PUBLICAÇÕES DO CEPSRM

Transcrição

1 PUBLICAÇÕES DO CEPSRM Monitoramento e Previsão da Safra de Soja 1999/2000 no Brasil D.C. Fontana 1,2 ; J.R. Ducati 1,3 ; E. Weber 4, M. A. Berlato 1,2, H. Bergamaschi 2, D. C. Figueiredo 5 Série D: Relatório Técnico N 005/01 Dezembro/ Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia, CEPSRM/UFRGS 2 Faculdade de Agronomia, UFRGS 3 Instituto de Física, UFRGS 4 Centro de Ecologia, UFRGS 5 Companhia Nacional de Abastecimento, CONAB

2 MONITORAMENTO E PREVISÃO DA SAFRA DE SOJA 1999/2000 NO BRASIL PROJETO UFRGS/CONAB RELATÓRIO FINAL

3 MONITORAMENTO E PREVISAO DA SAFRA DE SOJA 1999/2000 NO BRASIL EQUIPE TÉCNICA Universidade Federal do Rio Grande do Sul - UFRGS Jorge Ducati, Dr. / CEPSRM / UFRGS Coordenador Administrativo Denise Cybis Fontana, Dr a. / Fac Agronomia / CEPSRM / UFRGS Coordenadora Técnica Eliseu Weber, Ms. / Centro de Ecologia / UFRGS Moacir Antonio Berlato, Dr. / Fac Agronomia / CEPSRM / UFRGS Homero Bergamaschi, Dr. / Fac de Agronomia / UFRGS Companhia Nacional de Abastecimento CONAB Divino Cristino Figueiredo, Ms. / GEAME / CONAB Coordenador do Convênio pela CONAB

4 ÍNDICE 1 INTRODUÇÃO 1 2 ADMINISTRAÇÃO DO PROJETO Formação da equipe de trabalho permanente e temporária Organização do local de trabalho Tramitação do projeto na UFRGS/FAURGS Cronograma de desembolsos financeiros Interação com a CONAB Interação com a comunidade científica 3 3 MONITORAMENTO DA BIOMASSA NA SAFRA 1999/ Imagens NOAA/AVHRR Estação de recepção de imagens NOAA/AVHRR Características das imagens NOAA/AVHRR Processamento das imagens NOAA/AVHRR Correções radiométrica e geométrica Imagens de índice de vegetação Imagens decendiais Extração de dados espectrais Resultados alcançados Análise visual das imagens Perfis espectrais 19 4 ESTIMATIVA DO RENDIMENTO Estado do Rio Grande do Sul Monitoramento das condições meteorológicas Modelo de estimativa do rendimento da soja Coleta de dados de rendimento observado em lavouras de soja no ano agrícola 1998/ Estado do Paraná Monitoramento das condições meteorológicas Modelo de estimativa do rendimento da soja 58 5 ESTIMATIVA DA ÁREA CULTIVADA Definição da área de estudo e das imagens de satélite necessárias Seleção das regiões Identificação das imagens de satélite necessárias para cobrir a área de estudo Seleção da base cartográfica Levantamento de dados sobre a cultura Dinâmica da cultura da soja nas diferentes regiões Cadastramento de áreas amostrais definição das melhores datas de aquisição das imagens Seleção e aquisição das imagens LANDSAT Processamento e classificação das imagens Georreferenciamento Classificação 78

5 5.5.3 Revisão da classificação Cálculo da área cultivada por município Cruzamentos Totalização Resultados 85 APÊNDICE ESTIMATIVA DE PRODUÇÃO CONSIDERAÇÕES FINAIS Sobre a estimativa do rendimento Sobre o uso de imagens AVHRR/NOAA no monitoramento da biomassa Sobre a estimativa de área cultivada com imagens LANDSAT Sobre o projeto: considerações gerais BIBLIOGRAFIA AGRADECIMENTOS 115

6 1 INTRODUÇÃO O desenvolvimento e teste de metodologias para previsão de safras começou a ser abordado entre a UFRGS e a CONAB em meados de Das reuniões e tratativas realizadas entre as duas instituições, construiu-se uma proposta para a realização de um estudo, em caráter experimental, para estimar a produção de grãos empregando novas tecnologias, em especial imagens por sensoriamento remoto e sistemas de informações geográficas. A área de cobertura desse primeiro trabalho foi a região maior produtora de grãos do Estado do Rio Grande do Sul, sendo o estudo iniciado em novembro de 1998 e concluído em maio de O relatório final do projeto, contendo a metodologia empregada e os resultados obtidos foram entregues à CONAB e às cooperativas agrícolas que colaboraram na execução. Os resultados obtidos mostraram boas possibilidades de aplicação para levantamentos de produção agrícola, mas com necessidade de pesquisa mais detalhada. Em agosto de 1999, já tendo analisado o relatório encaminhado pela UFRGS, a CONAB solicitou nova proposta para a continuidade de pesquisas na safra 1999/2000. O projeto então encaminhado pela Universidade triplicou a área estudada, em relação à área coberta no primeiro projeto, e incluiu a cultura do arroz irrigado ao elenco da pesquisa, além da soja e do milho. Toda a área a ser estudada mantinha-se nos limites do Estado do Rio Grande do Sul. Após a avaliação dessa proposta, a CONAB manifestou interesse na continuidade do projeto em moldes mais amplos, não restritos apenas ao território gaúcho. Em outubro de 1999, uma nova proposta foi solicitada à Universidade, ampliando a área a ser estudada para cerca de 80% da superfície cultivada com soja no Brasil. A superfície a ser coberta pelo estudo causou apreensão aos pesquisadores, em virtude das grandes diferenças existentes entre as diversas regiões do País, tanto no que se refere às condições ambientais (clima, solo, relevo, etc.) quanto às características específicas das culturas em cada região. A heterogeneidade e o tamanho da área a estudar tornariam necessário o envolvimento de várias instituições e de um razoável contingente de pessoas para os trabalhos de campo, ambos impossíveis de organizar em tempo hábil para a realização do estudo na safra 1999/2000. Além disso, ainda que fosse possível montar a rede de apoio com pessoas e instituições em tempo, os recursos financeiros necessários à execução também não estariam disponíveis. Dessa forma, discutiu-se com a CONAB alternativas para viabilizar a continuidade do projeto, mesmo com todas as restrições técnicas e financeiras. Decidiu-se assim suprimir o trabalho de campo e utilizar o conhecimento local de instituições, cooperativas e empresas através de entrevistas. Além disso, seriam utilizadas imagens de satélite de apenas uma data, ainda que isso comprometesse a qualidade dos resultados. As atividades iniciaram em janeiro de 2000, e as tarefas executadas e os resultados obtidos constituem o conteúdo do presente Relatório. 1

7 2 ADMINISTRAÇÃO DO PROJETO O gerenciamento do Projeto incluiu as tarefas de formação da equipe permanente, organização do local de trabalho, e aquisição do material necessário ao segmento de estimativa da área cultivada em soja, bem como a seleção do pessoal necessário nas etapas de manuseio e espacialização dos dados. Também foram importantes a manutenção de um contato ininterrupto com os setores técnicos e administrativos da CONAB, e a interação com a comunidade científica. 2.1 Formação da equipe de trabalho permanente e temporária Para a formação da equipe do Projeto optou-se por recrutar pessoal ligado ao Centro de Sensoriamento Remoto, seja através de vinculação permanente, tanto na área administrativa quanto técnica, quanto através de recrutamento temporário, para a duração do Projeto ou para tarefas puntuais. O recrutamento de pessoal já estável no Centro ou na Universidade foi julgado oportuno, dada a experiência destes funcionários no trato de questões administrativas junto à administração universitária, ou junto aos equipamentos, programas e sistemáticas de trabalho peculiares à organização do CEPSRM. Este recrutamento implicou certamente na atribuição, a estes funcionários, de tarefas adicionais às suas rotineiras, aumentando seu tempo de permanência nos locais do Centro. Esta equipe, não incluindo professores da UFRGS, compreendeu seis pessoas. Todos os professores da UFRGS que participaram do Projeto, a qualquer título, o fizeram sem nenhum tipo de retribuição financeira, adicional aos seus vencimentos normais pela docência. Já o pessoal temporário foi recrutado essencialmente na área técnica, compreendendo especialistas nas áreas de Geografia ou Agronomia, com titulação a nível de Mestrado ou Graduação. Foi também convocado um estudante de graduação com experiência comprovada no controle e aquisição de dados da estação receptora de sinais orbitais dos satélites meteorológicos NOAA. Para a manutenção dos sistemas informáticos lançou-se mão de serviços de pessoal especializado. 2.2 Organização do local de trabalho As condições materiais para a execução do Projeto foram assim disponibilizadas: equipamento informático: o CEPSRM disponibilizou, mesmo antes da liberação dos recursos para o Projeto pela CONAB, um computador de alto desempenho, recém adquirido com recursos de outras fontes, e que seria utilizado para outro Projeto, além de outro computador de menor porte. Assim, este Projeto pôde imediatamente ser iniciado, sem as demoras, que foram grandes, na disponibilização de material através de seus próprios meios. A partir da liberação dos recursos, em sua primeira parcela, destinada a material permanente, foi possível a aquisição de três computadores, assim como do mobiliário de escritório para receber estas máquinas. programas: o CEPSRM colocou à disposição do Projeto todo seu acervo de programas necessários ao Projeto, incluindo os julgados mais importantes. Foram utilizadas, em especial, quatro licenças do programa ENVI, adquiridas com outros recursos. Com a liberação dos recursos de custeio do Projeto, efetuada pela CONAB a partir de junho de 2000, foi possível adquirir as atualizações deste programa, além de outros aplicativos importantes para a proposta do Projeto. espaço físico: o CEPSRM destinou ao Projeto um ambiente exclusivo, onde se concentraram as atividades do Projeto. Além desta sala, foram disponibilizadas todas as áreas do 2

8 Centro, incluindo os setores de Processamento de Imagens, Sistemas de Informações Geográficas, e secretarias. 2.3 Tramitação do projeto na UFRGS/FAURGS Este Projeto, em sua formalização, incluiu a participação da Fundação de Apoio da Universidade Federal do Rio Grande do Sul (FAURGS), a qual se responsabilizou pela gestão financeira dos recursos repassados pela CONAB. A inclusão da FAURGS exigiu trâmites suplementares, além daqueles próprios ao Convênio UFRGS/CONAB. Um tempo considerável foi necessário para a liberação da primeira quota, de R$ ,00, destinada à aquisição de material permanente. 2.4 Cronograma de desembolsos financeiros As dificuldades com relação ao orçamento da União em 2000 tiveram repercussões consideráveis sobre o andamento do Projeto. Com efeito, os recursos de custeio, cuja liberação era prevista para meados de fevereiro, só chegaram à UFRGS no final de junho, o que levou a retardos consideráveis na execução da programação. O próprio fornecimento de imagens dos satélites Landsat, cujo distribuidor para o Brasil é o Instituto Nacional de Pesquisas Espaciais (INPE), sofreu retardos importantes, em grande parte devidos a estes problemas com o orçamento nacional. 2.5 Interação com a CONAB Do ponto de vista técnico, a interlocução com a CONAB fez-se através do seu funcionário em Brasília, M. Sc. Divino Figueiredo, o qual deslocou-se por diversas ocasiões a Porto Alegre, onde participou dos trabalhos de forma efetiva. Registros destas visitas foram encaminhados à CONAB em todas oportunidades. Em junho de 2000, o Diretor do CEPSRM e administrador do Convênio UFRGS/CONAB, Prof. Jorge Ducati, esteve na sede da CONAB em Brasília, mantendo contatos com os setores técnicos e com as esferas gerenciais, em especial com o Dr. Tulio Duran. Nova visita ocorreu no final de outubro, da qual participaram o Prof. Ducati e a Prof a. Dr a. Denise Cybis Fontana. Nesta oportunidade, organizou-se seminário público no auditório da CONAB, para o qual foram convidados, além do próprio pessoal da CONAB, instituições de pesquisa ligadas aos setores produtivos e da área de agronegócios. Tanto os pesquisadores da UFRGS, quanto o Sr. Divino Figueiredo, apresentaram os resultados até então obtidos; as discussões que foram mantidas durante este evento contribuíram grandemente para a definição dos rumos da fase final do Projeto, e para o futuro da pesquisa neste campo, no quadro do Convênio UFRGS/CONAB. 2.6 Interação com a comunidade científica O trabalho desenvolvido pela equipe da UFRGS e pelos técnicos da CONAB teve a divulgação adequada, feita no quadro de reuniões científicas internacionais. Em março, em congresso ocorrido na África do Sul, a Prof a. Dr a. Denise Cybis Fontana apresentou as linhas gerais do Projeto e os resultados obtidos na safra 1998/99. Em novembro, em congresso na Argentina, ao qual compareceram diversos membros da equipe, houve apresentação ao público especializado internacional referente aos resultados da safra 1999/2000. Destes eventos veio a percepção de que o trabalho desenvolvido tem forte componente de pioneirismo, e que o Projeto, embora complexo e ambicioso, é altamente promissor, podendo apresentar seus resultados dentro de prazos relativamente curtos. 3

9 3 MONITORAMENTO DA BIOMASSA NA SAFRA 1999/ IMAGENS NOAA/AVHRR O monitoramento da biomassa regional foi feito usando imagens do satélite NOAA (National Oceanic and Atmospheric Administration), sensor AVHRR (Advanced Very High Resolution Radiometer). As imagens utilizadas, na banda 1 (visível) e banda 2 (infravermelho) do satélite NOAA-14, passagem da tarde, foram obtidas pela estação de recepção de imagens NOAA pertecente ao CEPSRM/UFRGS. O monitoramento foi feito do dia 1 o de setembro de 1999 ao dia 31 de março de 2000, englobando toda a estação de crescimento das culturas de primavera-verão do sul do Brasil. Houve algumas falhas no sistema de recepção durante este período, as quais foram parcialmente preenchidas a partir de doação de imagens por parte da FURG, Brasil, e da CONAE, Argentina Estação de recepção de imagens NOAA/AVHRR A estação de recepção de imagens NOAA do CEPSRM/UFRGS é de fabricação da empresa SMARTtrack (USA) e está em funcionamento desde outubro de É constituída de um prato coletor de 1,52m de diâmetro, com um receptor de microondas operando no domínio de frequências entre 1670 e 1735 MHz, estando apto, portanto, a receber emissões dos satélites da série NOAA (NOAA-10, NOAA-12, NOAA-14 e NOAA-15). Faz parte do equipamento um receptor GPS que fornece continuamente ao sistema de controle a posição geográfica da antena. O controle se faz por um computador Digital Prioris 5200 SX, conectado por cabos RF à antena e ao GPS. O programa de controle SMARTrack, operando em ambiente ERDAS/Image NT, recebe informações, pela Internet, em modo automático, das efemérides dos satélites, atualizadas diariamente. Desta maneira é possível ao sistema saber quando qualquer satélite NOAA está acima do horizonte de Porto Alegre, o que possibilita a recepção dos dados. Esta é feita em tempo real, pois a antena acompanha o satélite em seu deslocamento pela abóbada celeste, desde que aquele esteja a mais de, aproximadamente, três graus do horizonte. O tempo médio de uma aquisição é de cinco minutos, no formato HRTP. Como as passagens se dão a alturas ou distâncias zenitais variáveis, o tamanho das imagens, em bytes, varia Características das imagens NOAA/AVHRR As principais características das imagens NOAA/AVHRR (Kidwell, 1990) podem ser descritas em termos de resolução espectral, espacial e temporal e são apresentadas de forma sucinta a seguir: Resolução espectral - o sensor AVHRR opera em cinco bandas (faixas de comprimento de ondas), quais sejam: banda 1 (0,58 a 0,68 µm), banda 2 (0,725 a 1,10 µm), banda 3 (3,55 a 3,93µm), banda 4 (10,3 a 11,3 µm) e banda 5 (11,50 a 12,50 µm). Nos estudos envolvendo vegetação, em geral, são utilizadas as bandas 1 e 2, a partir das quais é possível a determinação de índices de vegetação. Este tipo de informação pode ser, também, obtida a partir dos satélites de recursos naturais. Já para os demais satélites meteorológicos, como GOES e METEOSAT, tais bandas não são disponíveis, o que inviabiliza sua utilização em estudos que utilizam tais índices. 4

10 Resolução espacial as imagens NOAA são formadas por pixels cuja resolução máxima é de 1,1 x 1,1 Km, em uma faixa de imageamento de m de largura. Essas características espaciais definem a possibilidade de monitoramento de grandes áreas. Com satélites de recursos naturais, como o LANDSAT, é pouco viável em função do grande número de imagens que seriam necessárias. A ampliação da área de imageamento impõe a limitação de um pixel com menor resolução espacial, ou seja, os pixels NOAA representam uma área de terreno muito maior. Entretanto, esse tamanho de pixel é compatível com a escala espacial dos fenômenos ambientais, também de grande escala, que afetam o crescimento da vegetação (seca, enchentes, etc...). Resolução temporal para um mesmo satélite da série NOAA, são disponíveis duas imagens por dia, visto que o satélite cruza o Equador às 14:30 h (passagem diurna) e 2:30 h (passage noturna). Possivelmente, seja essa um das mais importantes características do NOAA, pois a partir das imagens coletadas no período da tarde é possível o monitoramento diário da biomassa, acompanhando sua evolução. Já os satélites de recursos naturais apresentam uma repetitividade possível bem menor. A denominação das imagens recebidas no CEPSRM segue um padrão de 8 dígitos, sendo que os dois primeiros dígitos representam o ano, os três dígitos seguintes o dia (calendário juliano), a seguir um dígito dado por uma letra, indicando a ordem de passagem (a é a primeira, b é a segunda, etc...) e os dois últimos dígitos indicam o satélite da série NOAA. Assim, o nome da primeira imagem utilizada neste trabalho: 99244b14.hrp, indica que é uma imagem de 1999, do dia 244 (que corresponde ao dia primeiro de setembro), da segunda passagem do satélite NOAA-14 (passagem da tarde). A extensão hrp significa que a recepção foi feita no formato HRPT (High Resolution Picture Transmission). 3.2 PROCESSAMENTO DAS IMAGENS NOAA/AVHRR Correções radiométrica e geométrica As imagens NOAA/AVHRR foram adquiridas no formato HRPT e, posteriormente, transformadas, através de uma rotina específica, para ambiente ERDAS/Image, módulo HRPT, gerando uma imagem em formato capaz de ser manipulada em programas de processamento de imagens digitais. Nesta transformação, são processadas as correções para a distorção panorâmica, radiância das bandas 1 e 2 e ângulo de incidência solar. Essas transformações são necessárias devido ao tipo de imagens NOAA, onde a faixa de varredura (diferentes ângulos de visada) e a curvatura da Terra introduzem distorções importantes nas mesmas. Nesta etapa é, ainda, gerado um arquivo contendo as informações sobre os parâmetros da órbita do satélite no momento da aquisição da imagem, necessárias para proceder a correção geométrica da mesma. Na correção geométrica, foi utilizada uma transformação polinomial de terceiro grau, utilizando a projeção geográfica, esferóide WGS 84 e Datum WGS 84. A reconstrução da imagem foi feita por interpolação usando o algoritmo de vizinho mais próximo, sendo aproximada para uma resolução espacial equivalente a 2,0 Km. As imagens coletadas na estação de recepção do CEPSRM abrangem parte da América do Sul, sendo, numa região que vai aproximadamente da latitude de 15 o S até a latitude de 50 o S e desde a Cordilheira dos Andes até cerca de 30 o W de longitude. 5

11 Com o objetivo de reduzir o volume de dados, a partir da imagem original, foi elaborada uma subimagem abrangendo os Estados do Rio Grande do Sul, Santa Catarina, Paraná, São Paulo e Mato Grosso do Sul, tendo como coordenadas extremas 17 o S; 60,2 o W no canto superior esquerdo e 35,2 o S; 44 o W no canto inferior direito da imagem. Em algumas imagens foi necessário um segundo georreferenciamento, feito a partir do uso de ponto de controle coletados em uma imagem considerada como padrão, a qual foi, por sua vez, georreferenciada a uma carta 1: Imagens de índice de vegetação Os índices de vegetação têm sido muito utilizados em estudo que envolvem biomassa, sendo o principal objetivo desses índices o de realçar a vegetação em detrimento de outros alvos, como água e solo. Os índices são bons indicadores da presença e condição da vegetação. São baseados em combinações lineares, razões ou transformações ortogonais de bandas espectrais, o que reduz, portanto, o volume de informações. São diversos os índices de vegetação propostos na literatura, mas, possivelmente seja o Índice de Vegetação por Diferença Normalizada (NDVI), proposto por Rouse et al. (1973), aquele que tem sido mais amplamente utilizado. O NDVI é dado por: NDVI ρ = IV ρ V ρ IV + ρ V (3.1) onde ρ IV e ρ V representam as reflectâncias no infravermelho e visível, respectivamente. O padrão de resposta de alguns alvos na superfície terrestre é conhecido, e descrito de forma resumida a seguir: Nuvens, água e neve apresentam valores de reflectância maiores no visível do que no infravermelho. Assim tais feições apresentam NDVI negativo; Rocha e solo descoberto têm valores similares de reflectância nestes dois comprimentos de ondas, o que resulta em NDVI próximos de zero; Em presença de vegetação, o NDVI assume valores entre 0,1 e 0,6, visto que a reflectância da vegetação no infravermelho é muito superior à reflectância no visível. Altos valores são associados com altas densidades de vegetação sadia; Efeitos atmosféricos, tais como espalhamento por poeiras, aerosóis, gases atmosféricos e nuvens dentro do pixel, agem no sentido de aumentar a reflectância na banda do visível em relação à banda do infravermelho e, assim, reduzir o NDVI. 6

12 Neste trabalho, o NDVI foi determinado, pela equação 3.1, usando a banda 1 (0,58 a 0,68µm) e banda 2 (0,725 a 1,1µm) do AVHRR/NOAA, para todos os dias do período de imagens disponíveis. As imagens foram padronizadas para um intervalo de NDVI que oscilou de 1,0 a +1,0. Esta etapa foi realizada usando o módulo Vegetation Analysis do software ERDAS/Image Imagens decendiais A partir das imagens diárias, foram geradas imagens de composição decendial, na qual cada pixel, geograficamente registrado, corresponde ao maior NDVI observado ao longo de sete dias consecutivos. O processo de composição registra cada imagem diária a uma base cartográfica, de forma que um pixel na imagem, em várias datas, corresponde exatamente à mesma localização no terreno. A combinação temporal das imagens NOAA/AVHRR tem como objetivo reduzir a interferência da atmosfera no valor da reflectância do pixel. A utilização do maior NDVI por pixel representa, teoricamente, obter a máxima condição da vegetação, reduzindo o número de pixels contaminados por nuvens e efeitos das diferentes condições atmosféricas associadas aos diferentes ângulos de visada. A premissa é que qualquer interferência atmosférica como descrito anteriormente (cristais de gelo, vapor d água, aerosóis, ângulo solar e ângulo de visada) diminua o valor do NDVI. Para realização dessa etapa foi utilizada uma rotina do ERDAS, módulo Modeler. As imagens diárias utilizadas na obtenção das imagens composição decendial são apresentadas na Tabela 3.1. Na geração da maior parte das imagens compostas foi utilizado um número inferior a dez imagens, em função de problemas de disponibilidade e/ou de georreferenciamento das imagens diárias. As imagens decendiais foram, então, exportadas para o formato TIFF, de forma a permitir que o restante do processamento fosse realizado no software Idrisi, onde foram aplicados: Máscara: foi utilizado o limite estadual e o limite de toda a região de estudo, em formato booleano, para obter novas imagens onde a informação de NDVI é encontrada somente no território de estudo; Legenda de cores: foi aplicada às imagens uma convenção de falsas cores com o objetivo de facilitar a visualização das diferenças presentes nas mesmas. Nesta classificação, valores negativos de NDVI assumem tons de brando e laranja, enquanto que à medida que a coloração vai se tornando amarelada e verde mais escura, maiores são os NDVI observados. Malha estadual: foram sobrepostos arquivos vetoriais contendo a malha estadual, em formato "DXF", obtida do IBGE. Para geração dos mapas finais, foi sobreposto às imagens uma grade com as coordenadas geográficas e a escala de trabalho. Essas duas etapas foram realizadas utilizando o software Surfer. O layout final foi definido no software Corel Draw. 7

13 Tab Imagens utilizadas na geração das imagens composição decendial. DIAS DECÊNDIOS SET SET SET OUT OUT OUT NOV NOV NOV DEZ DEZ DEZ JAN JAN JAN FEV FEV FEV MAR MAR MAR Dias com células hachurada em cor cinza foram utilizados na formação da imagem composição decendial, os demais apresentaram problemas Extração de dados espectrais De cada imagem decendial foram extraídos valores de NDVI, usando uma janela de amostragem de 3x3 pixels, sendo o pixel central localizado sobre áreas com predominância de lavouras classificadas como soja em imagens LANDSAT-TM, georreferenciadas, obtidas nos meses de janeiro e fevereiro de 2000 (Tabela 3.2 e Figura 3.1 ). O valores médios de NDVI da janela de amostragem foram expressos na forma de perfis espectrais, ou seja, de variação temporal do NDVI no período de setembro de 1999 a março de

14 Tab Coordenadas geográficas das lavouras de soja obtidas de imagens LANDSAT-TM selecionadas para a geração dos perfis espectrais. Lavouras Latitude (sul) Longitude (oeste) Rio Grande do Sul 1 27 o 57'47" 54 o 42'55 " '07" 54 o 33'28" '36" 54 o 33'28" 4 27 o 36'34" 54 o 31'24" 5 27 o 28'07" 54 o 24'24" Mato Grosso do Sul 6 25 o 24'43" 54 o 01'37" 7 25 o 17'14" 54 o 01'02" 8 25 o 59'30" 53 o 43'34" 9 26 o 02'40" 52 o 52'08" o 56'08" 52 o 40'08" Paraná o 14'04" 54 o 45'51" o 09'51" 54 o 44'05" o 14'22" 54 o 32'11" o 13'59' 54 o 43'57" o 31'08" 54 o 35'06" 9

15 Legenda: Cenas LANDSAT km Projeção Geográfica (lat/long) UFRGS/CONAB Monitoramento e Previsão de Safra da Soja no Brasil Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia C E P S R M / U F R G S Coordenação: Eliseu Weber Localização das lavouras de soja, obtidas em imagens LANDSAT selecionadas para geração dos perfis espectrais Fig

16 3.3 Resultados alcançados Análise visual das imagens A constante cobertura de nuvens, principalmente no Estado do Mato Grosso do Sul, prejudicou uma análise mais adequada do desenvolvimento da biomassa usando imagens decendiais, visto que no período de primavera-verão, quando o ciclo da soja coincide com a estação chuvosa local, combinações de imagens NDVI em períodos de 10 dias foram insuficientes para retirar o efeito da nebulosidade. As imagens NOAA obtidas para o período de estudo em nível decendial são colocados no Apêndice 3.1. A partir desta constatação, foram produzidas para toda a região composições mensais de máximo NDVI, as quais são apresentadas nas Figuras 3.2 a 3.8. Nestas imagens verifica-se, claramente, que há uma importante variação de NDVI 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 um mesmo mês e, também, para uma mesma área ao longo do período de observação (diferentes meses). De forma geral, os valores de NDVI apresentaram-se baixos de setembro a novembro (Figuras 3.2, 3.3 e 3.4), aumentando a partir de dezembro, janeiro e fevereiro (Figuras 3.5, 3.6 e 3.7), voltando a reduzir no mês de março (Figura 3.8). Este comportamento é esperado na medida em que a maior disponibilidade de radiação solar, aliada as maiores temperaturas possibilitam maior desenvolvimento da vegetação, tanto nativa, como cultivada. Nos Estados do Paraná e Rio Grande do Sul, pode-se observar a grande variação de NDVI nas regiões de maior volume de produção da soja. A porção noroeste destes Estados apresentaram valores muito baixos de NDVI em novembro (Figura 3.4), contrastando com os valores muito altos em fevereiro (Figura 3.7), o que é coerente com o calendário agrícola médio da soja nestas regiões. O período preferencial de semeadura em novembro, quer convencional ou mínimo, determina baixas densidade, ou mesmo ausência de biomassa, o que causa os baixos e constantes valores de NDVI. Após seguiu-se um período de elevação no NDVI, que está associado ao crescimento e desenvolvimento da biomassa na superfície, predominantemente da cultura da soja nestas regiões. No Estado do Rio Grande do Sul, durante a safra 1998/99 foi verificado o mesmo padrão de evolução do NDVI descrito acima (Fontana et al., 2000a). Entretanto, a magnitude dos valores de NDVI observados na safra 1999/2000 (Fontana et al., 2000b) foi distinto daqueles da safra anterior, acompanhando a oscilação, ano a ano, da densidade de biomassa e, em última instância, dos rendimentos da cultura. 11

17 N Legenda: Abaixo de -0,20-0,19 a 0,00 0,01 a 0,10 0,11 a 0,20 0,21 a 0,30 0,31 a 0,40 Acima de 0,41 UFRGS/CONAB Monitoramento e Previsão de Safra da Soja no Brasil Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia C E P S R M / U F R G S Coordenação: Dra. Denise Cybis Fontana Execução: Laurindo A. Guasselli, Rafael L. Martins, Aníbal Gusso Imagem NOAA14/AVHRR, georreferenciada, do Índice de Vegetação por Diferença Normalizada (NDVI) - Máximo Mensal/ setembro de Fig

18 N Legenda: Abaixo de -0,20-0,19 a 0,00 0,01 a 0,10 0,11 a 0,20 0,21 a 0,30 0,31 a 0,40 Acima de 0,41 UFRGS/CONAB Monitoramento e Previsão de Safra da Soja no Brasil Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia C E P S R M / U F R G S Coordenação: Dra. Denise Cybis Fontana Execução: Laurindo A. Guasselli, Rafael L. Martins, Aníbal Gusso Imagem NOAA14/AVHRR, georreferenciada, do Índice de Vegetação por Diferença Normalizada (NDVI) - Máximo Mensal/ outubro de Fig

19 N Legenda: Abaixo de -0,20-0,19 a 0,00 0,01 a 0,10 0,11 a 0,20 0,21 a 0,30 0,31 a 0,40 Acima de 0,41 UFRGS/CONAB Monitoramento e Previsão de Safra da Soja no Brasil Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia C E P S R M / U F R G S Coordenação: Dra. Denise Cybis Fontana Execução: Laurindo A. Guasselli, Rafael L. Martins, Aníbal Gusso Imagem NOAA14/AVHRR, georreferenciada, do Índice de Vegetação por Diferença Normalizada (NDVI) - Máximo Mensal/ novembro de Fig

20 N Legenda: Abaixo de -0,20-0,19 a 0,00 0,01 a 0,10 0,11 a 0,20 0,21 a 0,30 0,31 a 0,40 Acima de 0,41 UFRGS/CONAB Monitoramento e Previsão de Safra da Soja no Brasil Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia C E P S R M / U F R G S Coordenação: Dra. Denise Cybis Fontana Execução: Laurindo A. Guasselli, Rafael L. Martins, Aníbal Gusso Imagem NOAA14/AVHRR, georreferenciada, do Índice de Vegetação por Diferença Normalizada (NDVI) - Máximo Mensal/ dezembro de Fig

21 N Legenda: Abaixo de -0,20-0,19 a 0,00 0,01 a 0,10 0,11 a 0,20 0,21 a 0,30 0,31 a 0,40 Acima de 0,41 UFRGS/CONAB Monitoramento e Previsão de Safra da Soja no Brasil Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia C E P S R M / U F R G S Coordenação: Dra. Denise Cybis Fontana Execução: Laurindo A. Guasselli, Rafael L. Martins, Aníbal Gusso Imagem NOAA14/AVHRR, georreferenciada, do Índice de Vegetação por Diferença Normalizada (NDVI) - Máximo Mensal/ janeiro de Fig

22 N Legenda: Abaixo de -0,20-0,19 a 0,00 0,01 a 0,10 0,11 a 0,20 0,21 a 0,30 0,31 a 0,40 Acima de 0,41 UFRGS/CONAB Monitoramento e Previsão de Safra da Soja no Brasil Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia C E P S R M / U F R G S Coordenação: Dra. Denise Cybis Fontana Execução: Laurindo A. Guasselli, Rafael L. Martins, Aníbal Gusso Imagem NOAA14/AVHRR, georreferenciada, do Índice de Vegetação por Diferença Normalizada (NDVI) - Máximo Mensal/ fevereiro de Fig

23 N Legenda: Abaixo de -0,20-0,19 a 0,00 0,01 a 0,10 0,11 a 0,20 0,21 a 0,30 0,31 a 0,40 Acima de 0,41 UFRGS/CONAB Monitoramento e Previsão de Safra da Soja no Brasil Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia C E P S R M / U F R G S Coordenação: Dra. Denise Cybis Fontana Execução: Laurindo A. Guasselli, Rafael L. Martins, Aníbal Gusso Imagem NOAA14/AVHRR, georreferenciada, do Índice de Vegetação por Diferença Normalizada (NDVI) - Máximo Mensal/ março de Fig

24 3.3.2 Perfis espectrais A evolução temporal do NDVI das lavouras de soja selecionadas como pontos amostrais nas imagens LANDSAT mostraram padrões semelhantes nos Estados do Rio Grande do Sul, Paraná e Mato Grosso do Sul (Figura 3.9). As variações observadas nos valores do NDVI entre lavouras em cada Estado, possivelmente, sejam devidas a condições distintas de crescimento e, também, à interferência atmosférica diferencial na janela amostral. As condições distintas de crescimento são consequência das distintas práticas de manejo da cultura ou estresses ambientais, enquanto que a interferência atmosférica, como discutido anteriormente, indica que, em alguns casos, nos dez dias consecutivos utilizados na confecção da imagem composição decendial, houve redução no NDVI devido persitência de nuvens no período. Isto foi evidente, nos três Estados, no primeiro decêndio de dezembro e ao longo dos meses de janeiro e fevereiro de 2000, principalmente no Estado do Mato Grosso do Sul. Na Figura 3.9a é apresentada a evolução média decendial do NDVI nas lavouras de soja nos três Estados, mostrando que a interferência atmosférica é persistente nos decêndios, evidenciada pela brusca redução no NDVI. Na figura 3.9b é apresentada a evolução do NDVI máximo mensal, construída visando minimizar a interferência da nebulosidade e, com isso, possibilitar melhor compreensão do comportamento do NDVI. Nesta figura torna-se clara as diferenças entre os Estados. O Estado do Paraná (Figura 3.9b) foi caracterizado por baixos e constantes valores de NDVI, próximos a 0,3, no período de setembro e outubro. Este é o período preferencial de preparo, quer tradicional, mínimo ou direto, para a semeadura da cultura da soja. A baixa densidade de biomassa justifica os baixos valores de NDVI nesta época. A partir de novembro, houve um incremento do NDVI atingindo o máximo valor em fevereiro, quando foram observados valores próximos a 0,6. Esse incremento está associado ao aumento de densidade da biomassa, devido ao estabelecimento, crescimento e desenvolvimento da cultura da soja. Em março verificou-se decréscimo do NDVI, o que está associado à senescência das plantas e, portanto, à finalização do ciclo da cultura. O incremento é interrompido, entretanto, no primeiro decêndio de dezembro devido a nebulosidade persistente neste decêndio. Fontana et al. (2000a), coletando pontos de amostragem em uma grade regular sobre o Estado do Rio Grande do Sul, encontrou um padrão de evolução do NDVI semelhante ao descrito na região noroeste do Estado durante a safra 1998/99, tendo associado este comportamento do NDVI ao crescimento e desenvolvimento da cultura da soja. Já para o Estado do Rio Grande do Sul (Figura 3.9b), a fase inicial de desenvolvimento da cultura da soja foi caracterizada por um incremento lento do NDVI em novembro e dezembro, o que possivelmente esteja associado a algum fator adverso (no capítulo 4 serão mostradas as condições meteorológicas ocorridas durante o ciclo da soja, apontando para uma forte restrição hídrica neste período). Os maiores valores de NDVI foram próximos aos observados no Paraná no mesmo período, ou seja, em janeiro e fevereiro. Em março verificou-se decréscimo do NDVI, o que está associado à senescência das plantas e, portanto, à finalização do ciclo da cultura. Os valores inferiores de NDVI em relação aos observados no Estado do Mato Grosso do Sul está de acordo com os menores níveis médios de rendimento da soja observados no Rio Grande do Sul. 19

25 0,7 0,6 0,5 LAV 1 LAV 2 LAV 3 LAV 4 LAV 5 RIO GRANDE DO SUL NDVI 0,4 0,3 0,2 0,1 0,7 0,6 0,5 SET 1 SET 2 SET 3 OUT 1 LAV 6 LAV 7 LAV 8 LAV 9 LAV 10 OUT 2 OUT 3 NOV 1 NOV 2 NOV 3 DEZ 1 DEZ 2 DEZ 3 JAN 1 JAN 2 JAN3 FEV 1 FEV 2 FEV 3 MAR1 MAR 2 MAR 3 PARANÁ 0,4 NDVI 0,3 0,2 0,1 0,0-0,1 0,8 0,6 SET 1 SET 2 SET 3 OUT 1 LAV 11 LAV 12 LAV 13 LAV 14 LAV 15 OUT 2 OUT 3 NOV 1 NOV 2 NOV 3 DEZ 1 DEZ 2 DEZ 3 JAN 1 JAN 2 JAN3 FEV 1 FEV 2 FEV 3 MAR1 MAR 2 MAR 3 MATO GROSSO DO SUL 0,4 NDVI 0,2 0,0-0,2 SET 1 SET 2 SET 3 OUT 1 OUT 2 OUT 3 NOV 1 NOV 2 NOV 3 DEZ 1 DEZ 2 DEZ 3 JAN 1 JAN 2 DECÊNDIOS JAN3 FEV 1 FEV 2 FEV 3 MAR1 MAR 2 MAR 3 Fig Evolução temporal do NDVI máximo decendial obtido sobre lavouras de soja selecionadas nos Estados do Rio Grande do Sul, Paraná e Mato Grosso do Sul na safra 1999/

26 Para o Mato Grosso do Sul (Figura 3.9b) a evolução do NDVI foi caracterizado pelo incremento a partir do mês de setembro, o que está associado as características de calendário agrícola daquele Estado, onde a cultura da soja é semeada mais cedo em relação ao Rio Grande do Sul e Paraná, dada a maior disponibilidade de radiação solar e as maiores temperaturas. Entetanto, a nebulosidade persistente na região estudada, associada ao início da estação chuvosa, impediu a obtenção de informações sobre as condições da biomassa na superfície. 0,7 0,6 0,5 RIO GRANDE DO SUL MATO GROSSO DO SUL PARANÁ (a) 0,4 NDVI 0,3 0,2 0,1 0,0-0,1 SET 1 SET 2 SET 3 OUT 1 OUT 2 OUT 3 NOV 1 NOV 2 NOV 3 DEZ 1 DEZ 2 DEZ 3 JAN 1 JAN 2 JAN3 FEV 1 FEV 2 FEV 3 MAR1 MAR 2 MAR 3 0,7 0,6 RIO GRANDE DO SUL MATO GROSSO DO SUL PARANÁ DECÊNDIOS (b) 0,5 NDVI 0,4 0,3 0,2 0,1 SET OUT NOV DEZ MESES JAN FEV MAR Fig Evolução temporal média decendial (a) e máxima mensal (b) do NDVI para as lavouras de soja nos Estados do Rio Grande do Sul, Paraná e Mato Grosso do Sul na safra 1999/2000. Os perfis espectrais possuem a mesma informação contida nas imagens, somente que o seu uso permite uma quantificação dos valores de NDVI ao longo do tempo. A meta neste tipo de estudo é estabelecer perfis espectrais típicos, obtidos em anos em que sabidamente foram obtidos 21

27 ótimos rendimentos agrícola e, em geral, estão associados à adequada disponibilidade hídrica para as plantas. Estabelecidos tais perfis, o monitoramento em cada ano, em tempo real, é feito comparando a evolução atual à evolução do perfil típico, podendo servir de indicador das condições de desenvolvimento das plantas. Tal informação é extremamente útil em programas de alertas agrometeorológicos e, também, em programas de previsão de safras agrícolas. 22

28 Apêndice 3.1 IMAGENS DO SATÉLITE NOAA-14 SENSOR AVHRR, EM COMPOSIÇÕES DE MÁXIMO NDVI DECENDIAL, NO PERÍODO DE SETEMBRO DE 1999 A MARÇO DE 2000 ABRANGENDO OS ESTADOS DO RIO GRANDE DO SUL, SANTA CATARIA, PARANÁ, SÃO PAULO E MATO GROSSO DO SUL. 23

29 Composição de Imagens: 03/09 a 12/09/1999 Composição de Imagens: 13/09 a 22/09/ Legenda: Abaixo de -0,20-0,19 a 0,00 0,01 a 0,10 0,11 a 0,20 0,21 a 0,30 0,31 a 0,40 Acima de 0, km Projeção Geográfica (lat/long) UFRGS/CONAB Monitoramento e Previsão de Safra da Soja no Brasil Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia C E P S R M / U F R G S Coordenação: Dra. Denise Cybis Fontana Execução: Laurindo A. Guasselli, Rafael L. Martins, Aníbal Gusso Imagem NOAA14/AVHRR, georreferenciada, do Índice de Vegetação por Diferença Normalizada (NDVI) - Máximo Decendial. 24

39 Composição de Imagens: 21/03 a 30/03/ Legenda: Abaixo de -0,20-0,19 a 0,00 0,01 a 0,10 0,11 a 0,20 0,21 a 0,30 0,31 a 0,40 Acima de 0, km Projeção Geográfica (lat/long) UFRGS/CONAB Monitoramento e Previsão de Safra da Soja no Brasil Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia C E P S R M / U F R G S Coordenação: Dra. Denise Cybis Fontana Execução: Laurindo A. Guasselli, Rafael L. Martins, Aníbal Gusso Imagem NOAA14/AVHRR, georreferenciada, do Índice de Vegetação por Diferença Normalizada (NDVI) - Máximo Decendial. 34

40 4 ESTIMATIVA DO RENDIMENTO Na safra 1999/2000 a estimativa de rendimento da cultura da soja foi feita somente para os Estados do Rio Grande do Sul e do Paraná. Esta definição se fez em comum acordo com a CONAB, sendo função dos seguintes aspectos: Para o Estado do Rio Grande do Sul, havia a experiência do projeto anterior (safra 1998/99), com a existência de um modelo de estimativa já estabelecido e com ótimo desempenho; Para o Estado do Paraná, apesar de não haver disponibilidade de modelo de estimativa de rendimento de soja já desenvolvido, dois fatores foram determinantes para o seu estabelecimento, quais sejam: região com padrão de resposta da cultura às condições meteorológicas com semelhanças ao Rio Grande do Sul e a possibilidade de obtenção de dados meteorológicos e de rendimento da cultura a partir de contatos pessoais com pesquisadores da região. 4.1 Estado do Rio Grande do Sul Monitoramento das condições meteorológicas Metodologia empregada A região monitorada no Estado do Rio Grande do Sul representa a região de maior produção da cultura da soja, seguindo o critério de microrregiões homogêneas do IBGE, com rendimentos médios superiores a 1,5 t/ha. Esta região responde por cerca de 90% da produção total do Estado, podendo, portanto, ser utilizada como estimadora das condições do cultivo da soja em todo o Rio Grande do Sul. Os dados meteorológicos utilizados para o monitoramento foram oriundos de estações pertencentes ao 8 o Distrito de Meteorologia (8 o DISME/INMET) e à Fundação Estadual de Pesquisa Agropecuária (FEPAGRO/RS) distribuídas na região, as quais estão apresentados na Tabela 4.1 e Figura 4.1. Tab Estações meteorológicas no Estado do Rio Grande do Sul, latitude, longitude, altitude e órgão responsável pela coleta dos dados. Estação Latitude (Sul) Longitude (Oeste) Altitude (m) Fonte de Dados Meteorológica Cruz Alta 28 o 38` 53 o 36` o DISME Erechim 27 o 37` 52 o 16` 760 FEPAGRO Ijuí 28 o 23` 53 o 54` o DISME Júlio de Castilhos 29 o 13` 53 o 40` 514 FEPAGRO Passo Fundo 28 o 15` 52 o 24` o DISME Santa Rosa 27 o 51` 54 o 25` 360 FEPAGRO São Luiz Gonzaga 28 o 23` 54 o 58` o DISME 35

41 Para cada estação meteorológica a coleta foi feita em nível diário, no período de novembro de 1999 a abril de 2000, constando dos elementos: temperatura do ar ( o C) - mínima, média e máxima, umidade relativa do ar (%), precipitação pluvial (mm), velocidade do vento (Km/h), radiação solar global (cal cm -2 dia -1 ) e insolação (h). Os dados coletados foram utilizados para o acompanhamento das condições meteorológicas durante o ciclo de desenvolvimento da cultura da soja e, posteriormente, para o cálculo da disponibilidade de água para a cultura, através do balanço hídrico meteorológico, utilizando a metodologia de Thornthwaite-Matter (1957). Esta metodologia consiste no cotejo entre a precipitação pluvial e a evapotranspiração, considerando uma determinada capacidade de armazenamento de água no solo (CAD). No caso, a CAD utilizada foi de 75 mm, representando uma condição média dos solos para culturas anuais na região estudada. Fig Área de maior produção de soja no Estado do Rio Grande do Sul e Estações Meteorológicas utilizadas. 36

42 A evapotranspiração de referência foi determinada através da equação de Penman (1956), dada por: ( Rn ) s + Ea γ 59 ETo = (4.1) s + 1 γ onde : ETo evapotranspiração de referência (mm); s - coeficiente, função da temperatura do ar; γ Rn saldo de radiação (cal cm -2 dia -1 ); Ea termo aerodinâmico. O termo aerodinâmico foi estimado pela equação: ( es e)( 0,5 0,01 ) Ea = 0,35 + u (4.2) onde: es pressão de saturação do vapor d água do ar (mm Hg); e pressão real do vapor d água do ar (mm Hg); u 2 velocidade do vento medida a 2 m de altura (milhas dia -1 ). 2 O saldo de radiação foi estimado pela equação: Rn = 50,9 + 0, 73Rg (4.3) onde: Rg - radiação solar global (cal cm -2 dia -1 ) Resultados alcançados As Figuras 4.2 e 4.3 mostram que a temperatura média da região de estudo apresentou-se ligeiramente acima da normal para o período de novembro de 1999 a maio de 2000, enquanto que a precipitação ocorrida foi menor do que a normal para este período, com exceção do mês de março. A diminuição da precipitação pluvial, aliada ao aumento da temperatura do ar, determinou a ocorrência de um déficit hídrico acumulado de novembro a maio de 162 mm (Figura 4.4). O excesso de precipitação, ocorrido no mês de março, contribuiu consideravelmente para a redução da magnitude do déficit acumulado no período. 37

43 De novembro a fevereiro verificou-se a ocorrência das maiores deficiências hídricas, coincidindo com o período vegetativo e início do reprodutivo (Figura 4.5). Deficiências de tal magnitude (149mm) 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. Já as deficiências hídricas ocorridas no período reprodutivo podem comprometer seriamente a produção, visto que é neste período que se dá a definição dos componentes do rendimento. 30,0 25,0 Temperatura ( o C) 20,0 15,0 10,0 Temperatura média ocorrida Temperatura média normal 5,0 0,0 nov dez jan fev mar abr maio Meses Fig Temperatura média mensal ocorrida na região de estudo no Rio Grande do Sul, no período de novembro de 1999 a maio de 2000, comparada com a normal Precipitação pluvial ocorrida Precipitação pluvial normal Precipitação pluvial (mm) nov dez jan fev mar abr maio Meses Fig Precipitação pluvial mensal ocorrida na região de estudo no Rio Grande do Sul, no período de novembro de 1999 a maio de 2000, comparada com a normal. 38

44 35 Deficiência hídrica (mm) Nov/99 Dez/99 Jan/00 Fev/00 Meses Mar/00 Abr/00 Mai/00 Fig Deficiência hídrica decendial para a cultura da soja na região de estudo, no período de novembro de 1999 a maio de As maiores precipitações ocorridas em março, 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 /out 24/out 4/nov 24/nov 8/dez 24/dez 8/jan 24/jan Área (%) 8/fev 24/fev 8/mar 24/mar 8/abr 24/abr 8/mai 24/mai Data Semeadura Floração Enchimento de grãos Colheita Fig Calendário agrícola médio da cultura da soja no Estado do Rio Grande do Sul. (Fonte de dados: EMATER/RS). 39

45 As Figuras 4.6 e 4.7 mostram a distribuição dos desvios em relação à normal de precipitação acumulada nos meses de novembro a fevereiro e de novembro a março, respectivamente. Observa-se que até fevereiro havia um déficit pluviométrico em praticamente todo o Estado, com exceção da Serra do Nordeste. Na região de maior produção da soja o déficit pluviométrico acumulado atingiu valores superiores a 150 mm. A precipitação abundante ocorrida em março determinou uma redução bastante acentuada no déficit em todo o Estado do Rio Grande do Sul (Figura 4.7) o o o Argentina São Borja 8 Santa Rosa São Lu iz Go nzag a 7 6 Iraí Ijuí Cruz Alta 4 Passo Fundo 5 Santa Catarina 3 Bom Jesus Veranópo lis Caxias do Sul Torres LATITUDE SUL o 33 o o o Uruguaiana Alegrete Quaraí Santana do Livramento Bagé Uruguai 9 São Gabriel Estação meteorológica Santa Maria 1 10 Lagoa Mirim Taquari Encruzilhada do Sul 11 2 Pelot as Rio Grande Po rt o Alegre Lagoa dos Patos Oceano Atlântico Maquiné Santa Vitória do Palmar o o o o o LONGITUDE OESTE o o o 1. Depressão Central 2. Litoral 3. Planalto Superior - Serra do Nordeste 4. Planalto Médio 5. Encosta Inferior - Serra do Nordeste 6. Alto e Médio Vale do Uruguai 7. Missioneira 8. Baixo Vale do Uruguai 9. Campanha 10. Serra do Sudeste 11. Região das Grandes Lagoas Fig Desvios (mm) em relação à normal da precipitação pluvial no período de novembro de 1999 a fevereiro de 2000 no Estado do Rio Grande do Sul. 40

46 o o o Argentina São Borja 8 Santa Rosa São Luiz Gonzaga 7 6 Iraí Ijuí Cruz Alta 4 Passo Fundo 5 Santa Catarina 3 Bom Jesus Veranópolis Caxias do Sul Torres LATITUDE SUL o o o o Urugu aiana Alegrete Quaraí Santana do Livramento Bagé Uruguai 9 São Gabriel Estação meteorológica Santa Maria 1 10 Lagoa Mirim Taquari Encruzilhada do Sul 11 2 Pelot as Rio Grande Porto Alegre Lagoa dos Patos Oceano Atlântico Maquiné Santa Vitória do Palmar o o o o o LONGITUDE OESTE o o o 1. Depressão Central 2. Litoral 3. Planalto Superior - Serra do Nordeste 4. Planalto Médio 5. Encosta Inferior - Serra do Nordeste 6. Alto e Médio Vale do Uruguai 7. Missioneira 8. Baixo Vale do Uruguai 9. Campanha 10. Serra do Sudeste 11. Região das Grandes Lagoas Fig Desvios (mm) em relação à normal da precipitação pluvial no período de novembro de 1999 a março de 2000 no Estado do Rio Grande do Sul Modelo de estimativa do rendimento da soja Metodologia empregada Para a obtenção dos dados do rendimento médio da soja no Rio Grande do Sul utilizou-se o modelo proposto por Jensen (1968), com a modificação introduzida por Berlato (1987), cuja equação geral é dada por: 41

47 Y Ym = n ( ETr ) i= 1 ETo λ i i (4.4) onde: Y rendimento (Kg/ha); Ym máximo rendimento da série estudada (Kg/ha). Para a soja o rendimento máximo é de Kg/ha; ETr evapotranspiração real, derivada do balanço hídrico (mm); ETo evapotranspiração de referência, calculada pela equação de Penman, equação (4.1) (mm); λ - expoente do modelo que representa a sensibilidade relativa da planta ao déficit hídrico durante o período i. Foram utilizadas quatro equações de estimativa de rendimento da soja, cujos expoentes foram ajustados, usando os dados de rendimentos de grãos provenientes de estatísticas oficiais do IBGE, para o Estado do Rio Grande do Sul e dados meteorológicos de estações situadas na região de maior produção de soja no Estado (Figura 4.1 e Tabela 4.1). A obtenção dos expoentes foi realizada através de cálculo de regressão linear múltipla, realizado pelo "software" SPSS. As equações são dadas por: Y Ym Parcial 1: ( ETr 0,132 ) ( ETr 0,390 ) ( ETr ), 425 = (4.5) ETo NOV ETo DEZ ETo 0 JAN Ym Parcial 2: ( ETr 0,078 ) ( ETr 0,104 ) ( ETr 0,310 ) ( ETr ), 493 Y = (4.6) ETo NOV ETo DEZ ETo JAN ETo 0 FEV Y Ym Completo: ( ETr 0,364 ) ( ETr 0,212 ) ( ETr 0,221 0, 104 ) ( ETr 0, ,165 ) ( ETr ) 0, ( ETr ) ( ETr ) = (4.7) ETo NOV ETo DEZ ETo JAN ETo FEV ETo MAR ETo ABR ETo MAI Reduzido: ( ETr 0,259 ) ( ETr 0,316 ) ( ETr ), 485 Y = (4.8) Ym ETo JAN ETo FEV ETo 0 MAR 42

48 As equações (4.5) e (4.6), denominadas modelos parciais, foram ajustadas durante a execução do atual projeto, vindo ao encontro de uma demanda expressa pela CONAB de geração de uma expectativa de rendimento, com base na disponibilidade hídrica para as plantas, anterior ao mês de março. Salienta-se que as estimativas de rendimento geradas por estas equações são somente expectativas. A estimativa final do rendimento de grãos de soja deve obrigatoriamente envolver a disponibilidade hídrica para as plantas do mês de março. Neste mês a cultura encontra-se no período de enchimento de grãos, o qual é fundamental para a expressão do rendimento final a ser obtido. A equação (4.7), dito modelo completo, considera a disponibilidade hídrica durante todo o período em que a cultura da soja encontra-se a campo, representando, portanto, a equação em que é esperado o melhor desempenho. Já a equação (4.8), representando o modelo reduzido, em geral, apresenta um desempenho bastante semelhante ao modelo completo (equação 4.7) e apresenta a grande vantagem de possuir um caráter preditivo, visto que é possível estimar o rendimento da cultura com, pelo menos, 30 dias antes da colheita. Nos Apêndices 4.1 a 4.4 são apresentadas as estatísticas dos modelos propostos, juntamente com os gráficos de dispersão de pontos entre os rendimentos estimados pelos modelos e os rendimentos estimados pelos órgãos oficiais Resultados alcançados A Figura 4.8 mostra o desempenho dos quatro modelos propostos e o rendimento estimado pelos órgãos oficiais que fazem operacionalmente tais estimativas. Analisando-se os resultados obtidos verifica-se que a expectativa de rendimento ao final de janeiro era de 1682 kg/ha (modelo parcial 1). Ao final de fevereiro (modelo parcial 2) a expectativa foi reduzida a 1567 kg/ha em função da deficiência hídrica ocorrida neste mês. Março foi um mês com adequada disponibilidade hídrica, o que possivelmente elevou a estimativa de rendimento para 1674 kg/ha (modelo reduzido). Considerando todo o ciclo da cultura, agora incluindo também o mês de abril, a estimativa foi reduzida para 1568 kg/ha (modelo completo). De forma geral, verifica-se que as estimativas de rendimento de grãos da soja obtidas pelo modelo agrometeorológico, nas diferentes formas, foram muito próximas daquela gerada pelos órgãos oficiais (Figura 4.8). A maior diferença foi observada no modelo parcial 2, o qual utiliza dados de disponibilidade hídrica de novembro a fevereiro, e a menor diferença foi a obtida a partir do modelo reduzido, o qual utiliza somente dados de janeiro, fevereiro e março. Em função desta pequena diferença obtida entre os modelos propostos conclui-se que todos modelos são viáveis para utilização em programas operacionais de estimativa de rendimento da soja. Atenção especial deve ser dada ao modelo reduzido, que apresenta desempenho semelhante aos demais, mas que possui uma característica diferencial, referente ao seu caráter preditivo. Com aproximadamente um mês de antecedência (março), já é possível ter um valor confiável de 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, o que dificulta a avaliação comparativa dos resultados. 43

49 Rendimento (Kg/ha) OFICIAL Parcial 1 Parcial 2 Reduzido Completo Modelos Forma de estimativa Fig Estimativa de rendimentos de grãos de soja no Estado do Rio Grande do Sul na safra 1999/2000. Estimativa oficial é dada por EMATER/IBGE, Modelos: Parcial 1 - período de novembro a janeiro; Parcial 2 - período de novembro a fevereiro; Reduzido - período de janeiro a março; Completo - período de novembro a abril Coleta de dados de rendimento observado em lavouras de soja no ano agrícola 1998/99 O primeiro projeto desenvolvido em cooperação UFRGS e CONAB objetivava o desenvolvimento e teste de metodologias para o monitoramento e a previsão de safras da soja e do milho no Rio Grande do Sul. Neste projeto verificou-se que o modelo agrometeorológico proposto para estimativa de rendimento da soja superestimou as estimativas finais em apenas 7%. Para a cultura do milho, o modelo subestimou em 18%. Ambos modelos apresentaram desempenho muito satisfatório. Entretanto, apontou-se, ao final do projeto, que a verificação da performance dos modelos agrometeorológicos contra os rendimentos oficiais deveriam ser considerados com cuidado, visto que ambos são estimativas. O ideal, apontava-se à época, seria a comparação com dados reais, obtidos em lavouras selecionadas para tal fim e que representassem a condição média da região. Neste contexto, foram coletados dados de rendimento de grãos de soja e de milho, referentes a safra 1998/1999, de lavouras selecionadas pelas cooperativas participantes do projeto (Tabela 4.2) dentro da região de maior produção de soja e milho no Estado. 44

50 Tab Cooperativas agrícolas fornecedoras de dados de rendimento de grãos de lavouras de soja e de milho, referentes a safra 1998/99, no Estado do Rio Grande do Sul. Cooperativa AGROPAN COTRICRUZ COTRIJUC COTRIJUÍ COTRIPAL COTRISA Município Tupanciretã Cruz Alta Júlio de Castilhos Ijuí Palmeira das Missões Santo Ângelo Dessas cooperativas, apenas quatro enviaram os dados referentes aos rendimentos obtidos nas lavouras, sendo que três enviaram os dados completos e uma enviou dados apenas parciais. Os dados foram coletados em 84 lavouras de soja, correspondentes a uma área de 6212,5 ha, e em 47 lavouras de milho, correspondentes a uma área de 2729,1 ha (Apêndices 4.5 e 4.6). O não envio dos dados das outras cooperativas se deveu ao fato de que os mesmos não se encontram reunidos e ordenados nas próprias cooperativas, sendo necessária a obtenção das informações nas lavouras ou com os técnicos responsáveis pelo levantamento dos dados Observado Estimado Modelo Agrometeorológico Reduzido Estimado Órgãos Oficiais 3444 Rendimento (kg/ha) Soja Cultura Milho Fig Rendimento observado em lavouras, estimado pelo modelo agrometeorológico e estimado por órgãos oficiais para as culturas da soja e do milho no Estado do Rio Grande do Sul, na safra 1998/

51 Caso um estudo mais aprofundado verifique rendimentos reais consistentemente superiores aos estimados pelos órgãos oficiais, então será necessário novo ajuste dos parâmetros do modelo agrometeorológico para níveis mais elevados de rendimento. Esta é uma etapa que pode ser implementada desde que se tenha dados de campo confiáveis, ou seja, um tamanho de amostra representativa das diferentes condições de manejo e das diferenças regionais. Com base nas informações enviadas foi feita uma comparação entre os rendimentos reais de lavoura, os estimados pelo modelo agrometeorológico reduzido e os rendimentos estimados pelos órgãos oficiais para o mesmo período (Figura 4.9). Com base nesta Figura, pode-se observar que as estimativas de rendimento, tanto dos órgãos oficiais quanto a do modelo proposto, ficaram abaixo do rendimento obtido a campo. Para soja houve uma diferença de cerca de 500 kg/ha, enquanto que para o milho esta diferença foi bem superior, chegando a 1200 kg/ha. As estimativas de rendimento realizadas pelos órgãos oficiais têm um forte caráter subjetivo, baseado em entrevistas com agricultores e entidades relacionadas ao setor agrícola. A idéia de trabalhar com modelos de estimativa busca, principalmente, diminuir o caráter subjetivo dessas estimativas. Entretanto, é muito prematuro aceitar os resultados apresentados como conclusivos. Entende-se que eles são instigadores de pesquisa, principalmente devido à representatividade da amostra utilizada e da consistência desses resultados em outras safras. 46

52 Apêndice 4.1. Estatísticas de ajuste do modelo agrometeorológico de estimativa de rendimento da soja no Estado do Rio Grande do Sul, período 1975 a 1995, para os meses de novembro a janeiro (Parcial 1) Y estimado (kg/ha) Y observado (kg/ha) Y Ym = ( ETr 0,132 ) ( ETr 0,390 ) ( ETr ), 425 ETo NOV ETo DEZ ETo 0 JAN Estatística de regressão R múltiplo 0.87 R-Quadrado 0,75 Erro padrão 0,22 Observações 20 ANOVA Gl SQ MQ F F de significação Regressão ,853 17,106 0,0000 Resíduo 17 0,848 0,050 Total 20 3,407 Coeficientes Erro padrão Stat t Valor-P Variável X 1-0,132 0,323-0,409 0,688 Variável X 2 0,390 0,266 1,465 0,161 Variável X 3 0,425 0,103 4,117 0,001 47

53 Apêndice 4.2. Estatísticas de ajuste do modelo agrometeorológico de estimativa de rendimento da soja no Estado do Rio Grande do Sul, período 1975 a 1995, para os meses de novembro a fevereiro (Parcial 2) Y estimado (kg/ha) Y observado (kg/ha) Y = Ym ( ETr 0,078 ) ( ETr 0,104 ) ( ETr 0,310 ) ( ETr ), 493 ETo NOV ETo DEZ ETo JAN ETo 0 FEV Estatística de regressão R múltiplo 0,92 R-Quadrado 0,85 Erro padrão 0,18 Observações 20 ANOVA Gl SQ MQ F F de significação Regressão 4 2,901 0,725 22,910 0,0000 Resíduo 16 0,506 0,032 Total 20 1,407 Coeficientes Erro padrão Stat t Valor-P Variável X 1 0,078 0,265 0,292 0,774 Variável X 2 0,104 0,230 0,451 0,658 Variável X 3 0,310 0,090 3,465 0,003 Variável X 4 0,493 0,150 3,284 0,005 48

54 Apêndice 4.3. Estatísticas de ajuste do modelo agrometeorológico de estimativa de rendimento da soja no Estado do Rio Grande do Sul, período 1975 a 1995, para os meses de novembro a maio (Completo) Y estimado (kg/ha) Y observado (kg/ha) Y Ym = ( ETr 0,364 ) ( ETr 0,212 ) ( ETr 0,221 0, 104 ) ( ETr 0, ,165 ) ( ETr ) 0, ( ETr ) ( ETr ) ETo NOV ETo DEZ ETo JAN ETo FEV ETo MAR ETo ABR ETo MAI Estatística de regressão R múltiplo 0,97 R-Quadrado 0,94 Erro padrão 0,13 Observações 20 ANOVA Gl SQ MQ F F de significação Regressão 7 3,203 0,458 29,134 0,0000 Resíduo 13 0,204 0,016 Total 20 3,407 Coeficientes Erro padrão Stat t Valor-P Variável X 1 0,364 0,202 1,801 0,095 Variável X 2-0,212 0,182-1,162 0,266 Variável X 3 0,221 0,071 3,122 0,008 Variável X 4 0,391 0,127 3,083 0,009 Variável X 5 0,712 0,166 4,282 0,001 Variável X 6-0,165 0,176-0,939 0,365 Variável X 7-0,104 0,306-0,339 0,740 49

55 Apêndice 4.4. Estatísticas de ajuste do modelo agrometeorológico de estimativa de rendimento da soja no Estado do Rio Grande do Sul, período 1975 a 1995, para os meses de janeiro a março (Reduzido) Y estimado (kg/ha) Y observado (kg/ha) Y = Ym ( ETr 0,259 ) ( ETr 0,316 ) ( ETr ), 485 ETo JAN ETo FEV ETo 0 MAR Estatística de regressão R múltiplo 0,94 R-Quadrado 0,89 Erro padrão 0,15 Observações 20 ANOVA Gl SQ MQ F F de significação Regressão 3 3,028 1,009 45,301 0,0000 Resíduo 17 0,379 0,022 Total 20 3,407 Coeficientes Erro padrão Stat t valor-p Variável X 1 0,259 0,077 3,350 0,004 Variável X 2 0,316 0,140 2,249 0,038 Variável X 3 0,485 0,165 2,939 0,009 50

56 Apêndice 4.5. Identificação e dados de área e rendimento da soja nas lavouras amostradas no Rio Grande do Sul, safra 1998/99. Propriedade Município Área (ha) Rendimento Cooperativa (kg/ha) 1 Agropecuária Caiçá Jóia 43, AGROPAN 2 Agropecuária Caiçá Jóia 54, AGROPAN 3 Agropecuária Caiçá Jóia AGROPAN 4 Agropecuária Paineira Fort. Valos COTRICRUZ 5 Agropecuária Raízes Fort. Valos 49, COTRICRUZ 6 Agropecuária Santa Helena Nv. Ramada 76, COTRIPAL 7 Agropecuária São Marcos Tupanciretã 78, AGROPAN 8 Agropecuária São Marcos Tupanciretã 84, AGROPAN 9 Agropecuária São Vicente Tupanciretã AGROPAN 10 Agropecuária São Vicente Tupanciretã AGROPAN 11 Agropecuária Bibiana Fort. Valos COTRICRUZ 12 Agropecuária Santo Antônio Tupanciretã AGROPAN 13 Alberto Cruz Alta COTRICRUZ 14 Alceo Bandeira Cruz Alta COTRICRUZ 15 Alexandre Mello Vaz Tupanciretã AGROPAN 16 Anderson Lucca Santo Ângelo COTRISA 17 Ary Evaldo Petry Entre Ijuís COTRISA 18 Auri João Adams Caibaté COTRISA 19 Belquer da Silva Lopez Tupanciretã AGROPAN 20 CAAFC Santo Ângelo COTRISA 21 CAAFC Santo Ângelo COTRISA 22 CAAFC Santo Ângelo COTRISA 23 CAAFC Santo Ângelo COTRISA 24 Cabanha Coqueiro Tupanciretã AGROPAN 25 Cláudio Gelatti Pejuçara COTRICRUZ 26 Dilvo Guilherme Ceolin Tupanciretã AGROPAN 27 Dois Pinheiros Catuípe COTRISA 28 Edison Lorentz de Araújo Cruz Alta COTRICRUZ 29 Eduardo D. Neto J. Castilhos AGROPAN 30 Eli Sebastião Moreira Catuípe COTRISA 31 Elio e Luiz Casarin B.V. Cadeado COTRICRUZ 32 Euzebio Lemes Gonçalves Cruz Alta COTRICRUZ 33 Francisco Coletto Vit. Missões COTRISA 34 Faz. do Ivahy Fort. Valos 96, COTRICRUZ 35 Faz. Jung E. de Castro COTRISA 36 Faz. Ramada Condor COTRIPAL 37 Faz. Remanso Tupanciretã COTRICRUZ 38 Faz. Ribeira Condor 19, COTRIPAL 39 Faz. Ribeira Condor COTRIPAL 40 Faz. Santa Brasilina Tupanciretã AGROPAN 41 Faz. Taipa Condor COTRIPAL 42 Faz. Taipa Condor COTRIPAL 43 Granja Aliança Fort. Valos COTRICRUZ 44 Granja Ave Maria Fort. Valos 63, COTRICRUZ 45 Granja do Giba S.M. Missões COTRISA 51

57 46 Granja do Lagoão S.B. do Sul COTRICRUZ 47 Granja do Soita Fort. Valos COTRICRUZ 48 Granja dos Cabritos Fort. Valos COTRICRUZ 49 Granja Heller Fort. Valos COTRICRUZ 50 Granja Nelcinda Fort. Valos COTRICRUZ 51 Granja Pinheirinho Tupanciretã 18, AGROPAN 52 Granja Pinheiro Tupanciretã 56, AGROPAN 53 Granja Santo Antônio S.M. Missões AGROPAN 54 Granja Verônica Fort. Valos COTRICRUZ 55 Helena Sobucki Guarani Mis COTRISA 56 Hélio Maurer Fort. Valos COTRICRUZ 57 Ivo Baiotto Ijuí COTRICRUZ 58 Joceli Ceolin Tupanciretã 20, AGROPAN 59 Joceli Geanlupi Pejuçara COTRICRUZ 60 Linha Boa Vista Panambi COTRIPAL 61 Linha Encarnação Panambi COTRIPAL 62 Linha Encarnação Panambi COTRIPAL 63 Linha Iriapira I Panambi COTRIPAL 64 Lav. do Bisso Tupanciretã AGROPAN 65 Mecenio Ireneu B.V. Cadeado COTRICRUZ 66 Nelsi Barassuol B.V. Cadeado COTRICRUZ 67 Nelson Facco Fort. Valos COTRICRUZ 68 Oswaldino Lucca Santo Ângelo COTRISA 69 Paulo Elvio Hernandes Tupanciretã 43, AGROPAN 70 Paulo Mendes Fort. Valos COTRICRUZ 71 Pontão dos Buenos Condor COTRIPAL 72 Potreirinhos Jóia AGROPAN 73 Rizomar Toledo Fort. Valos COTRICRUZ 74 Rondinha Jóia AGROPAN 75 S.D.E. Tupanciretã 10, AGROPAN 76 S.D.E. Tupanciretã 45, AGROPAN 77 Santa Terezinha Fort. Valos COTRICRUZ 78 São José Jóia AGROPAN 79 SDE - São Manoel S.B. do Sul COTRICRUZ 80 Silvino Wink Pejuçara COTRICRUZ 81 Tércio Pinto Neto Tupanciretã AGROPAN 82 Três Irmãos S.B. do Sul COTRICRUZ 83 Vanderlei Venturini Pejuçara COTRICRUZ 84 Waldemar Costa Pejuçara COTRICRUZ 6212,

58 Apêndice 4.6. Identificação e dados de área e rendimento do milho nas lavouras amostradas no Rio Grande do Sul, safra 1998/99. Propriedade Município Área (ha) Rendimento Cooperativa (kg/ha) 1 Agropecuária Caiçá Tupanciretã 133, AGROPAN 2 Agropecuária Caiçá Jóia AGROPAN 3 Agropecuária Caiçá Jóia 21, AGROPAN 4 Agropecuária Paineira Fort. Valos COTRICRUZ 5 Agropecuária Raízes Fort. Valos COTRICRUZ 6 Agropecuária Santa Helena Nv. Ramada 75, COTRIPAL 7 Agropecuária São Marcos Jóia 89, AGROPAN 8 Agropecuária Bibiana Fort. Valos COTRICRUZ 9 Ary Evaldo Petry Entre Ijuís 5, COTRISA 10 Cond. Agropec. Santa Cecília Tupanciretã AGROPAN 11 Edison Lorentz de Araújo Cruz Alta COTRICRUZ 12 Elio e Luiz Casarin B.V. Cadeado COTRICRUZ 13 Euzebio Lemes Gonçalves Cruz Alta COTRICRUZ 14 Faz. Do Ivahy Fort. Valos 72, COTRICRUZ 15 Faz. Jung E. de Castro COTRISA 16 Faz. Ramada Condor COTRIPAL 17 Faz. Remanso Tupanciretã COTRICRUZ 18 Faz. Ribeira Condor COTRIPAL 19 Faz. Taipa Condor COTRIPAL 20 Granja Aliança Fort. Valos COTRICRUZ 21 Granja Ave Maria Fort. Valos COTRICRUZ 22 Granja do Lagoão S.B. do Sul COTRICRUZ 23 Granja do Piero S.M. Missões COTRISA 24 Granja do Soita Fort. Valos COTRICRUZ 25 Granja dos Cabritos Fort. Valos COTRICRUZ 26 Granja Heller Fort. Valos COTRICRUZ 27 Granja Nelcinda Fort. Valos COTRICRUZ 28 Granja Verônica Fort. Valos COTRICRUZ 29 Helena Sobucki Guarani Mis COTRISA 30 Hélio Maurer Fort. Valos COTRICRUZ 31 Ivo Baiotto Ijuí COTRICRUZ 32 Joceli Geanlupi Pejuçara COTRICRUZ 33 Linha Encarnação Panambi COTRIPAL 34 Linha Encarnação Panambi COTRIPAL 35 Linha Iriapira I Panambi COTRIPAL 36 Linha Pinhal Condor 4, COTRIPAL 37 Mecenio Ireneu B.V. Cadeado COTRICRUZ 38 Nelson Facco Fort. Valos COTRICRUZ 39 Pontão do Ijuí Caibaté COTRISA 40 Rizomar Toledo Fort. Valos COTRICRUZ 41 Romeu Orsolin Tupanciretã AGROPAN 42 S.D.E. Tupanciretã 22, AGROPAN 43 S.D.E. Loc. Abacatu Tupanciretã AGROPAN 44 Santa Terezinha Fort. Valos COTRICRUZ 45 SDE - São Manoel S.B. do Sul COTRICRUZ 46 Três Irmãos S.B. do Sul COTRICRUZ 47 Waldemar Costa Pejuçara COTRICRUZ 2729,

59 4.2 Estado do Paraná A análise feita para o Estado do Paraná foi semelhante àquela proposta para o Estado do Rio Grande do Sul, abrangendo o monitoramento das condições meteorológicas ao longo do ciclo da soja e a estimativa de rendimento desta cultura Monitoramento das condições meteorológicas Metodologia empregada A região monitorada no Estado do Paraná abrange uma região de grande volume de produção da cultura da soja, situando-se no oeste do Estado (Figura 4.10), indicada por técnicos do CNPsoja/EMBRAPA. Nesta região, composta por 37 municípios, são produzidas 1921 mil toneladas de grãos, com um rendimento médio dos últimos 5 anos de 2143 kg/ha. Uma análise comparativa dos dados mostrou que os rendimentos desta região são altamente associados aos rendimentos de todo o Estado (r=0,97). À semelhança do ocorrido no Rio Grande do Sul, esta região foi utilizada como estimadora das condições do cultivo da soja em todo o Estado do Paraná. Fig Área de maior produção de soja no Estado do Paraná e estações meteorológicas. 54

60 Os dados meteorológicos utilizados para o monitoramento foram oriundos de 8 estações meteorológicas do Instituto Agronômico do Paraná (IAPAR) (Figura 4.10 e Tabela 4.3). Para cada estação meteorológica a coleta foi feita em nível diário, no período de novembro de 1999 a abril de 2000, constando dos elementos: temperatura do ar ( o C) - mínima, média e máxima, umidade relativa do ar (%), precipitação pluvial (mm), velocidade do vento (Km/h), radiação solar global (cal cm -2 dia -1 ) e insolação (h). Tab Estações meteorológicas no Estado do Paraná, latitude, longitude, altitude, órgão responsável pela coleta dos dados meteorológicos. Estação Latitude Longitude Altitude (m) Administração Período Cascavel 24 o 56' S 53 o 26' W 760 IAPAR Jan/73 a Dez/97 Cianorte 23 o 40' S 52 o 35' W 530 IAPAR Out/71 a Dez/97 Laranjeiras do Sul 25 o 25' S 52 o 25' W 880 IAPAR Jan/76 a Dez/97 Nova Cantu 24 o 40' S 52 o 34' W 540 IAPAR Jan/77 a Out/97 Palotina 24 o 18' S 53 o 55' W 310 IAPAR Jan/73 a Dez/96 Planalto 25 o 42' S 53 o 46' W 400 IAPAR Jan/75 a Dez/97 Quedas do Iguaçú 25 o 31' S 53 o 01' W 514 IAPAR Jan/75 a Dez/97 Umuarama 23 o 44' S 53 o 17' W 480 IAPAR Jan/74 a Dez/97 Os dados coletados foram utilizados para o acompanhamento das condições meteorológicas durante o ciclo de desenvolvimento da cultura da soja e, posteriormente, para o cálculo da disponibilidade de água para a cultura, através do balanço hídrico meteorológico. A metodologia de cálculo do balanço hídrico, assim como da evapotranspiração foi a mesma utilizada para o Estado do Rio Grande do Sul (item ) Resultados alcançados As Figuras 4.11 e 4.12 mostram o comportamento da temperatura média do ar e da precipitação pluvial no período de outubro de 1999 a abril de Em termos de temperatura, foram observadas condições distintas da média da região nos meses de novembro, dezembro e janeiro (Figura 4.11). Novembro foi mais frio, cerca de 1 o C, enquanto que dezembro e janeiro foram meses mais quentes do que o normal (dezembro, 25,1 o C (+0,7 o C) e janeiro, 25,8 o C (+0,9 o C)). A precipitação pluvial nestes 3 meses foi abaixo da normal (Figura 4.12), sendo que a redução resultou em déficit hídrico somente no mês de novembro (Figura 4.13). Mesmo apresentando 55

61 precipitação abaixo da normal, dezembro e janeiro foram meses com totais de precipitação bastante altos, sendo 158 mm em dezembro e 167 mm em janeiro. Já em fevereiro a precipitação foi de 208mm, bastante superior à média do mês. Ressalta-se que os meses de verão coincidem com a estação chuvosa, o que caracteriza as condições climáticas (normais) da região. As condições meteorológicas ocorridas ao longo do ciclo de desenvolvimento da soja têm grande influência no rendimento final da mesma. Preliminarmente, pode-se inferir que temperaturas mais baixas e a menor quantidade de precipitação no mês de novembro 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 foram meses favoráveis, do ponto de vista meteorológico, para o desenvolvimento da cultura, visto que a menor precipitação não resultou em déficit hídrico para as plantas. 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. 27,0 26,0 Temperatura (ºC) 25,0 24,0 23,0 22,0 21,0 Ocorrida Normal 20,0 nov dez jan fev mar abr Meses Fig Temperatura do ar média mensal ocorrida na região de estudo no Estado do Paraná, no período de novembro de 1999 a abril de 2000, comparada com a normal. 56

62 Precipitação pluvial (mm) Ocorrida Normal 0 nov dez jan fev mar abr Meses Fig Precipitação pluvial mensal ocorrida na região de estudo no Estado do Paraná, no período de novembro de 1999 a abril de 2000, comparada com a normal Deficiência hídrica (mm) Nov/99 Dez/99 Jan/00 Meses Fev/00 Mar/00 Abr/00 Fig Deficiência hídrica decendial para a cultura da soja na região de estudo no Estado do Paraná, no período de novembro de 1999 a maio de

63 4.2.2 Modelo de estimativa do rendimento da soja Metodologia empregada Após levantamento bibliográfico e, também, junto a técnicos que trabalham na região, verificou-se que para o Estado do Paraná não se encontra disponível um modelo a partir do qual se possa obter a estimativa do rendimento para a cultura da soja em nível estadual. Dessa forma a primeira etapa deste trabalho foi testar o modelo com os parâmetros ajustados para o Estado do Rio Grande do Sul para as condições do Paraná. Tal teste apontou para a inviabilidade dessa alternativa, visto que o ciclo e as interações clima-planta são distintas entre os dois Estados. A segunda etapa foi, então, usar o modelo teórico utilizado para o Rio Grande do Sul (equação 4.4), mas agora ajustando os expoentes do modelo para as condições do Paraná. Os dados meteorológicos utilizados, assim como os dados de rendimento, no período de 1976 a 1995, foram obtidos através de colaboração com o Centro Nacional de Pesquisa da Soja da EMBRAPA Resultados alcançados Na Figura 4.14 são representados os resultados da análise de correlação entre precipitação e rendimento da soja, evidenciando os períodos de maior sensibilidade da cultura da soja ao déficit hídrico. Quanto maior o valor do coeficiente de correlação, maior é a sensibilidade da cultura à falta d água no período. Podemos observar que os meses de maior sensibilidade são janeiro e dezembro, que coincidem com o período de florescimento e enchimento de grãos. Boa disponibilidade de água nestes meses define uma expectativa de obtenção de altos rendimentos. 0,8 0,7 Coeficiente de correlação 0,6 0,5 0,4 0,3 0,2 0,1 0,0-0,1-0,2 0,37 0,19 0,12 0,03 nov dez jan fev mar -0,05 Meses Fig Coeficiente de correlação entre a precipitação pluvial e o rendimento da cultura da soja no Estado do Paraná, no período de novembro a março. 58

64 À semelhança do que foi proposto para o Rio Grande do Sul, também para o Estado do Paraná foram ajustadas três equações, denominadas modelo parcial (início do ciclo da cultura), modelo completo (todo o ciclo) e modelo reduzido (período crítico). As equações ajustadas são apresentadas a seguir: Parcial: Y Ym ( ETr 0,158 ) ( ETr ), 029 ETo NOV 1 ETo DEZ = (4.9) Completo: Ym ( ETr 0,325 ) ( ETr 0,393 ) ( ETr 0,857 0,358 ) ( ETr ) ( ETr ), 149 ETo NOV ETo DEZ ETo JAN ETo FEV 0 ETo MAR Y = (4.10) Reduzido: ( ETr ),638 ( ETr ) 1, ETo DEZ ETo JAN Y = (4.11) Ym Coerente com os resultados da análise de correlação, observa-se que em todas as equações propostas, os meses de dezembro e janeiro apresentam expoentes maiores, indicando que estes são os meses que efetivamente definem o rendimento da cultura. Nos Apêndices 4.7, 4.8 e 4.9 são apresentadas as estatísticas dos modelos propostos, juntamente com os gráficos de dispersão de pontos entre os rendimentos estimados pelo modelo agrometeorológico e os rendimentos estimados pelos órgãos oficiais. A análise, nas diferentes formas, desses resultados mostra que o modelo completo apresenta o melhor ajuste (R 2 =0,93), seguido pelos modelos reduzido (R 2 =0,87) e parcial (R 2 =0,47). Desta forma, é esperado que as melhores estimativas de rendimento da soja no Paraná sejam obtidas usando-se o modelo completo. Enfatiza-se, ainda, que o modelo parcial gera apenas uma expectativa de rendimento, visto que os dados meteorológicos utilizados cobrem somente o período inicial de desenvolvimento da cultura. A estimativa oficial para a safra 1999/2000 foi de 2517 kg/ha, enquanto que os modelos agrometeorológicos geraram valores estimados de rendimento de 2828, 2560 e 2115 kg/ha para os modelos parcial, reduzido e completo, respectivamente (Figura 4.15). Nesta safra o modelo que estimou valores mais próximos do oficial foi o reduzido, que considera a disponibilidade hídrica somente dos meses de dezembro e janeiro. No caso dos modelos parcial e completo, a baixa disponibilidade hídrica do mês de novembro (déficit de 68mm) teve papel predominante, o que não é característico da região. A análise dos dados utilizados para o ajuste dos modelos (20 anos de observações meteorológicas diárias) mostra que o comum é a ocorrência de boa disponibilidade hídrica neste mês. Conseqüentemente, a condição hídrica ocorrida em novembro de 1999 não se 59

65 adequa às condições de ajuste do modelo, o que prejudica as estimativas geradas que contemplam este mês, ou seja, os modelos parcial e completo. Rendimento (Kg/ha) Oficial Parcial Reduzido Completo Modelos de Estimativa Fig Rendimentos estimados para a cultura da soja no Estado do Paraná. Ano agrícola: 1999/

66 Apêndice 4.7. Estatísticas de ajuste do modelo agrometeorológico de estimativa de rendimento da soja no Estado do Paraná, período 1975 a 1995, para os meses de novembro e dezembro (Parcial) Y estimado (kg/ha) Y observado (kg/ha) Y Ym = ( ETr 0,158 ) ( ETr ), 029 ETo NOV ETo 1 DEZ Estatística de regressão R múltiplo 0,69 R-Quadrado 0,47 Erro padrão 0,24 Observações 19 ANOVA gl SQ MQ F F de significação Regressão 2 0,862 0,431 7,642 0,0043 Resíduo 17 0,958 0,056 Total 19 1,820 Coeficientes Erro padrão Stat t Valor-P Variável X 1-0,158 0,828-0,191 0,851 Variável X 2 1,029 0,579 1,777 0,094 61

67 Apêndice 4.8. Estatísticas de ajuste do modelo agrometeorológico de estimativa de rendimento da soja no Estado do Paraná, período 1975 a 1995, para os meses de novembro a março (Completo) Y estimado (kg/ha) Y observado (kg/ha) Y = Ym ( ETr 0,325 ) ( ETr 0,393 ) ( ETr 0,857 0,358 ) ( ETr ) ( ETr ), 149 ETo NOV ETo DEZ ETo JAN ETo FEV ETo 0 MAR Estatística de regressão R múltiplo 0,97 R-Quadrado 0,93 Erro padrão 0,09 Observações 19 ANOVA gl SQ MQ F F de significação Regressão 5 1,700 0,340 39,804 0,0000 Resíduo 14 0,120 0,009 Total 19 1,820 Coeficientes Erro padrão Stat t Valor-P Variável X 1 0,325 0,485 0,671 0,513 Variável X 2 0,393 0,324 1,214 0,245 Variável X 3 0,857 0,157 5,479 0,000 Variável X 4 0,358 0,183 1,955 0,071 Variável X 5 0,149 0,295 0,504 0,622 62

68 Apêndice 4.9. Estatísticas de ajuste do modelo agrometeorológico de estimativa de rendimento da soja no Estado do Paraná, período 1975 a 1995, para os meses de dezembro e janeiro (Reduzido) Y estimado (kg/ha) Y observado (kg/ha) Y = Ym ( ETr ),638 ( ETr ) 1, ETo DEZ ETo JAN Estatística de regressão R múltiplo 0,94 R-Quadrado 0,87 Erro padrão 0,12 Observações 19 ANOVA gl SQ MQ F F de significação Regressão 2 1,592 0,796 59,434 0,0000 Resíduo 17 0,228 0,013 Total 19 1,820 Coeficientes Erro padrão Stat t Valor-P Variável X 1 0,638 0,122 5,208 0,000 Variável X 2 1,162 0,157 7,396 0,000 63

69 5 ESTIMATIVA DA ÁREA CULTIVADA 5.1 Definição da área de estudo e das imagens de satélite necessárias Seleção das regiões A delimitação da área de estudo e a pré-seleção das imagens de satélite a utilizar para a estimativa da área de soja foram feitas com o auxílio de um sistema de informação geográfica (SIG). A definição da área de estudo visou determinar as principais regiões produtoras de soja no Brasil a fim de selecionar aquelas que deveriam ser abrangidas pelo estudo, contemplando cerca de 60% da superfície total cultivada com soja, conforme sugerido pela CONAB. Essa fase foi desenvolvida conjuntamente entre a UFRGS e a CONAB, no período de 17 a 21/01/2000, tendo como principal critério de escolha de cada região a área cultivada com soja por município. Estiveram presentes no processo decisório o Sr. Divino Figueiredo, representando a CONAB, e os Profs. Jorge Ducati e Denise Fontana e os Engs. Eliseu Weber e Isaac Wegner, representando a UFRGS/CEPSRM. Utilizou-se como informação básica para a escolha das regiões o mapa com a malha municipal brasileira associado a um banco de dados contendo a área cultivada com soja por munícipio. A malha municipal utilizada representa a situação dos limites dos municípios em 1997 e é distribuída pelo IBGE com um nível de supressão de vértices compatível com a escala 1: Para facilitar a visualização do conteúdo do banco de dados, gerou-se um mapa temático com intervalos de área cultivada por município, conforme mostrado na Figura 5.1. A preferência na escolha das áreas a contemplar foi dada às regiões que concentravam mais municípios com grande área cultivada com soja Identificação das imagens de satélite necessárias para cobrir a área de estudo O satélite escolhido para efetuar a estimativa de área cultivada foi o LANDSAT 5, cujas imagens são distribuídas no Brasil pelo Instituto Nacional de Pesquisas Espaciais (INPE) e por empresas privadas. Por ocasião do início dos trabalhos referentes ao presente estudo ainda não estavam disponíveis as imagens do satélite LANDSAT 7, motivo pelo qual elas não foram incluídas no planejamento. As imagens do satélite LANDSAT a serem processadas para a estimativa de área cultivada foram pré-selecionadas a partir da sobreposição das coordenadas do centro de cada cena e dos municípios com maior área cultivada com soja, obtidos no passo anterior. Na escolha das cenas a processar, estabeleceu-se uma ordem de prioridade de 1 a 3, de acordo com a importância da região coberta por cada cena em termos de área cultivada com soja. Dessa forma procurou-se obter subsídios para a posterior seleção de imagens em substituição àquelas que poderiam ser eventualmente prejudicadas por problemas meteorológicos (cobertura de nuvens) ou de recepcão (ruído). Ao final desta fase foram pré-selecionadas 77 imagens, sendo que 36 ficaram classificadas com ordem de prioridade 1, 22 com prioridade 2 e 19 imagens com prioridade 3 (Tabela 5.1). A Figura 5.1 mostra a localização do centro das 77 cenas LANDSAT escolhidas para a realização do estudo com vistas à estimativa de área cultivada, superpostas ao mapa de área cultivada por município. Foi proposto ainda que, havendo disponibilidade de imagens úteis, a UFRGS deveria tentar processar ao menos 60 das 77 imagens pré-selecionadas para o projeto. 64

70 Tab Lista das 77 cenas pré-selecionadas com as respectivas prioridades e regiões de cobertura. Base Ponto Prioridade de process. Estado Base Ponto Prioridade de process. Estado BA RS MG RS MG MT MA/PI MT PI MT/GO PI/BA GO/MT BA MS/GO BA/GO/TO MS BA/MG MS MG/GO MS MG/GO PR/MS/Paraguai MG RS/Argentina MG/SP RS MA MT MA MT MA/TO MT GO MT DF/GO MT/MS GO MS MG/GO MS MG/SP MS SP/PR MS/Paraguai PR MT PR/SC MT SC/RS MT TO/MA MS GO MT GO MT GO/MG MT SP/PR MT PR MT PR/SC MT SC/RS MT/RO RS MT/Bolívia RS PR/SC/Argent TO/PA SC/RS/Argent GO PR/SP GO/MS PR MS 65

71 66

72 Características das imagens LANDSAT utilizadas As características das imagens LANDSAT, que tornaram seu uso intenso no mapeamento e monitoramento de recursos naturais, podem ser descritas pelas suas resoluções temporal, espacial, espectral e radiométrica. A resolução temporal é a frequência com que o satélite passa sobre a mesma porção da superfície terrestre. No caso do LANDSAT 5 essa frequência é de 16 dias, uma repetibilidade que permite algum grau de flexibilidade na seleção da melhor data a utilizar em um determinado período de interesse. Pode-se, dessa forma, excluir aquelas imagens onde houver uma cobertura de nuvens prejudicial à visualização da área em foco, tornando possível o acompanhamento da evolução de cultivos ou de outros fenômenos. A resolução espacial pode ser definida como a menor distância entre dois pontos no terreno possível de detectar através do sensor. Para o sensor TM (Thematic Mapper) das imagens LANDSAT 5 aqui utilizadas esse valor é de 30 metros, ou seja, equivale a uma área de 30 x 30 metros no terreno, sendo o elemento de resolução denominado pixel. Cada pixel contém o registro da energia solar refletida pela superfície terrestre, que é armazenado como um valor digital possível de ser processado em computador. O intervalo entre o valor digital mínimo e o máximo que pode ser armazenado constitui a resolução radiométrica, que no caso do LANDSAT 5 TM é de 256 (0 a 255). A resolução espectral refere-se à possibilidade de obter o valor da energia solar refletida pela superfície terrestre em diferentes porções do espectro eletromagnético, chamadas bandas. O sensor TM do satélite LANDSAT 5 possui 7 bandas. As três primeiras situam-se na porção visível, ou seja, dentro da porção do espectro eletromagnético que o olho humano consegue perceber, e as demais bandas na porção do infravermelho, que o olho humano não enxerga. Há que se destacar que justamente na porção não visível (infravermelho) é que os vários elementos da superfície terrestre apresentam as maiores diferenças. Como as bandas dessa porção podem ser analisadas em computador, as imagens tornam-se uma valiosa ferramenta para mapeamentos de uso e cobertura do solo. As bandas podem ser combinadas três a três para gerar composições coloridas onde os diferentes temas da superfície a ser analisada podem ser mais facilmente visualizados e interpretados. A geração de uma composição colorida permite associar as cores do sistema de visualização do computador, vermelho (R), verde (G) ou azul (B), a três bandas espectrais diferentes. Como isso pode ser feito também com bandas situadas na porção não visível do espectro eletromagnético, as composições coloridas são também denominadas de composições falsa cor Seleção da base cartográfica Para integrar as informações obtidas das imagens de satélite com outros dados das regiões estudadas é necessário posicioná-las geograficamente, associando-as a um sistema de coordenadas conhecido que servirá como referência espacial. Para a maior parte do território brasileiro existe um mapeamento sistemático, em escalas variadas conforme a região, cujas cartas fornecem os elementos para utilização como sistema de referência no posicionamento das imagens. A maior parte das cartas desse mapeamento sistemático é confeccionada pela Diretoria de Serviço Geográfico do Exército (DSG) ou pelo IBGE, existindo regiões de menor extensão territorial onde outros órgãos abaixo da esfera Federal têm essa responsabilidade. O sistema de projeção cartográfica utilizado as cartas é o UTM (Projeção Universal Transversa de Mercator). Atualmente o sistema geodésico oficial brasileiro adota o sistema de projeção UTM com o Datum SAD69 (South american Datum 1969), mas como muitas cartas do mapeamento sistemático são antigas, 67

73 algumas empregam também o Datum Córrego Alegre, sendo necessário efetuar conversões de Datum para o ajuste de cartas adjacentes quando verificada essa diferença. A identificação das cartas topográficas necessárias para o georreferenciamento das imagens LANDSAT a utilizar no projeto foi realizada através da consulta de mapas digitais em um SIG. Os mapas utilizados foram uma base cartográfica digital com a malha municipal do Brasil, o centro das cenas LANDSAT a utilizar no projeto e grades com os limites das cartas do mapeamento sistemático nas escalas 1: , 1: e 1: Através do cruzamento dessas informações foi possível relacionar o índice e a nomenclatura das cartas respectivas a cada imagem pré-selecionada para a estimativa de área. A partir da lista das cartas interceptadas pelas imagens, consultou-se as instituições responsáveis para averiguar a disponibilidade das mesmas, iniciando-se pela menor escala (1: ). Muitas cartas estavam com tiragem esgotada, necessitando ser substituídas por outras em escala de maior detalhe. A opção em iniciar pela menor escala visou minimizar o número de cartas a manusear durante os trabalhos, visto que a acurácia posicional oferecida era satisfatória para os propósitos do projeto. A divisão das cartas nas diversas escalas necessárias para atender as 77 cenas pré-selecionadas pode ser vista na Figura Levantamento de dados sobre a cultura Dinâmica da cultura da soja nas diferentes regiões Cada região apresenta características ambientais e de manejo diferentes em relação à cultura, que podem afetar estimativas feitas sem considerá-las. Para propiciar um melhor conhecimento das diferentes realidades regionais executou-se uma pesquisa com diversas entidades (cooperativas, escritórios de extensão agrícola, instituições de pesquisa, universidades) vinculadas à cultura da soja em todo o Brasil. Para esse propósito foi elaborado um formulário (Apêndice 5.1) buscando contemplar de forma resumida os aspectos locais da cultura mais importantes para o propósito do presente projeto, abordando os seguintes temas: 1. Sistemas de cultivo utilizados - convencional, mínimo ou plantio direto 2. Ciclo das cultivares e sua expressão na região - em percentagem 3. Época de plantio para os diferentes ciclos de cultivares 4. Problemas ocorridos na fase de implantação da cultura 5. Intensidade de ataque de pragas, doenças e infestação por plantas daninhas 6. Época na qual ocorre o fechamento da cultura - momento em que a maioria das plantas se tocam nas entrelinhas, cobertura total do solo 7. Data estimada para o início da colheita, período de safra Ao todo foram realizadas 40 entrevistas telefônicas com extensionistas, pesquisadores e professores de Universidades, abordando os temas acima relativos à região de abrangência do entrevistado (Tabela 5.2). A época especificada no item 6 visa determinar a melhor condição da cultura em termos de cobertura do solo para a posterior identificação e delimitação das lavouras de soja nas imagens de satélite. 68

74 69

75 Tab Épocas de plantio predominantes e evolução da cultura nas regiões cobertas pelas órbitas pré-selecionadas. N. Estado Municípios Entidade envolvida Sistema de cultivo (%área) Cultivares (%área) Período em que ocorre: convencional mínimo plantio direto precoce média tardia plantio fechamento início da colheita 1 MT Rondonópolis, Itiquira, Pedra Preta, Alto Garças Fundação MT out/nov FEV-1 FEV-2 2 MG triângulo mineiro, Paracatu, Alto Paraíba UFU nov/dez FEV-1 MAR 3 PR Campo Mourão, Peabiru, Luiziania, Farol COAMO out/dez FEV-1 MAR 4 PR Londrina EMBRAPA soja out/dez FEV-1 FEV-2 5 GO DF, BA, TO EMBRAPA cerrados nov/dez FEV-1 MAR 6 MS Sidrolândia, Dourados, Maracaju, Rio Brilhante PM Sidrolândia out/dez FEV-1 FEV-2 7 MT Lucas do Rio Verde PM Lucas do Rio Verde set/nov JAN FEV-1 8 PR Ubiratã, Nova Aurora, Campina do Lago COAGRU out/dez FEV-1 FEV-2 9 MG Uberlândia EMBRACOM nov/dez JAN_2 MAR 10 RS Passo Fundo, Coxilha Grupo Stédile, HS nov/dez FEV-2 ABR semente 11 GO Santa Helena, Rio Verde, Montevidiu, Jataí CEREAL out/nov FEV-2 MAR 12 TO Alvorada, Fiqueirópolis, Peixe, Talismã Coop. Agrícola de nov/dez FEV-1 MAR Alvorada 13 SP Orlândia, São Joaquim da Barra, Guaíra Coop. de Orlândia nov/dev JAN_1 MAR_1 14 RS Erechim, Campinas do Sul, Jacutinga Sementes ESTRELA out/dez FEV-2 MAR 15 MT Rondonópolis, Itiquira Sementes Luciani nov/dez FEV-1 FEV-2 16 MT Primavera do Leste, Campo Verde, Novo São Joaquim EMPAER out/dez JAN FEV-1 17 MS São Gabriel do Oeste, Sonora, Maracaju, Chapadão PM S.G. d'oeste out/dez FEV-1 FEV-2 18 SC Campos Novos, Brunópolis Secretaria da Agricultura 5 95 nov FEV-2 ABR 19 PR Ponta Grossa, Tibagi, Castro, Palmeira Coop. Agr. de Ponta out/nov JAN_2 MAR Grossa 20 MT Comodoro, Campo de Julho RURALPLAN out/dez JAN_2 FEV-2 21 RS Ijuí, grande região noroeste EMATER nov/jan FEV-2 MAR_2 22 RS Santa Rosa e adjacências EMATER nov/dez FEV-1 ABR 23 RS Cruz Alta, Jóia, Tupanciretã (+atrazado) EMATER nov/dez FEV-1 ABR 24 RS Júlio de Castilhos, Cruz Alta, Tupanciretã EMATER dez/jan FEV-2 ABR 25 MT Diamantino Coop. Mista Vale do out/nov DEZ-2 FEV-1 Piquiri 26 PR Guarapuava, Pinhão, Candoi, Pitanga, Turvo Coop. Mista Entrerios out/dez JAN_2 MAR 27 RS Cachoeira do Sul, depressão central Coop. Agr. Cachoeirense nov/dez FEV-1 MAR 70

76 N. Estado Municípios Entidade envolvida Sistema de cultivo (%área) Cultivares (%área) Período em que ocorre: convencional mínimo plantio direto precoce média tardia plantio fechamento início da colheita 28 RS São Gabriel, Rosário do Sul, São Sepé EMATER nov/dez FEV-2 ABR 29 PR Clevelândia, Mariópolis, Pato Branco Coop. Mista São Cristóvão out/dez JAN_2 ABR 30 MT Lucas do Rio Verde SOLOPLANTA out/nov JAN_1 FEV_2 31 MT Rondonópolis Fundação MT out/nov JAN_2 FEV_2 32 MA Balsas NEWAGRO out/nov FEV_1 FEV_2 33 MT Sapezal, Campo Novo dos Parecis, Sorriso MAGGI out/dez JAN_2 FEV_1 34 BA Barreiras PLASTECA out/dez FEV FEV_2 35 GO Cristalina EMATER nov/dez JAN_2 MAR_2 36 GO sudoeste goiano COMIGO set/nov JAN FEV_1 37 MS Dourados, Ponta Porã IRRIGA nov/dez FEV MAR_1 38 MS São Gabriel do Oeste, Chapadão do Sul PROPLANTA out/dez FEV_1 MAR_2 39 MT Rondonópolis, Sonora, São Gabriel do Oeste Banco do Brasil nov/dez FEV_1 MAR_1 40 MG triângulo mineiro CARGIL nov/dez FEV_1 FEV_2 71

77 5.2.2 Cadastramento de áreas amostrais O cadastramento de áreas amostrais teve como objetivo fornecer pontos de controle para auxiliar na interpretação das imagens de satélite durante o mapeamento das áreas cultivadas com soja. Elas são constituídas por áreas de soja individuais que representam a variabilidade das lavouras da região e sobre as quais foi possível obter informações mais específicas. O levantamento dessas áreas foi realizado nos estados do Paraná, Mato Grosso e Rio Grande do Sul. Nos dois primeiros a coleta de áreas foi efetuada por técnicos da CONAB e no Rio Grande do Sul pela UFRGS. Ao final foram coletadas 89 áreas amostrais, 12 delas no Mato Grosso, 52 no Paraná e 25 no Rio Grande do Sul. As informações coletadas para cada uma foram as mesmas utilizadas para caracterizar a dinâmica da cultura nas diferentes regiões, elencadas no formulário do Apêndice 5.1. Entretanto, além daquelas mesmas informações descritivas sobre as áreas amostrais, efetuou-se ainda a coleta da área real (medida por topografia), a identificação da ocorrência de pragas e doenças e a mensuração das coordenadas geográficas de cada lavoura. As coordenadas das áreas selecionadas foram registradas com aparelho receptor GPS (Global Positioning System) de navegação, durante visita a cada área. A partir dos dados levantados para cada área amostral, efetuou-se a espacialização das mesmas, criando-se um arquivo vetorial de pontos com a localização de cada local visitado em campo e uma tabela de banco de dados associada contendo todas as informações descritivas. Essa etapa foi realizada no software de SIG IDRISI, sendo o mapa resultante convertido para o formato Shape File, passível de superposição nas imagens LANDSAT posteriormente. A distribuição das áreas amostrais na área de estudo pode ser vista na Figura 5.3. Convém ressaltar que o passo de espacialização das lavouras no software IDRISI pode ser substituído por qualquer outro software que espacialize automaticamente os pontos a partir da leitura direta de suas coordenadas em uma tabela. É necessário também que esse software seja capaz de efetuar transformações de sistema de projeção cartográfica. 5.3 definição das melhores datas de aquisição das imagens As imagens do satélite LANDSAT são obtidas a um intervalo regular de 16 dias, possibilitando escolher dentre as datas de passagem do satélite aquela mais apropriada à identificação das lavouras de soja em cada região. As datas de passagem do satélite sobre as regiões de interesse durante todo o ciclo da cultura foram fornecidas pelo Instituto Nacional de Pesquisas Espaciais - INPE para cada imagem pré-selecionada. Cruzando-se essas datas com os resultados da pesquisa referente à dinâmica da cultura em cada região, determinou-se as datas ideais para a aquisição das imagens durante o ciclo da soja visando melhorar os resultado da classificação digital para mapeamento das lavouras. Prevendo ainda eventuais problemas com a qualidade das cenas, estabeleceu-se uma data preferencial e uma data opcional para a obtenção das imagens no período desejado do ciclo da cultura. Para várias regiões, estabeleceu-se ainda uma terceira data marginal para compensar eventuais problemas de qualidade nas outras duas datas (Tabela 5.3). 72

78 RORAIMA AMAPÁ AMAZONAS PARÁ MARANHÃO CEARÁ RIO G. DO NORTE ACRE PIAUÍ PARAIBA PERNAMBUCO ALAGOAS RONDÔNIA TOCANTIS BAHIA SERGIPE MATO GROSSO GOÍAS DISTRITO FEDERAL MATO GROSSO DO SUL SÃO PAULO MINA GERAIS ESPÍRITO SANTO RIO DE JANEIRO PARANÁ SANTA CATARINA RIO GRANDE DO SUL Legenda: localização das áreas amostrais km Projeção Geográfica (lat/long) UFRGS/CONAB Monitoramento e Previsão de Safra da Soja no Brasil Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia C E P S R M / U F R G S Coordenação: Eliseu Weber Localização das áreas amostrais obtidas no levantamento de campo. Fig

79 Tab Relação das 77 cenas pré-selecionadas com datas de aquisição possíveis Base ponto Estado Prioridade Preferencial Opcional 3a. Data BA BA/GO/TO DF/GO GO GO GO GO/MS GO/MT MA MG/SP MS MS MS/GO MT MT MT MT MT MT MT MT MT MT/MS MT/RO PR PR PR PR/SC PR/SC/Arg RS RS RS SC/RS SC/RS/Arg SP/PR SP/PR BA GO/MG MG MG/GO MG/GO MG/GO MG/SP MS MS MS MS/Par

80 Base ponto Estado Prioridade Preferencial Opcional 3a. Data MT MT MT MT MT/Bol MT/GO PR/MS/Par PR/SC PR/SP RS/Arg SC/RS BA/MG GO GO MA MA/PI MA/TO MG MG MS MS MS MT MT PI PI/BA RS RS TO/MA TO/PA Seleção e aquisição das imagens LANDSAT As imagens orbitais devem ter boa qualidade para permitir maior confiabilidade na identificação de áreas de soja. Um dos fenômenos que mais afeta essa qualidade é a presença de nuvens, que impedem a passagem da radiação solar até a superfície terrestre. As informações sobre a cobertura de nuvens das imagens são disponibilizadas pelo INPE através da Internet ou por fax. Como a captação das imagens ocorre em Cuiabá (MT) e o processamento é feito em Cachoeira Paulista (SP), as informações de qualidade das imagens são disponibilizadas com um atraso médio de duas semanas em relação à data da passagem do satélite, mas a defasagem pode ser maior em alguns casos. 75

81 76

82 Fig. 5.5 Quick look da cena LANDSAT 5 TM 222/065 de 07/02/2000, na divisa entre os estados do Tocantins e Maranhão. A seleção das imagens a adquirir pelo projeto foi realizada a partir da análise da cobertura de nuvens nos quadrantes A, B, C, D, fornecida nos relatórios de qualidade do INPE, e uma análise visual para identificação de nuvens, névoa ou presença de ruído nas imagens, utilizando o Quick Look disponibilizado pelo INPE. Do total de 77 imagens inicialmente propostas e das datas viáveis para cada uma, apenas 26 cenas úteis puderam ser obtidas para a realização do trabalho (Figura 5.4). O maior problema encontrado para a utilização das cenas foi a presença quase constante de nuvens na região centro-oeste durante o ciclo da cultura, como mostra a Figura 5.5. Das 26 cenas, somente 9 puderam ser adquiridas do INPE, devido a grandes atrasos na obtenção das informações e à impossibilidade de fornecimento de mais imagens por causa de problemas relativos a direitos autorais. O restante das 26 imagens foi adquirido de fornecedores do setor privado. 77

83 5.5 Processamento e classificação das imagens Georreferenciamento O georreferenciamento ou registro de uma imagem consiste num conjunto de operações numéricas que modifica ou altera sua geometria de maneira a ajustá-la a um sistema de coordenadas geográficas considerado como referência (Phillips & Swain, 1988). A Figura 5.6 mostra uma representação esquemática da modificação de uma imagem bruta durante o georreferenciamento. Os parâmetros para o registro são obtidos a partir de pontos de controle identificáveis tanto na imagem a ajustar como no sistema de referência. No presente trabalho foram utilizadas como referência as cartas do mapeamento sistemático em diversas escalas, selecionadas e adquiridas anteriormente. A precisão efetiva do registro foi verificada sobrepondo-se a malha municipal digital às imagens georreferenciadas, a qual deve apresentar um bom ajuste com diversos elementos que compõem as divisas municipais visíveis nas imagens, como estradas e rios, por exemplo. sistema de referência imagem bruta imagem georreferenciada Fig Representação esquemática do georreferenciamento de uma imagem Classificação A classificação de imagens refere-se à interpretação auxiliada por computador para a obtenção de informações específicas sobre determinados temas da superfície terrestre. Convém ressaltar que, embora alguns procedimentos permitam incorporar informações acerca de características das imagens como textura e contexto, a maior parte da classificação de imagens ainda baseia-se exclusivamente na detecção de assinaturas espectrais (isto é, padrões de resposta espectral) de classes de cobertura do solo. O sucesso com o qual isto pode ser feito depende de duas coisas: 1) da presença de assinaturas distintas para as categorias de cobertura do solo de interesse no conjunto de bandas a ser usado; e 2) da habilidade para distinguir com segurança estas assinaturas de outros padrões de resposta espectral que possam estar presentes. No presente caso, o objetivo da classificação foi o mapeamento das áreas cultivadas com soja. A classificação das imagens digitais envolveu duas etapas. Inicialmente procedeu-se a uma segmentação da imagem através de um método não supervisionado, utilizando-se o software ENVI. O algoritmo utilizado foi o Isodata, que avalia o espaço multiespectral e acomoda iterativamente os pixels agrupando-os em torno das médias das classes espectrais, a partir de um número de classes e de um número de ciclos pré-definido pelo usuário. O número de classes para cada imagem foi 78

84 definido a partir da observação de diagrama de espalhamento utilizando o visualizador n- dimensional do ENVI. 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 predominantes presentes na imagem. A lógica com a qual a classificação não supervisionada trabalha é conhecida como análise de agrupamento (ou cluster). É importante reconhecer, entretanto, que 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). Uma vez individualizados, o analista pode então relacionar esses agrupamentos a classes de cobertura do solo, através de uma combinação de sua familiaridade com a região estudada e visitas para levantamento de verdade de campo. Geralmente é necessário efetuar uma reclassificação das classes espectrais para obter as classes de informação, as classes temáticas, desejadas. A classificação definitiva das imagens consistiu, portanto, no agrupamento das classes espectrais de acordo com seu conteúdo temático, utilizando-se o link dinâmico de imagens do ENVI para a visualização simultânea de cada imagem original e de sua classificação. Esse link permite que o conteúdo de uma imagem seja visualizado dinamicamente sobre outra imagem, através de uma janela móvel, o que permite a interpretação para associação de cada classe espectral a uma classe temática. Nesta etapa os dados coletados nas áreas amostrais serviu como informação auxiliar para trabalho de interpretação e agrupamento de classes. O arquivo Shape File com a localização das áreas amostrais foi superposto às imagens e utilizado como verdade de campo. Os pontos serviram como referência para indicação do tipo de cultura, e a tabela com seus dados descritivos, acessada através da visualização de atributos de arquivo vetorial, possibilitou a identificação da lavoura e a obtenção de dados sobre a cobertura vegetal nos seus arredores. Uma vez identificadas as classes espectrais que constituíam a classe temática soja, elas foram agrupadas com o auxílio do software IDRISI, sendo as demais classes desconsideradas. Como resultado dessa etapa foi gerada uma série de imagens binárias da área de soja em cada cena, onde as classes espectrais correspondentes à soja receberam a classe 1 e as demais o valor zero. O mesmo procedimento acima foi utilizado para gerar também uma série de imagens binárias das áreas cobertas com nuvens, visto que parte das cenas apresentavam pequeno grau de cobertura de nuvens. A geração de uma classe de nuvens permitiu posteriormente identificar os locais onde a estimativa de área de soja pode ter sido prejudicada pela presença das mesmas Revisão da classificação Ao final do processo de classificação o resultado foi submetido a uma etapa de revisão, onde todas as cenas foram analisadas visualmente para detectar eventuais problemas de confusão da soja com outras classes. Nas cenas em que isso foi verificado foram digitalizadas diretamente em tela polígonos circundando as áreas de confusão. O objetivo foi utilizar esses polígonos posteriormente como máscaras para eliminar as áreas erroneamente classificadas como soja. Foram utilizadas composições coloridas e as imagens binárias de soja para cada cena superpostas dinamicamente. As Figuras 5.7 a 5.10 ilustram, respectivamente, uma composição colorida RGB543 para a cena 221/071, uma ampliação de parte da cena e o resultado da classificação das áreas de soja antes e após passar pela fase de revisão. 79

85 Fig Composição colorida RGB 543 da cena 221/071, de 16/02/2000, georreferenciada e com os limites municipais sobrepostos localizado no centro o Distrito Federal. 80