT), estimar o rendimento da soja no Estado do Rio Grande do Sul e Paraná, monitorar o crescimento e o desenvolvimento da cultura da soja em parte do território brasileiro, usando imagens de satélite meteorológico (NOAA) e colher subsídios sobre o desempenho operacional do sensoriamento remoto e do geoprocessamento em situações reais de necessidade de informações para a tomada de decisão. Este último é particularmente importante à medida que pretende testar a efetiva aplicabilidade das técnicas propostas nos levantamentos sistemáticos efetuados todos os anos. MATERIAL E MÉTODOS Além de estimar a produção total, um sistema de previsão de safra necessita ainda incorporar técnicas para monitorar as condições de desenvolvimento da cultura, informando sobre a ocorrência de possíveis problemas durante o crescimento e desenvolvimento das plantas que possam afetar o resultado da colheita. O presente estudo foi desenvolvido seguindo esta óptica, sendo dividido em três segmentos com a finalidade de facilitar a organização e de otimizar a realização das tarefas, os quais são descritos a seguir. 2

3 Estimativa da área cultivada O segmento de estimativa da área cultivada abrangeu algumas das principais regiões produtoras de soja, contemplando cerca de 50% da superfície cultivada com soja no Brasil. A seleção das regiões foi efetuada em um sistema de informação geográfica mediante a elaboração de um mapa temático com a área cultivada por município (Fig. 1), elegendo-se aquelas que concentravam municípios com grande área cultivada. A estimativa de área cultivada nas regiões selecionadas foi realizada a partir do processamento e classificação digital de imagens dos satélites LANDSAT 5 e LANDSAT 7, cuja localização pode ser vista na Fig. 1. A escolha das datas das imagens buscou a coincidência com o pleno desenvolvimento das plantas, baseando-se nas características regionais da cultura da soja. Um levantamento de dados junto a empresas e instituições atuantes nas regiões permitiu elaborar um cenário da cultura em cada região, baseando-se em informações que incluem as épocas de plantio, ciclos de cultivares, ocorrência de pragas e doenças, condições meteorológicos e outros detalhes importantes sobre as lavouras. Obteve-se também as coordenadas da localização de 89 lavouras de soja distribuídas pelos estados do Rio Grande do Sul, Paraná e Mato Grosso do Sul. Fig. 1. Localização das imagens LANDSAT em função da área de soja cultivada por município no Brasil. 3

4 Na etapa de processamento as imagens LANDSAT foram georreferenciadas à base cartográfica existente, no sistema de coordenadas UTM. Em seguida foi realizada a classificação digital, que consiste no agrupamento dos pixels de uma imagem em classes temáticas mediante a análise de padrões de resposta espectral dos diferentes tipos de cobertura do solo (Riple, 1986; Richards, 1995). O método de classificação utilizado foi não supervisionado, através do algoritmo Isodata. Em contraste com a classificação supervisionada, onde é necessário informar ao sistema de processamento de imagens a assinatura das classes desejadas, a classificação não supervisionada não requer informação prévia sobre as classes de interesse. Ela examina os dados e os divide nos agrupamentos espectrais naturais presentes na imagem, seguindo uma lógica conhecida como análise de agrupamento (ou cluster), a partir de alguns parâmetros definidos pelo usuário. Como os agrupamentos que a classificação não supervisionada produz não são classes de informação, mas categorias espectrais (isto é, eles agrupam pixels com padrões de comportamento espectral similares), foi necessário efetuar uma reclassificação das classes espectrais para obter a classe temática soja. Nesta etapa utilizou-se como verdade de campo as coordenadas das 89 lavouras obtidas na fase de levantamento de dados, superpondo-as às imagens para auxiliar a identificação das classes espectrais a agrupar. A última etapa consistiu no cruzamento dos mapas da imagem classificada com os limites municipais, utilizando-se um sistema de informação geográfica. Obteve-se assim a área cultivada por município e a proporção do território municipal coberta pelas diferentes cenas, os quais foram armazenados diretamente em um banco de dados vinculado ao mapa dos limites municipais. Estimativa do rendimento: A estimativa do rendimento de grãos da soja reflete as condições térmicas, hídricas e de crescimento da biomassa ocorridos ao longo do ciclo da cultura. As condições térmicas e hídricas foram monitoradas em áreas de grande volume de produção nos Estados do Rio Grande do Sul (Fig.2) e Paraná (Fig.3), responsáveis por cerca de 46% da produção nacional. Para essa finalidade utilizou-se dados de estações meteorológicas de superfície pertencentes ao 8 o Distrito de Meteorologia (8 o DISME/INMET), à Fundação Estadual de Pesquisa Agropecuária (FEPAGRO/RS) e ao Instituto Agronômico do Paraná (IAPAR). Fig. 2. Região de maior produção de soja no Rio Grande do Sul. Fig. 3. Região de maior produção de soja no Paraná. 4

5 A coleta de dados foi feita em nível diário, de setembro de 1999 a março de As variáveis coletadas foram a temperatura do ar (mínima, média e máxima, o C), a umidade relativa do ar (%), a precipitação pluvial (mm), a velocidade do vento (Km/h), a radiação solar global (calcm -2 dia -1 ) e a insolação (h). Os dados coletados foram utilizados para o acompanhamento das condições meteorológicas durante o ciclo de desenvolvimento da cultura e para o cálculo do déficit hídrico e da estimativa de rendimento através do modelo agrometeorológico. O déficit hídrico foi determinado a partir do balanço hídrico com a metodologia de Thornthwaite- Matter (1955), considerando uma capacidade de armazenamento de água no solo (CAD) de 75 mm, e a evapotranspiração foi determinada através da equação de Penman (1956). O modelo de estimativa de rendimento utilizado neste trabalho é o proposto por Jensen (1968), com a modificação introduzida por Berlato (1987), cuja equação geral é dada por: Y Ym = n ( ETr ) i= 1 ETo λ i i onde: Y rendimento (Kg/ha); Ym máximo rendimento da série estudada (Kg/ha); ETr evapotranspiração real, derivada do balanço hídrico (mm); ETo evapotranspiração de referência, calculada pela equação de Penman (mm); λ - expoente do modelo que representa a sensibilidade relativa da planta ao déficit hídrico durante o período i. (1) Para a cultura da soja na safra 2000, o modelo utilizado foi aquele parametrizado especificamente para os estados do Rio Grande do Sul e Paraná, respectivamente nas equações abaixo: Ym ( ETr 0,259 ) ( ETr 0,316 ) ( ETr ), 485 Y = (2) ETo JAN ETo FEV ( ETr ),638 ( ETr ) 1, ETo DEZ ETo JAN ETo 0 MAR Y = (3) Ym Monitoramento da cultura Além das condições meteorológicas ocorridas durante o ciclo da cultura, o monitoramento abarca também o crescimento da biomassa em escala regional. Foram empregadas no monitoramento imagens diárias do satélite NOAA-14, bandas 1 (visível) e 2 (infravermelho) do sensor AVHRR, obtidas na passagem da tarde, no período de setembro de 1999 a março de A aquisição foi realizada pela estação de recepção de imagens NOAA do Centro Estadual de Pesquisa em Sensoriamento Remoto e Meteorologia (CEPSRM/UFRGS), abrangendo áreas produtoras de soja na região centro-sul do Brasil, nos Estados do Rio Grande do Sul, Santa Catarina, Paraná, São Paulo e Mato Grosso do Sul. Coletadas no formato HRPT, as imagens AVHRR/NOAA foram posteriormente submetidas a correções para a distorção panorâmica, radiância das bandas 1 e 2 e ângulo de incidência solar. A correção geométrica da imagem foi efetuada com base nos parâmetros da órbita do satélite e o georreferenciamento utilizou pontos de controle obtidos em uma imagem definida como padrão, a qual foi inicialmente georreferenciada a uma carta topográfica. A transformação utilizada foi uma polinomial de quinto grau, utilizando a projeção geográfica, esferóide WGS 84 e Datum WGS 84, sendo a reconstrução da imagem feita por interpolação usando o algoritmo de vizinho mais próximo, aproximada para uma resolução espacial equivalente a 2,0 Km. 5

6 O índice de vegetação por diferença normalizada (NDVI) foi determinado por: NDVI ρ = IV ρ V ρ IV + ρ V (4) onde V e IV correspondem, respectivamente, à banda 1 (0,58 a 0,68 µm) e à banda 2 (0,725 a 1,1µm). As imagens foram padronizadas para um intervalo de NDVI de 1,0 a +1,0. A partir das imagens diárias foram geradas imagens de composição decendial, nas quais cada pixel corresponde ao maior NDVI observado ao longo de dez dias consecutivos. O processo de composição registrou cada imagem diária a uma base cartográfica, de forma que um pixel na imagem, em várias datas, correspondesse exatamente à mesma localização no terreno. Estimativa de área cultivada RESULTADOS E DISCUSSÃO No momento da geração deste documento a estimativa de área cultivada ainda não estava totalmente concluída, mas é possível abordar algumas questões importantes à cerca do uso das imagens orbitais para essa finalidade a partir dos resultados parciais. Uma das maiores dificuldades reside na obtenção das imagens com qualidade e em tempo hábil. Com relação à qualidade, a região Centro-oeste do Brasil apresenta grande cobertura de nuvens no verão, época ideal para a diferenciação da soja dos demais tipos de vegetação, dificultando a obtenção de imagens úteis. Em função desse problema, a estimativa de área cultivada pôde ser realizada com apenas 26 cenas LANDSAT (Fig. 1), de um total de aproximadamente 77 cenas necessárias para cobrir a maior parte das regiões produtoras de soja do país. Para contornar esse problema torna-se necessário testar outras formas de realizar essa estimativa, como a utilização de imagens de Radar ou o processamento e classificação de áreas menores nas imagens e sua combinação com estimadores estatísticos como a expansão direta, por exemplo. No que se refere à obtenção das imagens em tempo hábil, os problemas residem em dois pontos: Disponibilização dos metadados das imagens: as cenas disponíveis e respectivos relatórios de qualidade (cobertura de nuvens, ruído, etc.) e Quick Looks foram disponibilizados com um atraso médio de duas semanas em relação à data da passagem do satélite, com atraso ainda maior em alguns casos. Disponibilização das imagens propriamente ditas: as imagens são distribuídas pelo INPE e por algumas empresas privadas, e o tempo médio desde o pedido até o recebimento das cenas também foi de cerca de 2 semanas. Considerando-se que a data ideal para a classificação das lavouras de soja situa-se cerca de um mês e meio a dois meses antes da colheita, os resultados pois serão obtidos quando a colheita estiver sendo realizada. Torna-se, assim, de grande importância investir em uma disponibilização mais eficaz de ambas as informações acima, sob pena de não tornar-se operacional o uso das imagens orbitais para essa finalidade. Quanto ao método de classificação utilizado, os resultados preliminares mostram que a classificação não supervisionada pode se adequar à identificação de áreas de soja, desde que as imagens sejam obtidas na época ideal. Ainda não foi realizada uma avaliação de acurácia da classificação, mas as 89 áreas amostrais obtidas na fase de levantamento de dados sobre a cultura podem ser utilizadas para esse propósito. Em estudos futuros recomenda-se prever atividades exclusivamente para esta etapa. 6

7 Estimativa de rendimento No período de novembro de 1999 a maio de 2000 a temperatura média da região estudada no Rio Grande do Sul apresentou-se ligeiramente acima da normal, enquanto a precipitação ocorrida foi menor que a normal, com exceção do mês de março. A diminuição da precipitação, aliada ao aumento da temperatura do ar, determinou a ocorrência de um déficit hídrico acumulado de 162mm. De novembro a fevereiro verificou-se a ocorrência das maiores deficiências hídricas, coincidindo com o período vegetativo e início do período reprodutivo (Fig. 4). Deficiências de tal magnitude podem influenciar negativamente o rendimento final da cultura, pois as plantas, por não se desenvolverem adequadamente, apresentam uma estatura inadequada para sustentar a produção desejada e/ou para uma colheita mecanizada eficiente. As deficiências hídricas ocorridas no período reprodutivo também podem comprometer seriamente a produção, visto que é neste período que se dá a definição dos componentes do rendimento. As maiores precipitações ocorridas em março no Rio Grande do Sul, em geral, são positivas à produção. Março é período de enchimento de grãos e, normalmente, a disponibilidade hídrica normal dessa região não é suficiente para atender a demanda das plantas Deficiência hídrica (mm) Deficiência hídrica (mm) Nov/99 Dez/99 Jan/00 Fev/00 Meses Mar/00 Abr/00 Mai/00 Nov/99 Dez/99 Jan/00 Meses Fev/00 Mar/00 Abr/00 Fig. 4. Deficiência hídrica decendial para a cultura da soja, período novembro de 1999 a maio de 2000, no Rio Grande do Sul. Fig. 5. Deficiência hídrica decendial para a cultura da soja, período novembro de 1999 a maio de 2000, no Paraná. No Estado do Paraná, novembro apresentou temperaturas abaixo da normal, enquanto que dezembro e janeiro foram meses mais quentes do que o normal. A precipitação pluvial nestes 3 meses foi abaixo da normal, mas só ocorreu déficit hídrico no mês de novembro (Fig. 5). Mesmo apresentando precipitação abaixo da normal, dezembro e janeiro foram meses com totais de precipitação bastante altos. Ressaltase que os meses de verão coincidem com a estação chuvosa, característica das condições climáticas normais da região. Preliminarmente, pode-se inferir que temperaturas mais baixas e a menor quantidade de precipitação no mês de novembro RE2000 ND IM EN 1600 TO (Kg1200 /ha) OFICIAL MODELO OFICIAL MODELO RIO GRANDE DO SUL PARANÁ Fig. 6. Rendimento de soja estimado de forma oficial e pelo modelo agrometeorológico para a safra podem resultar numa menor expectativa de rendimento, pois este é o período de semeadura/emergência das plantas, fase em que a temperatura e umidade são críticos. Já dezembro e janeiro, do ponto de vista meteorológico, foram meses favoráveis para o desenvolvimento da cultura pois a menor precipitação não resultou em déficit hídrico para as plantas. Já a maior quantidade de precipitação no mês de fevereiro pode dificultar as atividades de colheita naquelas lavouras que foram semeadas mais cedo. Nas lavouras que foram semeadas mais tarde, a alta disponibilidade de água no período de enchimento de grãos tende a ser favorável. 7

8 Os modelos agrometeorológicos estimaram, para a safra 2000, um rendimento médio de grãos de soja da ordem de 1674 Kg/ha para o Rio Grande do Sul e 2560 Kg/ha para o Paraná. Estas estimativas foram muito próximas daquelas geradas pelos órgãos oficiais, as quais apresentaram valores de 1643 Kg/ha e 2517 Kg/ha, respectivamente para os dois estados (Fig. 6). A pequena diferença sugere que os modelos propostos são viáveis para utilização em programas operacionais de estimativa de rendimento da soja nestes Estados. Atenção especial deve ser dada ao caráter preditivo dos modelos propostos, pois com aproximadamente um mês de antecedência à colheita já é possível ter uma estimativa confiável do rendimento esperado. Lembra-se, mais uma vez, a objetividade, praticidade e economicidade da metodologia proposta em comparação com o método tradicionalmente utilizado pelos órgãos oficiais, e que a estimativa oficial pode conter erros que não são mensuráveis, dificultando a avaliação comparativa dos resultados. Monitoramento da cultura Analisando toda a série de imagens NDVI disponível verificou-se uma importante variação deste índice e, portanto, de densidade de biomassa, em toda a região envolvendo os estados do Rio Grande do Sul, Santa Catarina, Paraná, São Paulo e Mato Grosso do Sul. Isto é observado nas diferentes regiões em uma mesma data e, também, para uma mesma área ao longo do período de observação (diferentes datas). O comportamento geral foi de baixos valores de NDVI de outubro a início de dezembro, aumentando a partir de meados de dezembro, janeiro e fevereiro, voltando a ter seu valor reduzido no mês de março. Este comportamento ajusta-se ao esperado na medida em que a maior disponibilidade de radiação solar e as temperaturas altas no verão possibilitam maior desenvolvimento da vegetação nativa e cultivada. Nos estados do Paraná e Rio Grande do Sul pode-se observar claramente a grande variação de NDVI e, portanto, da biomassa, nas regiões de maior volume de produção da soja (Fig. 7 e 8). A porção noroeste dos dois estados apresenta valores muito baixos de NDVI em novembro, contrastando com valores muito altos em fevereiro, o que é coerente com o calendário agrícola da soja nestas regiões. O período preferencial de semeadura em novembro determina baixas densidades ou ausência de biomassa, resultando em valores de NDVI muito baixos e constantes. Logo depois, segue um período em que verifica-se a elevação no NDVI, cujo incremento está associado ao crescimento e desenvolvimento da biomassa nestas regiões, predominantemente da cultura da soja. Fig. 7. Composição mensal de imagens NDVI de novembro de Fig. 8. Composição mensal de imagens NDVI de fevereiro de

9 Ressalta-se a constante cobertura de nuvens, principalmente no Estado do Mato Grosso do Sul, a qual impossibilitou uma análise adequada do desenvolvimento da biomassa na região. Isto significa que no período de primavera-verão, quando o ciclo da soja coincide com a estação chuvosa local, combinações decendiais de imagens NDVI são insuficientes para retirar o efeito da nebulosidade e, assim, permitir o estudo da biomassa. Estimativa da safra de soja 2000 A estimativa final, ainda não totalmente contabilizada, é representada por tabelas e mapas que expressam o total da produção, obtido pelo produto entre área e rendimento, de forma georreferenciada. Uma das vantagens dos métodos utilizados é o fato de todos os resultados estarem em meio digital e vinculados à sua localização no espaço. Dessa forma, a partir dos resultados obtidos neste trabalho, será possível saber não apenas quanto cada município produziu, mas onde a produção se situa. A estimativa para outras divisões territoriais, como microrregiões ou estados, pode ser facilmente obtida pela soma da produção dos municípios que os integram. CONCLUSÃO Os resultados e as dificuldades encontradas até o presente momento, servem como alerta e permitem antever providências necessárias para a realização de estudos futuros. Uma delas é a união de esforços em torno da questão de previsão de safras, envolvendo instituições afins em cada região e aproveitando o conhecimento de campo e a disponibilidade de pessoal local. Na medida do possível, a estimativa de área de cultivo deve ser feita localmente, ou seja, cada instituição participante de um projeto como esse deve efetuar os levantamentos na sua região de abrangência. Os mapas e informações espacializadas devem ser padronizadas e adequadamente georreferenciados, de modo a possibilitar sua integração em SIG. A utilização de imagens LANDSAT em duas ou mais datas no ciclo ou associadas a outros métodos, são alternativas a serem consideradas nos próximos estudos. Isso é particularmente crítico no Centro-Oeste brasileiro, onde o clima chuvoso no verão cria dificuldades para a obtenção de imagens úteis. Com a possibilidade de distribuição de imagens de Radar pelo INPE, a maior facilidade de acesso abre um novo campo de pesquisa com sua utilização nas regiões com muita nebulosidade. Quanto à estimativa de rendimento por modelos agrometeorológicos, observou-se dificuldade na obtenção dos dados. Para a realização dessa etapa em tempo real é necessário o estabelecimento de termos de cooperação que formalizem a participação das instituições responsáveis pela coleta dos dados meteorológicos. Outro aspecto importante é o estabelecimento da forma de transferência desses dados, sendo de vital importância a transferência diária e em meio digital. Outra deficiência observada neste segmento refere-se à baixa densidade de estações meteorológicas em operação. Portanto, para a operacionalização de um sistema eficiente de previsão da produtividade agrícola por meio destes modelos é fundamental a modernização e automatização da rede de estações meteorológicas. Finalmente, recomenda-se a difusão das metodologias e técnicas desenvolvidas, de forma a incentivar a integração entre instituições que tenham interesse na questão do monitoramento de safras. Esta integração deve ser direcionada no sentido de se complementar e economizar esforços, por meio da intercâmbio de conhecimento, informações e mão-de-obra. 9

10 BIBLIOGRAFIA Almeida, L.I., Oliveira, L.G., Bezerra, C.C.S Uso atual da terra com ênfase aos aspectos fitofisionômicos da região noroeste do Estado de Mato Grosso. In: VI Simpósio Brasileiro de Sensoriamento Remoto. Manaus. Anais, vol. 2, p Assad, E.D., Sano, E.E Sistema de informações geográficas: aplicações na agricultura. EMBRAPA- CPAC. Planaltina, Brasil. 274 p. Barni, N.A Modelos de crescimento, desenvolvimento e rendimento do girassol em função da radiação solar, temperatura e disponibilidade hídrica. Porto Alegre, Tese (doutorado em Fitotecnia). Fac de Agronomia/UFRGS. 249p. 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. São José dos Campos, Tese (doutorado em Meteorologia). Instituto Nacional de Pesquisas Espaciais. 93p. Chagarlamudi, P., Plunkett, G.W Mapping applications for low-cost remote sensing and geographic information systems. International Journal of Remote Sensing. vol. 14, p Delécolle, R., Maas, S.J., Guérit, M., Baret, F Remote sensing and crop production models: present trends. ISPRS Journal of Photogrammetry and Remote Sensing. vol. 47, p Figueiredo, D.C., Collares, J.E.R PREVSAFRA - Estimativa da produção agrícola. In: VII Simpósio Brasileiro de Sensoriamento Remoto. Curitiba. Anais, p Fontana, D.C.; Ducati, J.R.; Weber, E.; Berlato, M.A.; Bergamaschi, H.; Figueiredo, D.C. Desenvolvimento e teste de metodologia para o monitoramento e previsão de safras no Rio Grande do Sul. 74p CEPSRM (Relatório de Pesquisa). Matzenauer, R.; Bergamaschi, H. Berlato, M.A.; Reboldi, J Relações entre rendimento de milho e variáveis hídricas. Revista Brasileira de Agrometeorologia, Santa Maria, v.3, p Moreira, M.A Uso da expansão direta para estimar áreas de soja e milho através dos dados multiespectrais e temporais do LANDSAT/TM. In: VI Simpósio Brasileiro de Sensoriamento Remoto. Manaus. Anais, vol. 3, p RICHARDS, J. A Remote sensing digital image analysis. Springer-Verlag, New York. 281 p. Riple, W.J Spectral reflectance relationship to leaf water stress. Photogrammetric Engineering & Remote Sensing. vol. 52, p Rodrigues, R.L.V., Valério Filho, M., Mendonça, F.J., Santos, R., Rodrigues, L.F.H Determinação do incremento de áreas agrícolas através de imagens MSS-TM/LANDSAT. In: V Simpósio Brasileiro de Sensoriamento Remoto. Natal. Anais, vol. 1, p Sano, E.E., Watrin, O.S., Funaki, R.S., Medeiros, J.S., Dias, R.W.O Mapeamento em semidetalhe (1: ) da cobertura vegetal e do uso da terra na microrregião de Tomé-açu e alguns municípios das microrregiões do baixo Tocantins e Guajarina, Estado do Pará, através de imagens do TM LANDSAT 5. In: VI Simpósio Brasileiro de Sensoriamento Remoto. Manaus. Anais, vol. 2, p Santos, R.Z., Mendonça, F.J., Neves, C.C., Azevedo, L.G., Martini, P.R Aplicações de imagens TM/LANDSAT na análise temporal do uso da terra a nível de imóvel rural. In: V Simpósio Brasileiro de Sensoriamento Remoto. Natal. Anais, vol. 1, p Smith, T.R., Menon, S., Star, J.L., Estes, J Requirements and principles for the implementation and construction of large-scale geographic information systems. International Journal of Geographic Information Systems, vol. 1, p Weber, E.J.; Santos, M.V Analisis estadístico de la estimación de areas cultivadas con arroz (Oriza sativa L.) bajo riego utilizando productos de percepción remota. In: III Simposio Argentino de Teledetección. Anais. Universidad Nacional de Cordoba. Cordoba, Argentina. AGRADECIMENTOS Ao Departamento de Economia Rural da Secretaria de Agricultura do Paraná; ao 8º Distrito do Instituto Nacional de Meteorologia; Fundação Estadual de Pesquisa Agropecuária do Rio Grande do Sul; a Superintendência Regional da Conab no Rio Grande do Sul; ao Instituto Nacional de Pesquisas Espaciais; ao Centro Nacional de Pesquisa da Soja da EMBRAPA(PR); ao Instituto Brasileiro de Geografia e Estatística; a EMATER/RS; ao CONAE - Argentina, a empresa Oceansat, a Fundação Universidade do Rio Grande (RS); Ao Centro de Ecologia da UFRGS; ao Departamento de Plantas 10

11 Forrageiras e Agrometeorologia da Faculdade de Agronomia da UFRGS; a Fundação de Apoio da UFRGS. Os autores agradecem ainda a todos que, direta ou indiretamente, contribuíram e continuam ajudando na realização do Projeto. 11