Áreas agrícolas em sensores com resolução espacial de 30m estimadas a partir de dados originais e simulados MODIS e métricas de paisagem

• Ano de defesa: 2006
• Autor(a) principal: Dênis de Moura Soares
• Orientador(a): Antonio Roberto Formaggio, Lênio Soares Galvão
• Banca de defesa: Yosio Edemir Shimabukuro, Eduardo Guimarães Couto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Sensoriamento Remoto
• País: BR
• Resumo em Inglês: The national agribusiness is very important for the Brazilian economy. Thus, the creation of methodologies to monitor the activity is fundamental. In this way, the estimation of crop area is an important tool for prediction of the availability of products for national consumption and exportation. Remote sensors have frequently been used to measure areas, but clouds abundance, mainly in agricultural seasons, represents a huge difficulty. Sensors with almost daily revisit time can be a solution for that limitation, but their spatial resolution is usually poor. Therefore, the aim of this work was to evaluate the differences between crop area estimation from coarse resolution data (e.g. MODIS/Terra, with 250m) and fine resolution data (ETM+/Landsat-7, with 30m), using real and simulated data, different crop types and their spatial pattern (landscape metrics). The analysis was applied for three different crops: corn, sugarcane and soybean. The study area was located close to the Ipuã, Guará and São Joaquim da Barra, cities in the north of the São Paulo state, Brazil. The thematic classes woodland, pasture and exposed soil were also included in the analysis. To reach the goal, the behavior of the the landscape metrics was studied as a function of the simulation of different levels of spatial resolution (90m, 150m, 210m and 270m) from ETM+ data using texture and majority filtering. Simple (area) and multiple (area plus landscape metrics) regression models were constructed using original data of the sensors ETM+ and MODIS, considering all classes together (general approach) and each class individually (specific approach). The results showed that: a) both simulation techniques affected similarly the spatial pattern of the thematic classes, but the texture filtering was more realistic to represent the MODIS/Terra sensor; b) in the general approach to estimate crop area, the simple regression between class areas from real data presented low coefficient of determination (R² of 0.46). By adding the landscape metrics, this coefficient increased to 0.49. The selected indices for this procedure were Área, LPI, LSI, TCA PLADJ and IJI; c) in the specific approach, the creation of statistic models for each agricultural class increased the R² to 0.52, 0.67 and 0.87 for corn, sugarcane and soybean, respectively. The model for corn was composed of the metrics LSI, CLUMPY, IJI, MESH and NP. For sugarcane, Área, LSI, CLUMPY, IJI and NLSI were selected as the most important metrics. Finally, the relevant landscape metrics for soybean were Área, NP, NDCA, DCAD and COHE. Thus, the results demonstrated that coarse spatial resolution data can be utilized to predict crop area measured from fine spatial resolution data, especially for less fragmented crops (soybean and sugarcane) and with the use of specific crop regression models incorporating landscape metrics.
• Link de acesso: http://urlib.net/sid.inpe.br/MTC-m13@80/2006/08.03.14.19

O agronegócio tem papel de destaque na economia brasileira. Dessa forma, a criação de metodologias para o monitoramento agrícola é fundamental. Nesta linha de raciocínio, a estimativa de área agrícola é uma atividade importante para a previsão de safras e avaliação da disponibilidade de produtos para abastecimento interno e exportações. A utilização de sensores remotos tem se mostrado eficiente na medição de áreas. No entanto, a abundância de nuvens representa um fator crítico para o sucesso de sua aplicação. Sensores com repetitividade quase diária podem ser uma solução para essa limitação, apesar de sua resolução espacial moderada. Assim, este trabalho teve por objetivo avaliar as diferenças obtidas nas estimativas de áreas de culturas agrícolas quando são utilizados sensores de resolução espacial moderada (p.ex, MODIS/Terra, com 250m), ao invés de resolução espacial fina (ETM+/Landsat-7, com 30m), considerando dados originais e simulados, diferentes culturas agrícolas e seu padrão de distribuição espacial (métricas da paisagem). As culturas agrícolas avaliadas foram o milho, a cana-de-açúcar e a soja, na região de Ipuã, Guará e São Joaquim da Barra, no norte paulista. Também foram incluídas na análise as classes temáticas mata, pastagem e solo exposto. Para atingir tal objetivo foi estudada a evolução dos valores das métricas de paisagem em função de degradações sucessivas da imagem ETM+ para obter imagens de 90m, 150m, 210m e 270m, utilizando filtragem espacial de textura e de maioria. Modelos de regressão simples (área) e múltipla (área e métricas) foram elaborados com base em dados originais dos sensores ETM+ e MODIS, considerando todas as classes em conjunto (abordagem geral) e cada classe individualmente (abordagem específica). Os resultados obtidos mostraram que: a) as duas técnicas de simulação afetaram de maneira semelhante o padrão espacial das classes temáticas, sendo a filtragem de textura mais realística na tarefa de representar o sensor MODIS/Terra; b) na abordagem geral para estimativa de área, a regressão simples entre as áreas de classes temáticas obtidas das imagens originais apresentou coeficiente de determinação (R²) de 0,46 e a inclusão dos índices de padrão espacial no modelo de regressão múltipla elevou tal grandeza para 0,49, sendo as métricas Área, LPI, LSI, TCA PLADJ e IJI as constituintes do modelo; c) na abordagem específica, a criação de modelos estatísticos para cada cultura agrícola elevou bastante o R², atingindo valores de 0,52, 0,67 e 0,87, para o milho, a cana e a soja, respectivamente. O modelo para o milho foi composto pelos índices LSI, CLUMPY, IJI, MESH e NP, para a cana pelos Área, LSI, CLUMPY, IJI e NLSI. Por fim, para a soja as métricas relevantes foram: Área, NP, NDCA, DCAD, COHE. Portanto, os resultados demonstram que sensores de resolução espacial moderada podem ser utilizados para predizer áreas vistas por sensores de resolução mais fina, especialmente para as culturas agrícolas menos fragmentadas (soja e cana) e com a adoção de modelos estatísticos específicos que incorporem métricas de paisagem.