Edital FAPERJ Nº 33/ Programa "Apoio ao Desenvolvimento Científico e Tecnológico Regional no Estado do Rio de Janeiro "

Edital FAPERJ Nº 33/2012 - Programa "Apoio ao Desenvolvimento Científico e Tecnológico Regional no Estado do Rio de Janeiro - 2012" Título do Projeto de Pesquisa: Estimativa da Produtividade da Cana-de-Açúcar na Região Norte Fluminense, Rio de Janeiro, Utilizando Técnicas de Sensoriamento Remoto Proponentes: José Carlos Mendonça (Coordenador) Elias Fernandes de Sousa Fábio Cunha Coelho Instituição: Universidade Estadual do Norte Fluminense Darcy Ribeiro Centro de Ciências e Tecnologias Agropecuárias - Laboratório de Engenharia Agrícola - - Laboratório de Fitotecnia - Campos dos Goytacazes/RJ, 15 de setembro de 2012

Estimativa da Produtividade da Cana-de-Açúcar na Região Norte Fluminense, Rio de Janeiro, Utilizando Técnicas de Sensoriamento Remoto RESUMO: O levantamento de estatísticas sobre as safras agrícolas é um requisito fundamental para que sejam traçadas medidas que venham favorecer todo o processo produtivo. Diversos pesquisadores do país utilizam modelos para a estimativa da produtividade agrícola, dentre os quais, os modelos agrometeorológicos que consideram somente a influência de fatores climáticos sobre a produtividade dos cultivos. Mais recentemente alguns desses modelos foram aperfeiçoados e acoplados às técnicas de sensoriamento remoto, com resultados bastante encorajadores, apesar da alta variabilidade espacial da produtividade obtida, sugerindo a necessidade de ajustamentos e refinamentos, em especial os que utilizam produtos GEONETCast-EUMETCast que fornecem dados freqüentes e precisos de diversos parâmetros agrometeorológicos, tais como evapotranspiração, albedo da superfície, temperatura da superfície, radiação solar, precipitação, etc.) O sistema GEONETCast de divulgação de dados em tempo real representa uma rede global de comunicação baseado em satélite de difusão de dados, metadados e produtos agrometeorológicos para diversas comunidades de usuários e fornece uma solução completa e espacialmente densa para observações e avaliações da produtividade potencial em escala regional. Os métodos utilizados para estabelecer a relação planta-clima variam desde a simples correlação, até modelos complexos, ou seja, funções de produção que podem considerar diferentes parâmetros envolvidos no sistema produtivo. No entanto, nas últimas décadas uma crescente quantidade de produtos potencialmente úteis derivados do sensoriamento remoto tornaram-se disponíveis, mas seu potencial para melhorar o desempenho de modelos agrometoeorológicos na região Norte Fluminense ainda não foi avaliado. Estes modelos permitem a previsão de como será a produção e auxiliam no planejamento agrícola, sendo importante a sua avaliação e validação regional. Em consonância com o acima exposto, este trabalho tem por objetivo estimar a produtividade da cultura da canade-açúcar na Região Norte Fluminense, RJ por uso de modelagem numérica e produtos derivados de técnicas de sensoriamento remoto da superfície. Palavras-Chave: Sensoriamento remoto, produtividade agrícola, cana-de-açúcar, meteosat-9. 1- INTRODUÇÃO A cana-de-açúcar é uma cultura de grande importância nacional, ocupando grandes extensões de terras. O Brasil é o maior produtor e exportador do mundo, seguido por Índia e Austrália. Segundo dados do CANASAT (2012), no Estado do Rio de Janeiro, a área cultivada na safra 2010/2011 foi de 100.105 ha, sendo a Região Norte Fluminense e o município de Campos dos Goytacazes os maiores produtores. A produção da cana-de-açúcar na região Norte Fluminense, Rio de Janeiro é caracterizada pelo baixo investimento, focada nos impactos limitantes das políticas setoriais e dos riscos climáticos. Como conseqüência, a produtividade, em termos agrícolas, de geração de trabalho, e 2

de recursos naturais tem permanecido baixa, embora o custo ambiental tenha sido alto, especialmente com respeito à degradação da terra, perda de recursos naturais e de biodiversidade. Segundo Mello et al., (2009) essa cultura agrícola vem recebendo cada vez mais destaque no cenário mundial por possuir grande eficiência na produção de biocombustíveis e conseqüente mitigação da intensificação do efeito estufa. A cultura da cana-de-açúcar é uma das mais tecnificadas e capacitadas no que diz respeito ao uso de técnicas para seu gerenciamento. A produção de açúcar e de álcool depende da quantidade de matéria prima disponível que por sua vez depende da área plantada; da produtividade agrícola; e do açúcar total recuperável (ATR). Destes três fatores o mais complexo de ser estimado é a produtividade agrícola, pois depende de uma série de fatores relacionados a aspectos agronômicos e meteorológicos. Neste contexto, a estimativa de produtividade agrícola tem importância para o planejamento estratégico das empresas a fim de prever o quanto da produção será processada e armazenada e a tomada de decisão sobre a comercialização dos produtos finais (Picoli et al., 2007). O levantamento de estatísticas sobre as safras agrícolas é um requisito fundamental para que sejam traçadas medidas que venham favorecer todo o processo produtivo, evitando especulações e favorecendo preços justos (Rizzi e Rudorff, 2003). O Instituto Nacional de Pesquisas Espaciais (INPE) desenvolve o projeto CANASAT, que fornece informações sobre a distribuição espacial da área cultivada com cana-de-açúcar na região centro-sul do Brasil utilizando imagens de satélites de sensoriamento remoto. No referido sítio podem ser feitas consultas sobre a localização dos canaviais, a área cultivada e a evolução do cultivo da cana nos últimos anos tanto na escala municipal quanto na estadual. Essas informações são utilizadas por diversos setores do agronegócio e do meio ambiente que direta ou indiretamente estão envolvidos com a produção da cana-de-açúcar. Quanto às estimativas de produtividade agrícola, Rizzi & Rudorff, (2007) citam que no Brasil, as estimativas oficiais são realizadas predominantemente de forma subjetiva, por meio de entrevistas aplicadas aos produtores, informações sobre a venda de insumos, análise de safras passadas, observação das condições meteorológicas, entre outros, o que não permite uma análise apurada dos erros envolvidos e dá margem a especulações. Existe uma série de modelos que são utilizados para a estimativa da produtividade, dentre os quais, os modelos agrometeorológicos que consideram somente a influência de fatores climáticos sobre a produtividade da cultura, funcionando como um medidor de eficiência. Os 3

métodos utilizados para estabelecer a relação planta-clima variam desde a simples correlação, até modelos complexos, ou seja, funções de produção que podem considerar diferentes parâmetros envolvidos no sistema produtivo (Picini, 1998). Estes modelos permitem a previsão de como será a produção e auxiliam no planejamento agrícola, sendo importante a sua avaliação e validação em nível regional. Em consonância com o acima exposto, este trabalho tem por objetivo estimar a produtividade da cultura da cana-de-açúcar na Região Norte Fluminense, Rio de Janeiro, por uso de modelagem numérica e produtos derivados de técnicas de sensoriamento remoto da superfície. 2. RELEVÂNCIA DA PROPOSTA Em relação às linhas de apoio e temas alvos do Edital FAPERJ Nº 33/2012 - Programa "Apoio ao Desenvolvimento Científico e Tecnológico Regional no Estado do Rio de Janeiro - 2012", a presente proposta contempla, de forma central, não só a pesquisa básica, como também a pesquisa aplicada e envolve temas atuais de grande interesse social e governamental, sejam eles da esfera sócio-econômica, ambiental, de segurança alimentar e seguridade social. Os sistemas de monitoramentos via satélite são imprescindíveis para o conhecimento dos padrões de variabilidade espaço temporais de tempo e do clima e no desenvolvimento de modelos preditivos, sejam de modelos agrometeorológicos, ou para a emissão de avisos e alertas climáticos e ambientais. A relevância da presente proposta pode ser constatada por diversos aspectos, sendo um deles a inexistência de trabalhos semelhantes nas regiões Norte e Noroeste do estado do Rio de Janeiro. A validação de resultados obtidos por sensoriamento remoto da superfície e de modelos preditivos de estimativa de produtividade agrícola, em especial da cana-de-açúcar, se configura numa metodologia de baixo custo operacional e relevante interesse social, seja ao setor público de planejamento, seja ao setor agroindustrial em poder dispor de informações estratégicas. Os resultados obtidos com a execução deste projeto extrapolam os interesses agronômicos e a avaliação de modelos agrometeorologicos. Nesse projeto estão envolvidas demandas relevantes de diferentes setores da sociedade fluminense, em especial à Defesa Civil, devido à geração de processos e procedimentos para o monitoramento sistemático de parâmetros do sistema solo-planta-atmosfera que tanto impactam os cidadãos do estado do Rio de Janeiro. 4

3. EXPERIÊNCIA PRÉVIA DA EQUIPE A equipe conta com especialistas de alta qualificação, com vasta experiência nas diversas áreas técnicas em que a presente proposta se enquadra. José Carlos Mendonça: Engenheiro agrônomo com mestrado e doutorado em Produção Vegetal (UENF) o Dr. José Carlos Mendonça é Professor Associado do Laboratório de Engenharia Agrícola (UENF/CCTA/LEAG). Tem experiência nas áreas de Agrometeorologia e Sensoriamento Remoto, com ênfase no sistema solo-planta-atmosfera, atuando principalmente nos seguintes temas: evapotranspiração, balanço hídrico, produção agropecuária, defesa civil e meio ambiente. Elias Fernandes de Sousa: Engenheiro agrícola com mestrado em Engenharia Agrícola (UFV) e doutorado em Produção Vegetal (UENF), o Dr. Elias Fernandes de Sousa é Professor Titular do Laboratório de Engenharia Agrícola (UENF/CCTA/LEAG) e bolsista de produtividade do CNPq. Atua nas áreas de Agrometeorologia e Instrumentação Agropecuária, sempre com foco na obtenção da demanda hídrica das culturas agrícolas e no manejo da irrigação, utilizando como ferramentas o desenvolvimento de experimentos de campo, o geoprocessamento e a modelagem computacional. Fábio Cunha Coelho: Engenheiro agrônomo, com mestrado em Microbiologia Agrícola e doutorado em Fitotecnia pela UFV, o Dr. Fábio Cunha Coelho é Professor Associado e atual chefe, do Laboratório de Fitotecnia (UENF/CCTA/LFIT). Atua na área de Agroecologia e de Grandes Culturas, com foco no manejo e tratos culturais da cana-de-açúcar, milho, feijão, soja, dentre outras. Todos os pesquisadores vinculados a presente proposta têm coordenado projetos de pesquisa e orientado estudantes de graduação (iniciação científica) e pós-graduação (mestrado e doutorado) em suas respectivas áreas de atuação. Destacamos a participação no trabalho dos pósgraduandos em Produção Vegetal Barbara dos Santos Esteves (doutoranda) e Moisés Omena (mestrando) e os graduandos em Agronomia bolsistas de iniciação científica, Allisson Max Busato de Mendonça e Thiago Pontes da Silva Peixoto. Além destes, todos os pesquisadores dispõe de colaborações diversas, o que contribui para que o presente projeto de pesquisa tenha, na prática, sua equipe ampliada em relação à que consta no corpo do projeto. 5

4. OBJETIVOS 4.1. Objetivos gerais: O objetivo geral deste projeto é a modelagem numérica para a estimativa da produtividade de cana-de-açúcar na região Norte Fluminense, Rio de Janeiro por meio da incorporação de produtos de satélite e técnicas de sensoriamento remoto. Diversos produtos feitos sob medida e compatíveis com SIG serão gerados e integrados para a estimativa da produtividade e demais parâmetros derivados. 4.2. Objetivos específicos: As atividades do projeto incluem a instalação do sistema de recepção e processamento dos dados do satélite METEOSAT, a capacitação técnica e o desenvolvimento de produtos operacionais. Nesta aplicação serão usados produtos disseminados por GEONETCast para desenvolver a estimativa de produtividade da cana nas regiões Norte e Noroeste Fluminense. O estudo será conduzido nos anos safra 2013/14 e 2014/15, tendo as seguintes metas: 4.2.1. Instalar os equipamentos de recepção das imagens MSG-2 no LEAG/UENF; 4.2.2. Realização de um curso sobre o MSG-2 para os estudantes do CCTA/UENF e de pesquisadores do LEAG; 4.2.3. Aplicação de modelagem computacional utilizando dados de satélites e técnicas de sensoriamento remoto para a estimativa da produtividade da cultura da cana-de-açúcar; 4.2.4. Desenvolver produtos derivados dos dados MSG-2 para o monitoramento agrometeorológico e ambiental das Regiões Norte e Noroeste do Estado do Rio de Janeiro; 4.2.5. Promover a parceria entre os alunos e professores do Laboratório da Analise e Processamento de Imagens (LAPIS) da Universidade Federal de Alagoas (UFAL), pesquisadores e estudantes do INPE e estudantes e pesquisadores do LEAG/CCTA/UENF; 5. METODOLOGIA 5.1. Dados utilizados 5.1.1. Dados locais/regionais (in-situ) A aplicação terá por estudo de caso os cultivos de cana-de-açúcar em toda a região Norte e Noroeste Fluminense, Rio de Janeiro, Brasil, sendo utilizados os seguintes parâmetros da cultura: 6

BF = Fator de Respiração (0.5 para temperaturas 20 C e 0.6 para temperaturas <20 C), segundo Gouvêa (2008); APF = Fator de Produtividade Agrícola (Agricultural Productivity Factor) (=2.9), segundo Ruddorf (1985); Ky= Fator de resposta da colheita (Yield response factor), segundo Doorenbos et al (1979); Kc= Coeficiente do cultivo (Crop Coefficient) O coeficiente do cultivo (Kc) é definido como a razão entre evapotranspiração do cultivo (ETc) e a evapotranspiração de referência (ETo). Kc é específico ao cultivo e depende do estágio de crescimento da cultura. A evapotranspiração do cultivo em qualquer momento durante a estação de crescimento é o produto da evapotranspiração de referência (ETo) e o coeficiente do cultivo (Kc), e é expresso por: ETc = ETo * Kc. Coeficientes de cultivo foram desenvolvidos para quase todos os cultivos por meio da medição do seu consumo de água com lisímetros, que é dividido pela evapotranspiração de referência para cada dia durante a estação de crescimento. 5.1.2. Produtos usados do GEONETCast Os seguintes dados distribuídos por GEONETCast serão utilizados para o período de crescimento e desenvolvimento da cultura: Imagens de sensoriamento remoto: SPOT Vegetation-2 e SPOT-5, instrumento SEVIRI no METEOSAT-9; Produtos baseados em sensoriamento remoto: - NDVI S10 (NDVI) e produtividade de matéria seca (Dry Matter Productivity, DMP) tendo uma resolução espacial de 1 km; - Produto LSA SAF ETp para a América do Sul. A fonte dos dados é a estação de recepção terrestre do GEONETCast, a ser instalada no Laboratório de Engenharia Agrícola (LEAG/UENF) e os produtos SPOT Vegetation serão obtidos do arquivo, mantido por VITO (em: "http://free.vgt.vito.be/"). A abordagem de sensoriamento remoto para quantificar estimativas da produtividade de cana-de-açúcar nas regiões Norte e Noroeste Fluminense são computadas para cada pixel do mapa usando imagens NDVI, DMP e ETp, aplicando física de balanço radiativo, aerodinâmico e energético em 9 passos computacionais (Figura 1). 7

Figura 1: Fluxograma representativo da metodologia a ser utilizada. 5.2. Pré-processamento de dados para a quantificação da produtividade da cana-de-açúcar: Após a descompressão das imagens obtidas via estação de recepção, será necessário criar os bancos de dados do projeto. Nesta etapa será utilizado o software Integrated Land and Water Information System - ILWIS / Remote Sensing and GIS software. Para minimizar o volume de dados para este exercício, todas as séries de dados (NDVI, com e sem uma máscara da área de estudo, DMP, ETp_média e ETp_potencial) serão pré-processadas e os submapas para a região Norte Fluminense, criados. Os passos do pré-processamento são descritos a seguir. 5.2.1. Passo 1: Dando entrada aos dados NDVI e DMP usando o algoritmo adaptado da Caixa de Ferramentas GEONETCast: Para implementar a metodologia de importação das séries de dados raster de NDVI e DMP para o ILWIS, rotinas específicas, disponíveis na Caixa de Ferramentas GEONETCast, serão adaptadas para importação. Durante a importação será aplicada a máscara de status, para reter apenas os valores do mapa que satisfazem os critérios dos flag, como ausência de nuvens, pixels terrestres, boa qualidade radiométrica nas bandas Vermelha (RED) e Infra-Vermelho Próximo (NIR). 8

Ao abrir a lista de mapas NDVI_Norte Fluminense deverá ser exibido a série temporal com uma seqüência animada de mapas, usando como representação NDVI1, onde cada mapa deverá representar uma média do NDVI para o período de 10 dias, calculada pelo algoritmo de composto de valor máximo (Maximum Value Composite Algorithm). A camada 1 do mapa deverá representar a 1 a dezena do período avaliado e a última camada, a ultima. Do menu da janela ativa do mapa, selecionando a opção Layers => Add Layer e selecionando o Polygon Map Norte Fluminense, na janela Display Options desselecionando Info e selecionando a opção Boundary Only e pressionando OK poderá ser observado os limites municipais da área de estudo. Para se observar a série NDVI_SM o procedimento será o mesmo, onde poderá ser observado os pixels espúrios da imagem, sendo os valores no-data representados por?. 5.2.2. Passo 2: Cálculo do FVC (Fraction of Vegetation Cover) a partir do NDVI O FVC é o único parâmetro biofísico que determina a partição das contribuições do solo nu e da vegetação para a evapotranspiração da superfície, fotosíntese, albedo e outros fluxos cruciais para as interações terra-atmosfera. O NDVI precisa ser convertido à FVC. Nesta etapa se fará uso da equação 1 proposta por Muñoz et al (2005). Será usada a série temporal de NDVI, corrigida com uso do flag Eq 1 Para se fazer este cálculo para cada um dos mapas de NDVI pertencentes à série temporal, o menu principal do ILWIS deverá ser aberto na opção Operations => Raster Operations => MapList Calculation e deverá ser fornecido as informações nos campos apropriados para que o cálculo do FVC de uma série temporal do NDVI seja executado. 5.2.3. Passo 3: Cálculos do IAF a partir do FVC O Índice de Área Foliar IAF ou Leaf Area Index - LAI é definido como a área foliar total (considerando apenas um lado da folha) por unidade de área do solo. É um dos mais importantes parâmetros de caracterização do dossel. Por ser o índice que quantifica mais diretamente a estrutura do dossel, é altamente relacionado a uma variedade de processos do dossel, como evapotranspiração, intercepção, fotosíntese e respiração. O FVC é convertido a LAI por meio de uma equação proposta por Norman et al (2003), conforme equação 2. 9

Eq 2 Para o procedimento deste cálculo para cada um dos mapas NDVI pertencentes à série temporal, o menu principal do ILWIS deverá ser aberto na opção Operations => Raster Operations => MapList Calculation e fornecido as informações solicitadas nos campos do aplicativo. Ao pressionar a função Show para executar a operação, a série temporal resultante como uma seqüência animada será exibida e usando a Representação IAF os valores obtidos poderão ser observados passando-se o mouse, com o botão direito pressionado, sobre a janela ativa do mapa. O histórico da linha de comando do menu principal do ILWIS deverá ser verificado, pressionando o botão de drop down à direita da mesma. O texto a ser utilizado na linha de comando para criar a série temporal do IAF deve ser: LAI.mpl = maplistcalculate("-2*ln(1-@1)",0,14,fvc.mpl) 5.2.4. Passo 4: Cálculo do fator de crescimento a partir do IAF Evidências experimentais indicam que a taxa de crescimento de várias espécies de cultivos agrícolas aumenta linearmente com o IAF, quando a água e os nutrientes do solo não são limitantes (Doorenbos and Kassam, 1979). Berka et al. (2003) desenvolveram uma abordagem simples para derivar a taxa de crescimento a partir do LAI, conforme equação 3. Eq 3 Onde: CGF = Corrected Growth Factor (Fator de Crescimento Corrigido) e LAI = Leaf Area Índex (Índice de Área Foliar). Para derivação do (CGF), a seguinte equação na linha de comando do ILWIS deverá ser digitada: CGF.mpl:=maplistcalculate("0.515-exp(-0.667-(0.515*@1))",0,14,LAI.mpl) Pressionando Enter para executar a operação, a série temporal de CGF resultante como uma seqüência animada será exibida e usando a Representação Pseudo podendo-se verificar os valores obtidos passando o mouse, com o botão direito pressionado, sobre a janela ativa do mapa. 10

5.2.5. Passo 5: Cálculo de potencial máximo de safra (yield potential, Yp) A equação final para este cálculo é baseada em outra, que inclui a fração evaporativa corrigida, fator de crescimento corrigido (CGF), o fator de respiração (BF), o fator de produtividade agrícola (APF) e a produtividade de matéria seca (DMP). Eq 4 Onde Yp é o potencial máximo de colheita (kg ha -1 ), BF é 0.5 para temp. 20 C e 0.6 para temp <20 C, APF é calculado como descrito em Rudorff (1985) e DMP é derivado dos dados de Spot- Vegetation. De início, deverá ser visualizada a série temporal DMP_04_08_Norte Fluminense como uma seqüência animada, usando como Representação Pseudo e verificado os valores obtidos passando o mouse, com o botão direito pressionado, sobre a janela ativa do mapa. Mais informações sobre este produto podem ser encontradas em Bartholomé (2006). A unidade é kg/matéria seca/ha/dia. Depois de visualizar a seqüência animada, a animação deverá ser fechada. Para o calculo do potencial máximo de safra para cada passo temporal, deverá ser digitado a expressão abaixo no menu principal do ILWIS: Yp.mpl:=maplistcalculate("@1*0.5*10*2.9*@2",0,14,CGF.mpl,DMP_04_08_Norte Fluminense.mpl) Pressionando Enter para executar a operação, exiba a série temporal de CGF resultante como uma seqüência animada, a Representação Pseudo deverá ser usada e os valores obtidos, verificado, passando o mouse, com o botão direito pressionado, sobre a janela ativa do mapa. O fator 10 na expressão acima é usado para converter de kg/matéria seca/ha/dia para kg/matéria seca/ha/dezena! 5.2.6. Passo 6: Estimativa de evapotranspiração (ETp) por meio do produto LSA SAF ETp O coeficiente do cultivo é definido como a razão entre a sua evapotranspiração ETr e a evapotranspiração de referência ETp ou ETo. Kc é específico ao estágio de crescimento do cultivo. A evapotranspiração em qualquer momento da estação de crescimento é o produto da evapotranspiração de referência pelo coeficiente do cultivo, como dado na equação 5. 11

Eq 5 Os valores de Kc de acordo com Doorenbos e Kassam (1994) citados por Santos (2005), podem ser assim definidos são apresentados nas Tabelas 1 e 2. Tabela 1: Valores de Kc para cana-planta Cana Planta (Dias do Ciclo) Período de Desenvolvimento Kc 30-60 Plantio até 25% de cobertura do solo 0,4 0,6 30-40 De 25% a 50 % de cobertura do solo 0,75 0,85 15-25 De 50 % a 75% de cobertura do solo 0,90 1,00 45-55 De 75% a cobertura completa do solo 1,00 1,20 180 330 Utilização máxima 1,05 1,30 30-150 Início de senescência 0,80 1,05 30 60 Maturação 0,60 0,75 Fonte: Doorenbos e Kassam (1994), aput Santos (2005) Tabela 2: Valores de Kc para cana-soca. Cana Soca (Idade da cana) Período de Desenvolvimento 0 1 mês Plantio até 25% de cobertura do solo 0,55 1 a 2 meses De 25% a 50 % de cobertura do solo 0,80 2 a 2,5 meses De 50 % a 75% de cobertura do solo 0,90 2,5 a 4 meses De 75% a cobertura completa do solo 1,00 4 a 10 meses Cobertura total do solo 1,05 10 a 11 meses Início da maturação 0,80 11 a 12 meses Maturação 0,60 Fonte: Doorenbos e Kassam (1994), aput Santos (2005) Kc Com o uso dos recém desenvolvidos produtos LSA SAF, pode-se agora obter medidas freqüentes e precisas de diversos parâmetros agro-meteorológicos básicos (ex. albedo da superfície, temperatura da superfície e evapotranspiração, dentre outros). Os parâmetros agrometeorológicos estimados por satélite têm várias vantagens se comparados aos estimados usando a rede dispersa de observações meteorológicas de superfície. 12

Abrindo-se a lista de mapas ETp_avg e exibindo a série temporal como uma seqüência animada, usando como Representação Pseudo. Uma lista de mapas será compilada processando o produto LSA_SAF ET a cada 30 minutos, entre o período avaliado. Todos os produtos serão adicionados em base diária e corrigidos para o intervalo avaliado. O produto é expresso em unidades de mm/hr, mas o passo no tempo é de 30 minutos (assim, a soma diária é dividida por 2). Os produtos diários deverão ser somados e terão suas médias calculadas em 10 dias. O desvio padrão também será calculado e agregado para o período de 10 dias. Esta lista de mapas chamada de ET_std, também será exiba usando a Representação Pseudo. Para obtenção do valor de evapotranspiração do cultivo, será utilizada a série temporal de dados ETp_avg e ET_std e adotado o seguinte procedimento: Para os meses avaliados o valor adotado para o coeficiente de cultivo será equivalente aos estádios de desenvolvimento da cultura, sendo: ETr = (ETp_avg ET_std) * Kc Eq 6 Uma vez procedidos todos os cálculos, uma nova lista de mapas precisará ser criada. Do menu principal do ILWIS, deverá ser selecionada o File => Create => MapList e adicionado todos os recém criados mapas de ETr* em ordem seqüencial. Especificando como nome da lista de mapas ETr e pressionando OK. Exibindo a recém criada lista de mapas como uma seqüência animada e pelo uso da Representação Pseudo se verificará os valores obtidos. 5.2.7. Passo 7: Estimativa de produtividade de cana-de-açúcar A estimativa da safra de cana-de-açúcar durante a estação de crescimento, em base decedial, é feita usando um modelo agro-meteorológico (Equação 7), seguindo Doorenbos e Kassam (1979): Eq 7 onde Ye é a safra estimada (kg ha -1 ), Yp é a safra máxima (kg ha -1 ), ky é o fator de resposta da safra descrito em (Doorenbos e Kassam, 1979); ETr é a evapotranspiração (mm) e ETp a evapotranspiração máxima (mm). A safra máxima (Yp) é determinada pelas características genéticas do cultivo e o grau da sua adaptação ao ambiente. Para calcular a safra estimada será preciso inserir a equação abaixo 13

na linha de comando do menu principal do ILWIS: Ye1:=Yp_1*(1-1.2*(1-(ETr1/etp_avg_0401_Norte_Fluminense))) Na janela de definição do mapa raster (Raster Map Definition window), deverá ser configurado o valor mínimo do intervalo para 0 e a precisão ( Precision ) para 0.01 e pressionar OK para executar a operação. Exibindo o mapa calculado e verificando os valores obtidos. Deverá ser observado que cada pixel representa uma área de 1 km 2 e a safra estimada expressa em kg ha -1! Os cálculos de Ye para as outras dezenas usando o conjunto de equações deverão ser seguidas, observando as mudanças nos valores do Yp, mantendo-os sempre em 0 como valor mínimo do mapa e usando como precisão 0.01 : Uma vez realizada todas as operações, uma nova lista de mapas precisará ser criada. Do menu principal do ILWIS deverá ser selecionado File => Create => MapList e adicionado todos os recém criados mapas de Ye*, em ordem seqüencial à listagem de origem, usando o ícone >, especificando como nome da lista de mapas Ye e pressionando OK. Os mapas recém criados de Ye deverão ser listados como uma seqüência animada, usando como Representação Pseudo para verificar os valores obtidos. 5.2.8. Passo 8: Máscara local de safra estimada A lista de mapas de safra estimada (Ye) resultante deve ser sobreposta à máscara das fronteiras municipais da região Norte Fluminense, Rio de Janeiro. Clicando com o botão direito no mapa de polígono Norte Fluminense e, do menu sensível a contexto, e selecionando a opção Polygon to Raster, como GeoReference, deverá ser selecionado CFG_ Norte Fluminense _período_avaliação, não alterando o nome default do mapa raster de saída e pressionando Show, exibindo o mapa e observando o seu conteúdo. Fechando o mapa e clicando com o botão direito no mapa raster norte_fluminense e, do menu sensível a contexto, selecionando a opção Properties. Observando que o domínio é aqui especificado com o identificador (Identifier) norte_fluminense e seu o conteúdo 1 é um identificador, mas não um valor. Para que cálculos possam ser feitos com este mapa, será preciso atribuir-lhe valores, digitando a expressão seguinte na linha de comando do menu principal do ILWIS: mask:=iff(norte fluminense="1",1,0) Observando que a partir da janela de definição do mapa raster (Raster Map Definition window) o domínio agora contém um valor, pressionando OK para executar a operação. Ao 14

exibir o mapa Mask deve-se observe o conteúdo, podemos agora usar a máscara para extrair o valor de Ye para a região Norte fluminense, digitando a seguinte expressão na linha de comando do menu principal do ILWIS: Ye_norte_fluminense.mpl:=maplistcalculate("iff(mask=1,@1,?)",0,14,Ye.mpl) Pressionando Enter para executar a operação, exiba a série temporal resultante Ye_norte_fluminense como uma seqüência animada, usando como Representação Pseudo, para verificar os valores obtidos passando o mouse, com o botão direito pressionado, sobre a janela de exibição ativa. 5.2.9. Passo 9: Produtividade Total da Safra usando a máscara do cultivo de cana de açúcar A série temporal Ye_norte_fluminense corresponde à safra estimada de cana de açúcar, em base dezenal. Para estimar a Produtividade Total da Safra para toda a série temporal, cada dezena da lista de mapas Ye_ norte_fluminense deverá ser acumulada. Para isso a seguinte expressão na linha de comando para obter a soma da série temporal deverá ser digitada e pressionando enter para executar a operação: Ye_sum:=MapMaplistStatistics(Ye_norte_fluminense.mpl, Sum, 0, 14) Finalmente, para estimar a produtividade total da safra, a quantidade média da água (76 %) sem estresse é adicionada à cana de açúcar, e o peso inicial dos caules durante o plantio deve ser também adicionado (aqui o valor de 15 ton/ha é utilizado). Para se obter a Produtividade Total da Safra deve-se digitar a seguinte expressão na linha de comando do ILWIS, e pressionar enter para executar a operação: Ye_total:=Ye_sum*1.76+15000 Clicando com o botão direito no mapa de polígono cana-de-açúcar_mask e, do menu sensível a contexto, selecionando a opção Polygon to Raster, como GeoReference selecione CFG_ norte_fluminense_apr_aug_1, não alterando o nome default do mapa raster de saída e pressionando Show. Esse procedimento exibirá o mapa, que deverá ser analisado. Abrindo, no menu principal do ILWIS a opção Operations => Raster Operations => Cross. Selecionando o mapa raster com a produtividade total da safra, aqui chamado Ye_total, como primeiro mapa 1st Map. Selecionando o mapa raster cana-de-açúcar _mask como segundo mapa 2nd Map. Digitando yield_mask como tabela de saída Output Table e pressione Show. O conteúdo da tabela cruzada deverá ser obsrvado. A figura geral mostrará os 15

resultados finais da análise, usando as fronteiras municipais e a máscara de cana-de-açúcar, sobrepostas ao mapa Ye_total. 6. RESULTADOS ESPERADOS Ao final do projeto espera-se que o modelo agrometeorológico para a estimativa da produtividade agrícola da cana-de-açúcar seja validado e os resultados obtidos coerentes com a necessidade de informações da sociedade fluminense. Espera-se ainda que os estudantes e pesquisadores da UENF, em especial do LEAG/CCTA estejam operando o Sistema EUMETCast e gerando produtos para o monitoramento agrometeorológico, climático e ambiental das Regiões Norte e Noroeste do Estado de Rio de Janeiro a partir das imagens do satélite METEOSAT-9. Espera-se também construir uma parceria técnico-científica entre estudantes e pesquisadores do Laboratório da Analise e Processamento de Imagens (LAPIS) da Universidade Federal de Alagoas (UFAL), com o Departamento de Observação da Terra (OBT) do Instituto Nacional de Pesquisas Espaciais (INPE) e os estudantes e pesquisadores do LEAG-LFIT/UENF. A sinergia e complementaridade das ações entre os estudantes e pesquisadores da UFAL, do INPE e da UENF permitirão o aprimoramento técnico dos participantes do projeto nas suas áreas de especialidade (agrometeorologia, sensoriamento remoto, geoprocessamento), contribuindo para capacitações individuais e institucionais na construção do desenvolvimento científico e tecnológico do nosso país. 7. DISPONIBILIDADE DE INFRAESTRUTURA INSTITUCIONAL A UENF conta com excelente infraestrutura disponível à pesquisa, possibilitando a realização das atividades propostas para o desenvolvimento do presente projeto. Destaca-se a disponibilidade de áreas físicas dotadas de infraestrutura de comunicação (internet e telefonia) e mobiliário adequado. O Laboratório de Engenharia Agrícola (LEAG), do Centro de Ciências e Tecnologias Agropecuárias CCTA, da Universidade Estadual do Norte Fluminense Darcy Ribeiro (UENF) foi criado em setembro de 1999 com o propósito de apoiar as atividades de Ensino e Pesquisa desenvolvidas no CCTA. Nas atividades de ensino, os docentes desse Laboratório são responsáveis por disciplinas nas áreas de Agrometeorologia, Irrigação e Drenagem, Construções Rurais, Pré-processamento de Produtos Agrícolas, Mecânica Aplicada e Mecanização Agrícola, 16

Economia Agrícola, Estatística e Experimentação Agropecuária. O laboratório vem realizando importantes pesquisas nas áreas de Engenharia Agrícola e Economia Rural. Essas pesquisas estão voltadas para o desenvolvimento de tecnologias mais adequadas para a agricultura das regiões Norte e Noroeste do Estado do Rio de Janeiro, bem como para o estudo das questões relacionadas ao desenvolvimento econômico dessas regiões. O LEAG conta como um setor dedicado aos estudos de agrometeorologia e irrigação, com destaque para avaliação do consumo de água de culturas agrícolas e instrumentação agropecuária, além de ser responsável pela manutenção de uma estação evapotranspirométrica dotada de sofisticados equipamentos que permitem a aquisição pontual e contínua de dados climatológicos. Os recursos solicitados neste projeto serão utilizados para o custeio das atividades e aquisição de novos equipamentos, permitindo que o LEAG/UENF amplie sua infraestrutura e se habilite para assumir múltiplas tarefas de interesse para o desenvolvimento regional. 8. CRONOGRAMA DE EXECUÇÃO: Bimestres após o início do projeto Atividades 1 2 3 4 5 6 7 8 9 10 11 12 Definição das áreas agrícolas a serem x x x monitoradas in situ. Aquisição e montagem do sistema de coleta x x x de dados agrometeorológicos e micrometeorológicos nas áreas agrícolas selecionadas. Aquisição e montagem do sistema de aqui- x x sição, recepção e tratamento de imagens METEOSAT (MSG) no LEAG/UENF Treinamento para utilização do sistema EUMETCast no LEAG/UENF x x Desenvolvimento e implementação x x x x x x x x x x operacional de produtos de monitoramento para a região Norte Fluminense, RJ. Coleta de dados em campo x x x x Monitoramento das variáveis meteorológicas x x x x x x x x x x Tabulação, análise e interpretação dos x x x x x x x x x x resultados Elaboração de resumos/artigos científicos x x x x Apresentação de relatório final à FAPERJ x 17

9. ORÇAMENTO E JUSTIFICATIVAS DOS ITENS SOLICITADOS Itens solicitados Nacionais Importados Total Custeio S.T.P.J. 3.600,00-3.600,00 Material de Consumo 1.500,00-1.500,00 S.T.P.F. 5.000,00-5.000,00 Diárias - - - Passagens - - - Capital Mat. Permanente / Equipamentos 36.993,00-36.993,00 Obras de infraestrutura 0,00-0,00 Total 47.093,00-47.093,00 9.1. Detalhamento e justificativa dos itens solicitados S.T.P.F. (SERVIÇO DE TERCEIROS - PESSOA FÍSICA) DESCRIÇÃO VALOR (R$) 1. Serviço de terceiros 2.000,00 2. Diárias 3.000,00 TOTAL 5.000,00 Justificativas: item 1: pagamento diversos: trabalhadores de campo (auxilio da instalação de equipamentos em campo, manutenção de sensores, coleta de dados, etc...); item 2: despesas com deslocamento e hospedagem de pessoal para treinamento; MATERIAL DE CONSUMO DESCRIÇÃO VALOR TOTAL (R$) 1. Material de informática e eletrônicos diversos (cartucho de tinta, pendrive, HD Externo, cabos, papel para impressora, etc) 1.500,00 TOTAL 1.500,00 Justificativas: item 1: deslocamento da equipe para trabalhos de campo; 18

EQUIPAMENTOS E MATERIAIS PERMANENTES DESCRIÇÃO 1. Dois microcomputadores DELL XPS 8500, com 8 MB de RAM, HD de 2 TB, DVD-RW, teclado, mouse e monitor LCD de 23 ; Dois nobreaks de 1200 W, Sistema operacional, etc TOTAL (R$) 10,214,00 2. Uma chave EKU + CD + Correio 400,00 3. Uma placa DVB S SKYSTAR PCI (5 volts) 1.000,00 4. Uma antena tipo parabólica recepção em banda C via satélite na faixa de 3,7 a 4,2 GHz, diâmetro mínimo de 3 m, refletor de ganho mínimo de 45 dbi no centro da faixa, feed, ajuste de elevação e de azimute (antena + receptor LNB + 50 m de cabo coaxial 75 ohms e sistema de fibra ótica (100 m) 1.399,00 5. 10 sensores de temperatura e umidade relativa do ar, automatizados (U23-001) 8.150,00 6. 10 Proteção contra radiação solar para dataloggers ( RS1 ) 3.950,00 7. SOFTWARE BHW PRO CD (para coleta de dados) 519,00 8. 1 Leitor de dados dos data loggeres (Base U4) 575,00 9. 10 Pluviômetros Digitais - RG3-M 21.000,00 TOTAL 36.993,00 Justificativas: Item 1: Microcomputadores para recepção e processamento dos dados MSG. Itens 2, 3 e 4: Para recepção, decodificação e acesso aos dados MSG; Item 5 e 6: Sensores para monitoramento in situ e validação terrestre (componentes aerodinâmicas) Item 7 e 8: Para coleta de dados meteorológicos via notebook Item 9: Sensores para monitoramento in situ e validação terrestre (componentes hidrológicas) DESCRIÇÃO S.T.P.J. (SERVIÇO DE TERCEIROS - PESSOA JURÍDICA) 1. Montagem da antena parabólica de recepção em banda C e do sistema de fibra ótica VALOR (R$) 3.000,00 2. Despesas postais e com transportadora 600,00 TOTAL 3.600,00 Justificativas: item 1: Despesas com montagem da antena parabólica e do sistema de fibra ótica. item 2: Despesas com transportadora e serviços de correio. 19

10. REFERÊNCIAS BIBLIOGRÁFICAS Bartholomé, E. (editor) (2006): VGT4 Africa user manual. 1st edition. EUR 22344 EN, European Communities. Available online at http://www.devcocast.eu/viewcontent.do?pageid=40. Berka, L.M.S., Rudorff, B.F.T., Shimabukuro, Y.E. (2003): Soybean yield estimation by an agrometeorological model in a GIS. Scientia Agricola, v.60, p.433-440. CANASAT-INPE. Monitoramento da cana-de-açúcar via imagens de satélite. Disponível em http://www.dsr.inpe.br/laf/canasat/. Acesso em 20/maio/2012. Doorenbos, J., Kassam, A.H. (1979): Yield response to water. Food and Agriculture Organization of the United Nations, FAO Irrigation and Drainage Paper no. 33, 193 p. Mello, M. P.; vieira, C. A. O.; Aguiar, A. D.; Rudorff, B.F.T. (2009) Classificação da colheita da cana-de-açúcar por meio de imagens de satélite utilizando superfícies de resposta espectrotemporais. Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, 25-30 abril, INPE, p. 279-286. Norman, J.M., Anderson, M.C., Kustas, W.P., French, A.N., Mecikalski, J., Torn, R., Diak, G.R., Achmugge, T.J. (2003): Remote Sensing of Evapotranspiration for Precision-Farming Applications. In: IEEE International Geoscience and Remote Sensing Symposium, Toulouse. Proceedings IGARSS 2003 Organizing Committee, 2003. p. 21-25. Picini, A. G. Desenvolvimento e teste de modelos agrometeorológicos para a estimativa de produtividade do cafeeiro (Coffea arabica L.) a partir do monitoramento da disponibilidade hídrica do solo. Piracicaba. (1998). Dissertação (Mestrado em Agronomia, área de concentração Agrometeorologia) Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo. Picoli, M.C.A; Rudorff, B.F.T.; Rizzi, R.; Zuben, F.J.V. (2007) Estimativa da produtividade agrícola da cana-de-açúcar: estudo de caso Usina Catanduva. Anais XIII Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis, Brasil, 21-26 de abril, INPE, p.331-333. Rizzi, R.; Rudorff, B.F.T. (2003) Imagens Landsat na estimativa de área plantada com soja em municípios do Rio Grande do sul. In: Simpósio Brasileiro de Sensoriamento Remoto, Belo Horizonte, INPE, p. 231-238. Rizzi, R.; Rudorff, B.F.T. (2007) Imagens do Sensor MODIS associadas a um modelo agronômico para estimar a produtividade da soja. Pesquisa agropecuária brasileira, Brasília, v.42, n.1, p.73-80. Rudorff, B.F.T. (1985): Dados Landsat na estimativa da produtividade agrícola da cana-deaçúcar. Dissertação (Mestrado em Sensoriamento Remoto) Instituto Nacional de Pesquisas Espaciais - INPE, São José dos Campos. 114 p. Santos, M.A.L dos, Irrigação suplementar da cana- de- açúcar (Saccharum spp): Um modelo de análise de decisão para o estado de Alagoas. Tese (Doutorado em Agronomia Irrigação e Drenagem), Piracicaba- SP. Escola Superior de Agricultura Luiz de Queiroz - ESALQ /USP, 2005, 100p. Toledo Filho, M.R. (1988): Probabilidade de suprimento da demanda hídrica ideal da cultura de cana-de-açúcar (Saccharum spp.) através da precipitação pluvial na zona canavieira do estado de Alagoas. 1988.72f. Dissertação (Mestrado) Progama de Pós-graduação em Agronomia, Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo, Piracicaba. 20