Análise espaçotemporal da sigatoka amarela da bananeira utilizando sensoriamento remoto e geoestatística

• Ano de defesa: 2017
• Autor(a) principal: Rodrigues, Julia Dal Poggetto
• Orientador(a): Alves, Marcelo de Carvalho
• Banca de defesa: Alves, Marcelo de Carvalho, Oliveira, Marcelo Silva de, Freitas, Aurivan Soares de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Agrícola
• Departamento: Departamento de Engenharia
• País: brasil
• Palavras-chave em Português: Banana - Doenças e pragas - Distribuição espacial; Banana - Doenças e pragas - Análise de séries temporais; Sigatoka amarela; Geologia - Métodos estatísticos; Sensoriamento remoto; Bananas - Diseases and pests - Spatial distribution; Bananas - Diseases and pests - Time-series analysis; Yellow sigatoka; Geostatistics; Remote sensing
• Área do conhecimento CNPq: Engenharia Agrícola; Fitopatologia
• Link de acesso: https://repositorio.ufla.br/handle/1/15623

A Sigatoka amarela, cujo agente etiológico é o Pseudocercospora musae (Mycosphaerella musicola), está entre as doenças que mais afetam a bananeira. O progresso da doença ocorre tanto no tempo como no espaço e as ciências Sensoriamento Remoto e Geoestatística espaço-tempo oferecem suporte para a análise desse processo dinâmico. Portanto, o objetivo deste trabalho foi realizar a predição espaçotemporal da Sigatoka amarela em diferentes épocas, calcular e avaliar índices de vegetação derivados do sensor Enhanced Thematic Mapper Plus (ETM+), satélite Landsat 7, para inferir sobre a ocorrência da doença, avaliar a existência de correlação espacial e temporal entre dados obtidos pelo sensor e dados in situ e, por fim, analisar a assinatura espectral da planta afetada pela doença. No primeiro estudo, foram utilizaradas imagens do satélite Landsat 7, sensor ETM+, com correção atmosférica método Dark Object Substraction 1 (DOS1) e Second Simulation of Sattelite Signal in the Solar Spectrum (6S). Foram calculados os índices Vegetação da Diferença Normalizada (NDVI), Índice de Vegetação da Diferença Normalizada no Verde (GNDVI) e Índice de Água de Diferença Normalizada (NDWI). Na assinatura espectral referente aos meses de setembro e outubro, a região do infravermelho médio possibilitou a análise das características da doença na planta. Os índices NDVI e GNDVI mostraram diferenças na correção atmosférica e em relação à doença o NDWI foi o que apresentou melhor resultado. No segundo estudo, os modelos de covariância espaçotemporais separáveis, Duplamente Exponencial, e não separáveis, de Gneiting, foram testados com os métodos de ajuste Weight Least Squares (WLS), Restricted Maximum Likelihood (REML) e Likelihood Pairwise. O modelo não separável de Gneiting, método de ajuste WLS, em que a tendência foi modelada, permitiu reduzir as incertezas de predição espacial e temporal da doença, bem como caracterizar o padrão espaçotemporal do monociclo da doença.