geotecnologias em um sistema de estimativa da produÇÃo de soja: estudo...

INPE-12271-TDI/983

GEOTECNOLOGIAS EM UM SISTEMA DE ESTIMATIVA DA PRODUÇÃO DE SOJA: ESTUDO DE CASO NO

RIO GRANDE DO SUL

Rodrigo Rizzi

Tese de Doutorado do Curso de Pós-Graduação em Sensoriamento Remoto, orientada pelo Dr. Bernardo Friedrich Theodor Rudorff, aprovada em 30 de abril de 2004.

INPE São José dos Campos

2005

528.711.7 (816.5) RIZZI, R. Geotecnologias em um sistema de estimativa da produção de soja: estudo de caso no Rio Grande do Sul / R. Rizzi.- São José dos Campos: INPE, 2004. 212p. – (INPE-12271-TDI/983). 1.Sensoriamento remoto. 2.Sistema de Informações Geográficas (SIG). 3.Landsat. 4.Modis. 5.Agrometeorologia. 6.Estatística. 7.Agricultura. 8.Soja. 9.Produtividade. 10.Área plantada. 11.Amostragem. I.Título.

“Cada erro é uma oportunidade para aprender. Apenas não cometa o

mesmo erro várias vezes - isso é estupidez. Mas cometa tantos novos

erros quanto você for capaz - não tenha medo - porque esta é a única

maneira pela qual a natureza lhe permite aprender”

Osho

A meus pais, Celita e Armindo,

ofereço........

AGRADECIMENTOS

A Deus, por mais uma oportunidade para minha evolução espiritual.

A meus pais, pela luta, apoio, incentivo e confiança.

À minha irmã Caroline, pelo estímulo ao seguir meu exemplo.

À Danielle Mendes, pelo amor, carinho, atenção, incentivo e compreensão.

Ao Dr. Bernardo Rudorff, pela confiança, estímulo, conhecimentos

compartilhados, pela extrema competência com que orientou esta tese e

principalmente por ainda ser fundamental para minha formação profissional.

À minha colega, amiga e conterrânea Eliana Lima da Fonseca, pelos

incontáveis e indispensáveis auxílios e discussões, que tornaram menos

penosos estes quatro anos.

Ao meu irmão russo Dmitry Fedorov, for sharing food and remote control e

principalmente por compartilhar inúmeros conhecimentos em inúmeras áreas;

valeu dude.

Ao amigo e colega Luiz Eduardo Aragão, que por sua visão não agronômica

proporcionou-me valiosas idéias.

Ao Dr. Antônio Roberto Formaggio, pelos conhecimentos transmitidos e

principalmente pelo auxílio espiritual nos momentos difíceis.

Aos amigos José Luiz Yi e Marcelo Moreira, da Cargill Agrícola S.A., pelo

auxílio, discussões e principalmente pelo incentivo que deram ao acreditarem

nos resultados preliminares.

Aos Drs. Yosio Shimabukuro, José Epiphanio, Corina Freitas, Camilo Rennó,

Nelson de Jesus Ferreira e Getúlio Teixeira Batista, pelas sugestões e

conhecimentos transmitidos.

À Dra. Denise Cybis Fontana e ao amigo Ricardo Wanke de Mello, pelas

discussões e pelo fornecimento dos dados meteorológicos.

Aos amigos Marcos, Julio Cesar, Maldonado, Marinaldo, Enzo, Silvia, Pabrício,

Paulo, Luciana, Rogério, Alfredo e Liana, pelo auxílio e discussões em

inúmeras situações.

Aos demais colegas da pós-graduação do INPE, em especial, João, Chico,

George, Renato, Giovanne, Roberto, Raul, Mariza, Alessandro, Renata e

Brummer, pelo companheirismo.

Às secretárias Cristina, Terezinha, Angelucci e, em especial, Maria Etelvina

Etel, por sempre tornarem as coisas menos difíceis.

Ao Instituto Nacional de Pesquisas Espaciais, pela oportunidade do

aprimoramento científico.

Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico, pelo

aporte financeiro.

Aos professores da Universidade Federal de Pelotas Drs. Marta Elena Mendez,

por tudo e Francisco Neto de Assis, por despertar em mim o encanto pelas

imagens de satélite.

Aos amigos da Computação Aplicada, em especial, Arley, Emiliano, Gustavo,

Aditya e Marcos Aurélio, pelos bons momentos.

A todos os colegas e amigos da UFSM e UFPEL, em especial, Paulo Jeepeiro

Kuhn, por fornecer o mapa de solos digitalizado.

Às famiglias Rizzi e Viero, que sempre acreditaram e torceram.

A todos os produtores de soja do Brasil, co-responsáveis pela realização deste

trabalho.

A todas as pessoas que de alguma forma contribuíram e consideram-se

responsáveis pela realização deste trabalho.

Muito obrigado...

RESUMO Este trabalho objetivou desenvolver um sistema para estimativa da produção da cultura da soja através da utilização de geotecnologias e testá-lo no Estado do Rio Grande do Sul. A área de estudo compreendeu 322 municípios, os quais perfazem mais de 90% da produção de soja do Estado. A estimativa da área plantada foi realizada para os anos-safra 2000/01 e 2001/02 por meio de seis cenas do satélite Landsat adquiridas em duas datas por cena, para cada ano-safra. Em 2000/01, a estimativa foi realizada em nível municipal e estadual através da classificação automática e da interpretação visual das imagens. Em 2001/02, empregaram-se as imagens num sistema de amostragem por segmentos, visando a estimativa de área plantada em nível estadual. A estimativa da produtividade foi realizada para os anos-safra 2000/01 a 2002/03, empregando-se um modelo agrometeorológico-espectral (MAE) inserido num Sistema de Informações Geográficas, cuja variável espectral é o índice de área foliar (IAF) estimado a partir das imagens NDVI do sensor MODIS. Em substituição ao IAF estimado através do NDVI, foram testados dados de IAF obtidos na literatura, sendo o modelo então denominado agrometeorológico (MA). A produção da soja foi obtida pelo produto dos valores de área plantada e produtividade. Os resultados obtidos pelo presente estudo foram comparados aos dados oficiais provenientes do Levantamento Sistemático da Produção Agrícola (LSPA). Para a estimativa da área plantada, em 2000/01, as maiores diferenças relativas foram encontradas em municípios onde a cultura tem pouca expressão (abaixo de 10.000 ha) e as maiores diferenças absolutas foram observadas em municípios de expressiva área plantada (acima de 10.000 ha). Em nível estadual, verificou-se uma superestimativa por parte do LSPA em relação à classificação das imagens Landsat de aproximadamente 11,3%. Para 2001/02, o método de amostragem retornou um incremento de 11,97% em relação a 2000/01, o qual foi consideravelmente superior ao dado oficial (8,76%). Devido às discrepâncias encontradas, os valores de área plantada obtidos pelo presente estudo foram utilizados para corrigir os dados oficiais de produtividade em nível estadual e municipal, sendo que para 2002/03 utilizou-se o incremento em relação a 2001/02 fornecido pelo LSPA. Para os anos-safra 2000/01 e 2001/02 não foram observadas diferenças significativas entre o LSPA e os modelos de estimativa, para α = 5% (t=0,03 para o MAE e MA em 2000/01 e t=0,20 para MAE e 1,81 para o MA em 2001/02). Em 2002/03, ambos os modelos subestimaram o valor de produtividade fornecido pelo LSPA, quando as diferenças encontradas foram de 204 (t=6,48) e 228 kg ha-1 (t=7,3) para os MAE e MA, respectivamente. Em adição, através do MAE, foi possível monitorar temporal e espacialmente a evolução da produtividade durante todo o ciclo da cultura. Ante os resultados encontrados, o sistema proposto pode ser utilizado como suporte ao método tradicional e subjetivo de estimativa da produção de soja no Rio Grande do Sul.

GEOTECHNOLOGIES IN A SOYBEAN CROP PRODUCTION ESTIMATION SYSTEM: A CASE STUDY IN RIO GRANDE DO SUL STATE, BRAZIL

ABSTRACT

The objective of this work was to develop a soybean crop production estimation system and test it in Rio Grande do Sul State, Brazil, using geotechnologies. The study area comprises 322 municipalities which are responsible for nearly 90% of the State soybean production. Crop area estimation was performed for the crop years 2000/01 and 2001/02 by using six Landsat scenes acquired at two different periods per scene, in each crop year. In 2000/01, the estimate was carried out by both automatic and visual image classification at municipal and State level. In 2001/02, the crop area was estimated only at State level using a sample based on segments of size 1 x 1 km square method. An agrometeorological-spectral model (MAE) integrated into a Geographic Information System was used to estimate grain yield for crop years 2000/01 to 2002/03. The spectral variable for this model was the leaf area index (LAI) estimated from the NDVI values derived from MODIS images. LAI values were also estimated from literature data in order to replace MODIS images. In this case the model was named agrometeorological model (MA). The soybean production was estimated by multiplying the crop area times the soybean yield estimated from the MAE. The results were compared with the official statistics provided by the Systematic Survey Agricultural Production (LSPA). For the crop area estimate in 2000/01, the largest relative differences were observed in municipalities with very low soybean crop area, although the highest absolute differences were observed in municipalities with high soybean crop area (above 10.000 ha). The overall result showed an overestimation of planted area around 11,3% between LSPA and Landsat. In 2001/02, the sample square method showed a planted area increment of 11.97% in relation to 2000/01, which was higher than the LSPA estimation (8.76%). Due to these differences the official grain yield data was adjusted based on production data and crop area estimated from Landsat in order to compare the “corrected” LSPA yield data with the MAE and MA yield output, whereas the official increment was used to adjust the crop year of 2002/03. Eventually, no significant differences were found between LSPA and MAE or MA for the crop years of 2000/01 and 2001/02 for α = 5% (t=0,03 for MAE and MA in 2000/01 and t=0,20 for MAE and 1,81 for MA in 2001/02). For the crop year of 2002/03, both models underestimated grain yield when compared with LSPA by 204 (t=6,48) and 228 kg ha-1 (t= 7,3) for MAE and MA, respectively. Moreover, the MAE proved to be a powerful tool to estimate yield variation at both municipal and state level, as well as to monitor soybean crop throughout the growing season. Besides, the proposed system can be used to aid the traditional and subjective soybean crop production method in Rio Grande do Sul State.

SUMÁRIO

Pág.

LISTA DE FIGURAS

LISTA DE TABELAS

LISTA DE SIGLAS E ABREVIATURAS

CAPÍTULO 1 .................................................................................................... 31

INTRODUÇÃO................................................................................................. 31

1.1. Justificativa................................................................................................33

1.2. Hipótese: ...................................................................................................35

CAPÍTULO 2 .................................................................................................... 37

FUNDAMENTAÇÃO TEÓRICA....................................................................... 37

2.1. Cultura da Soja..........................................................................................37

2.1.1. Histórico .................................................................................................37

2.1.2. Panorama Mundial e Nacional ...............................................................37

2.1.3. Exigências Climáticas.............................................................................41

2.1.4. Ciclo Fenológico.....................................................................................43

2.1.5. Zoneamento Agroclimático.....................................................................44

2.2. Geoprocessamento e Sistemas de Informações Geográficas...................45

2.3. Sensoriamento Remoto Óptico e suas Relações com Pesquisas

Agrícolas...................................................................................................47

2.3.1. Resolução, Número e Posicionamento das Bandas Espectrais.............48

2.3.2. Resolução Espacial ................................................................................49

2.3.3. Resolução Temporal ..............................................................................50

2.3.4. Resolução Radiométrica ........................................................................51

2.3.5. Sistemas Sensores ................................................................................52

2.3.5.1. Sensores TM e ETM + ........................................................................52

2.3.5.2. Sensor MODIS ....................................................................................53

2.4. Comportamento Espectral e Temporal de Alvos Agrícolas .......................56

2.4.1. Comportamento Espectral e Temporal de Culturas Agrícolas................56

2.4.2. Comportamento Espectral e Temporal do Solo......................................62

2.5. Índices de Vegetação................................................................................64

2.5.1. Relações dos Índices de Vegetação com Variáveis Biofísicas...............68

2.6. Processamento de Imagens de Sensoriamento Remoto ..........................70

2.6.1. Correção Geométrica .............................................................................71

2.6.2. Classificação Digital de Imagens de Sensoriamento Remoto ................72

2.6.2.1. Classificação Supervisionada..............................................................73

2.6.2.2. Classificação Não-Supervisionada......................................................74

2.6.2.3. Classificação Híbrida...........................................................................76

2.6.2.4. Interpretação Visual.............................................................................76

2.7. Estatísticas Agrícolas e Relações com o Sensoriamento Remoto ............77

2.8. Estimativa da Área Plantada a Partir de Imagens de Sensoriamento

Remoto .....................................................................................................80

2.9. Estimativa da Produtividade Através de Modelos .....................................84

2.9.1. Modelos Agrometeorológicos .................................................................85

2.9.2. Modelos Espectrais e Agrometeorológicos-espectrais ...........................86

2.9.3. Parametrização dos Modelos de Produtividade .....................................87

2.9.4. Relação dos Modelos de Produtividade com Dados Meteorológicos.....87

2.9.5. Pesquisas Envolvendo Modelos de Produtividade.................................88

2.9.6. Integração de Modelos de Produtividade em SIG ..................................90

CAPÍTULO 3 .................................................................................................... 93

MATERIAL E MÉTODOS ................................................................................ 93

3.1. Ferramentas Computacionais ...................................................................93

3.2. Criação do Banco de Dados Geográfico ...................................................94

3.3. Área de Estudo..........................................................................................95

3.3.1. Características Agroclimáticas ...............................................................97

3.4. Estimativa da Área Plantada .....................................................................98

3.4.1. Estimativa Via Mapeamento das Imagens Landsat - Ano-safra

2000/01 ....................................................................................................98

3.4.2. Estimativa Via Método de Amostragem por Segmentos das Imagens

Landsat - Ano-safra 2000/01..................................................................101


Landsat - Ano-safra 2001/02..................................................................105

3.5. Estimativa da Produtividade ....................................................................106

3.5.1. Definição das Variáveis Agrometeorológicas .......................................106

3.5.2. Definição do Componente Espectral ....................................................109

3.5.3. Parametrização do Modelo...................................................................113

3.5.4. Substituição da Variável Índice de Área Foliar .....................................116

3.5.5. Cálculo da Podutividade em Nível Municipal e Estadual......................116

3.5.6. Monitoramento Temporal da Soja ........................................................117

CAPÍTULO 4 .................................................................................................. 119

RESULTADOS E DISCUSSÃO ..................................................................... 119

4.1. Estimativa de Área Plantada ...................................................................119

4.1.1. Estimativa Via Mapeamento das Imagens Landsat - Ano-safra

2000/01 ..................................................................................................119

4.1.1.1. Mapeamento das Imagens Landsat ..................................................119

4.1.1.2. Estimativa da Área Plantada por Município - Ano-safra 2000/01 ......124


Landsat - Ano-safra 2000/01. .................................................................130


Landsat - Ano-safra 2001/02. .................................................................138

4.2. Estimativa da Produtividade ....................................................................141

4.2.1. Geração do Mapa da Capacidade de Armazenamento de Água no

Solo (CAD) .............................................................................................141

4.2.2. Seleção do Componente Espectral e do Período a Ser Monitorado ....142

4.2.3. Correção nos Dados Oficiais de Produtividade ....................................143

4.2.4. Desempenho dos Modelos de Estimativa de Produtividade.................144

4.2.5. Estimativa da Produção........................................................................153

4.2.6. Monitoramento da Soja ........................................................................154

4.2.7. Sobre o Desenvolvimento do Sistema de Estimativa de Safras...........161

CAPÍTULO 5 .................................................................................................. 167

CONCLUSÕES.............................................................................................. 167

REFERÊNCIAS BIBLIOGRÁFICAS.............................................................. 169

APÊNDICE A - DADOS DE ÁREA PLANTADA – MAPEAMENT0...............181

APÊNDICE B - DADOS DE ÁREA PLANTADA – AMOSTRAGEM..............189

APÊNDICE C - DADOS DE PRODUTIVIDADE .............................................193

LISTA DE FIGURAS

Pág.

2.1 - Distribuição da Produção de Soja no Mundo, Ano-Safra 2003/04. .........38

2.2 - Área Plantada (mil ha), Produtividade Média (kg ha-1) e Produção

(mil ton.) Referentes à Cultura da Soja para o Ano-Safra 2002/03

nos Principais Estados Produtores. .......................................................39

2.3 - Porcentagem da Área Plantada com Soja por Município Referente

ao Ano-Safra 2000/01............................................................................41

2.4 - Índice de Perda de Potencial de Produtividade da Soja por

Deficiência Hídrica (Escala Relativa 0 - 1, Valores Iguais ou

Menores, com Probabilidade de 80%), no Rio Grande do Sul, para

Cultivares de Ciclo Médio Semeadas em 15 de Novembro...................42

2.5 - Zoneamento Agroclimático para a Cultura da Soja no Rio Grande do

Sul. ........................................................................................................45

2.6 - Curva da Transmitância Atmosférica. .....................................................48

2.7 - Resposta Espectral Típica de uma Folha Fotossinteticamente Ativa......58

2.8 - Curvas da Reflectância Espectral Obtidas em Folhas de Milho com

Diferentes Conteúdos de Água e Pigmentos Fotossintetizantes. ..........59

2.9 - Fator de Reflectância de Folhas de Milho Sobrepostas. .........................60

2.10 - Fator de Reflectância para Dosséis Planófilos e Erectófilos. ................61

2.11 - Resposta Espectral de 5 Amostras de Solo em Função do Teor de

Matéria Orgânica, Textura e Teor de Óxido de Ferro. ...........................63

2.12 - Espalhamento da REM Provocada pela Rugosidade Superficial do

Solo. ......................................................................................................64

2.13 - Relações Entre NDVI e IAF para a Cultura do Trigo. ............................69

2.14 - Evolução Temporal do NDVI Máximo Mensal de Regiões de Soja

no Estado do io Grande do Sul, Ano-Safra 1999/00..............................70

3.1 - Interface do Modelo AGROMET. ............................................................93

3.2 - Área de Estudo e a Respectiva Localização Geográfica.........................96

3.3 - Fluxograma das Principais Etapas que Envolveram a Metodologia

do Trabalho............................................................................................98

3.4 - Distribuição Espacial das Estações Meteorológicas Utilizadas na

Estimativa da Produtividade da Soja no Rio Grande do Sul. ...............108

3.5 - Imagens IAF do Sensor MODIS da 4a Semana de Fevereiro e 1a

Semana de Abril de 2001 e o Mapa Temático da Classificação das

Imagens Landsat. ................................................................................110

4.1 - Classe Temática Soja (Verde) Sobreposta à Imagem Landsat,

Composição Colorida RGB453 e os Erros da Classificação por

Omissão. .............................................................................................120

4.2 - Classe Temática Não-soja (azul) Sobreposta à Imagem Landsat,

Composição Colorida RGB453 e os Erros da Classificação por

Inclusão. ..............................................................................................120

4.3 - Imagem Landsat, Composição Colorida RGB453, Adquirida em 04-

03-2001, Onde se Evidenciam as Áreas com Soja..............................121

4.4 - Comportamento Espectral das Culturas Soja (1) e Milho (2) na

Imagem, Composição Colorida RGB453, de 08-02-2001....................122

4.5 - Composição Colorida RGB453 de Áreas com Soja em Imagens

Adquiridas em: a) 08-02-2001 e b) 04-03-2001. ..................................123

4.6 - Composição Colorida RGB453 de Áreas com Soja em Imagens

Adquiridas em: a) 08-02-2001 e b) 04-03-2001. ..................................124

4.7 - Mapa Temático Referente ao Mapeamento das Áreas com Soja e a

Divisão Política Municipal Referente ao Ano-safra 2001. ....................125

4.8 - Diferença (ha), em Nível Municipal, Entre a Estimativa de Área

Plantada Obtida pela Classificação das Imagens Landsat e a

Estimativa Oficial Fornecida pelo LSPA no Ano-safra 2000/01. ..........129

4.9 - Estratos Correspondentes à Porcentagem de Área Plantada com

Soja por Município no Ano-safra 2000/01............................................130

4.10 - Divisão de Parte da Área de Estudo em Segmentos Regulares de

1 x 1 km (Unidades Amostrais)............................................................131

4.11 - Estratos Correspondentes à Porcentagem de Área Plantada com

Soja em Relação à Área do Município e Exemplo de Um Sorteio

com 530 Amostras, no Ano-safra 2000/01. .........................................132

4.12 - Diferenças Percentuais da Estimativa Amostral em Relação ao

Mapeamento das Imagens Landsat e Coeficientes de Variação

Correspondentes aos 100 Sorteios Realizados para o Conjunto

Amostral 1 (67 amostras). ...................................................................133




Amostral 2 (133 amostras)...................................................................133









4.16 - Coeficientes de Variação Correspondentes aos 100 Sorteios

Realizados para os Conjuntos Amostrais 1 a 4. ..................................137

4.17 - Mapa Referente à Capacidade de Armazenamento de Água dos

Solos da Área de Estudo. ....................................................................141

4.18 - Perfil Temporal dos Índices de Vegetação EVI e NDVI do Sensor

MODIS para a Média das Áreas com Soja e Não-soja Durante o

Ano-safra 2000/01 e o Período Selecionado para a Estimativa da

Produtividade pelo Modelo AGROMET. ..............................................142

4.19 - Produtividade (kg ha-1) Estimada pelos Modelos Agrometeorológico

e Agrometeorológico-espectral e a produtividade corrigida em

função da área plantada para a Cultura da Soja no Rio Grande do

Sul, para os Anos-safra de 2000/01 a 2002/03....................................145

4.20 - Mapa Temático Referente à Produtividade da Soja Estimada pelo

Modelo Agrometeorológico, Ano-safra 2000/01...................................149


Modelo Agrometeorológico-espectral, Ano-safra 2000/01...................149









4.26 - Produtividade Acumulada (kg ha-1) Estimada pelo Modelo

Agrometeorológico-espectral para a Cultura da Soja no Rio Grande

do Sul, para os Anos-safra de 2000/01 a 2002/03...............................155

4.27 - Índice de Penalização Estimado para a Cultura da Soja no Rio

Grande do Sul, para os Anos-safra de 2000/01 a 2002/03..................157

4.28 - Índices de Penalização Quinzenal para a Cultura da Soja, Ano-

safra 2000/01.......................................................................................158

4.30 - Índices de Penalização Quinzenal para a Cultura da Soja, Ano-

safra 2002/03.......................................................................................160

4.34 - Fluxograma do Sistema de Estimativa da Produção da Cultura da

Soja no Rio Grande do Sul. .................................................................165

LISTA DE TABELAS

Pág.

2.1 - Evolução da Área Plantada, Produtividade e Produção da Soja no

Rio Grande do Sul Entre os Anos-Safra 1995/96 e 2002/03. ................40

2.2 - Características dos Sistemas Sensores TM e ETM+. .............................53

2.3 - Características do Sistema Sensor MODIS. ...........................................54

3.1 - Imagens Landsat Utilizadas na Estimativa de Área Plantada com

Soja no Ano-safra 2000/01. ...................................................................99

3.2 - Número de Subamostras Distribuídas por Estrato em Cada Conjunto

Amostral. .............................................................................................103

3.3 - Imagens Landsat Utilizadas na Estimativa de Área Plantada com a

Cultura da Soja no Ano-safra 2001/02.................................................105

3.4 - Localização das Estações Meteorológicas Utilizadas na Estimativa

da Produtividade da Soja no Rio Grande do Sul. ................................107

3.5 - Capacidade de Armazenamento de Água (CAD) para as Diferentes

Classes de Solo...................................................................................109

3.6 - Período Utilizado nas Composições de Imagens MODIS e as

Quinzenas Correspondentes. ..............................................................112

3.7 - Coeficiente de Cultura (kc), Fator de Resposta à Produtividade (ky)

e Profundidade do Sistema Radicular (D), Estimados para a Cultura

da Soja e Utilizados no Modelo de Produtividade................................114

3.8 - Índices de Área Foliar (IAF) Estimados para a Cultura da Soja,

Utilizados no Modelo de Produtividade................................................116

4.1 - Área Plantada com a Cultura da Soja Fornecida pelo LSPA em

Comparação à Obtida Através da Classificação das Imagens

Landsat para o Ano-safra 2000/01. .....................................................126

4.2 - Área Plantada com a Cultura da Soja Fornecida pelo LSPA em

Comparação à Obtida Através da Classificação das Iimagens

Landsat, para os Diferentes Estratos, no Ano-safra 2000/01. .............128

4.3 - Área Plantada com a Cultura da Soja Estimada Através do Método

de Amostragem nas Imagens Landsat para o Ano-safra 2000/01.......135

4.4 - Variação das Diferenças e dos CVs e Média das Diferenças e dos

CVs para os 100 Sorteios nos Diferentes Conjuntos Amostrais das

Estimativas de Área Plantada Através do Método de Amostragem

nas Imagens Landsat para o Ano-safra 2000/01. ................................138

4.5 - Área Plantada com a Cultura da Soja Estimada pelo Método de

Amostragem Sobre as Imagens Landsat Referentes ao Ano-safra

2001/02 e os Respectivos Incrementos em Relação ao Ano-safra

2000/01................................................................................................139

4.6 - Produção, Área Plantada e Produtividade, Estimados pelo LSPA,

Área Plantada Estimada Através das Imagens Landsat e

Produtividade Corrigida em Função da Produção, para a Cultura da

Soja no Rio Grande do Sul. .................................................................144

4.7 - Produtividade Estimada pelos Modelos Agrometeorológico-espectral

e Agrometeorológico, em Comparação à produtividade corrigida,

para a Cultura da Soja no Rio Grande do Sul, Anos-safra de

2000/01 a 2002/03..............................................................................145

4.8 - Área Plantada, Produtividade e Produção, Estimados pelo Presente

Estudo em Comparação à Produção Estimada pelo LSPA, para a

Cultura da Soja no Rio Grande do Sul.................................................154

A.1 - Área Plantada com a Cultura da Soja Obtida Através da

Classificação das Imagens Landsat em Comparação à Obtida pelo

LSPA. ..................................................................................................181

B.1 - Área Plantada com a Cultura da Soja Obtida Através do Método dos

Segmentos nas Imagens Landsat para o Ano-safra 2000/01,

Conjuntos Amostrais 1 e 2...................................................................189

B.2 - Área Plantada com a Cultura da Soja Obtida Através do Método dos

Segmentos nas Imagens Landsat para o Ano-safra 2000/01,

Conjuntos Amostrais 3 e 4...................................................................191

C.1 - Produtividade Estimada pelos Modelos Agrometeorológico (MA) e

Agrometeorológico-espectral (MAE) em Comparação à Estimada

pelo LSPA e Corrigida em Função da Área Plantada, para a Cultura

da Soja no Rio Grande do Sul, Ano-safra 2000/01..............................193









LISTA DE SIGLAS E ABREVIATURAS

ASCII - American Standard Code for Information Interchange

AVHRR - Advanced Very High Resolution Radiometer

CAD - Capacidade de Armazenamento de Água

CAP - Common Agricultural Policy

CASS - Computer Aided Stratification and Sampling

CE - Comunidade Européia

Cfa - Clima quente, úmido e sem estiagem. A temperatura média do mês mais frio é inferior a 18ºC e, a do mês mais quente, superior a 22ºC

Cfb - Clima temperado, úmido e sem estiagem. Difere do Cfa, apenas no que se refere à temperatura do mês mais quente, a qual limita-se em 22ºC

CGMS - Crop Growth Monitoring System

CV - Coeficiente de Variação

D - Profundidade do Sistema Radicular

DERAL - Departamento de Economia Rural

DPI - Divisão de Processamento de Imagens

EAGGF - Fundo Europeu de Orientação e Garantia Agrícola

EMATER - Empresa de Assistência Técnica e Extensão Rural

ETM+ - Enhanced Thematic Mapper Plus

EVI - Enhanced Vegetation Index

FAO - Food and Agriculture Organization of the United Nations

Fc - Fator de Cobertura do solo

FEPAGRO - Fundação Estadual de Pesquisa Agropecuária

FEPAM - Fundação Estadual de Proteção Ambiental

FPA - Fator de Produtividade Agrícola

Geo-TIFF - Georeferenced Tag Image File Format

GPS - Global Positioning System / Sistema de Posicionamento Global

HRV - High Resolution Visible

HDF - Hierarchical Data Format

IBGE - Instituto Brasileiro de Geografia e Estatística

IAF - Índice de Área Foliar

ICMS - Imposto sobre Circulação de Mercadorias e Serviços

INPE - Instituto Nacional de Pesquisas Espaciais

INMET - Instituto Nacional de Meteorologia

IP - Índice de Penalização

IV - Índice de Vegetação

kc - Coeficiente de cultura

ky - Fator de resposta à produtividade

LANDSAT - Land Satellite

LEGAL - Linguagem Espacial para Geoprocessamento Algébrico

LSPA - Levantamento Sistemático da Produção Agrícola

MARS - Monitoring Agriculture through Remote Sensing techniques

MODIS - Moderate Resolution Imaging Spectroradiometer

N - Norte - orientação geográfica

NASA - National Aeronautics and Space Administration

NASS - National Agricultural Statistics Service

NC - Nível de Cinza

NDVI - Normalized Difference Vegetation Index

NOAA - National Oceanic and Atmospheric Administration

PI - Plano de Informação

Pixel - Picture Element

PREVS - Pesquisa Objetiva de Previsão de Safras

S - Sul - orientação geográfica

SEAB - Secretaria de Estado da Agricultura e do Abastecimento do Paraná

SIG - Sistema de Informação Geográfica

SPRING - Sistema de Processamento de Informações Georeferenciadas

SR - Sensoriamento Remoto

TM - Thematic Mapper

USDA - United States Department of Agriculture

W - Oeste - orientação geográfica

31

CAPÍTULO 1

INTRODUÇÃO

O setor agropecuário brasileiro tem ampliado substancialmente sua

participação nas exportações do país, tendo gerado uma receita cambial em

torno de US$ 29,5 bilhões em 2003, o que representou aproximadamente 29%

das vendas brasileiras ao exterior. Esse setor é o principal responsável pelo

superávit da balança comercial nos últimos anos, minimizando os

desequilíbrios externos da economia e atestando sua competitividade na

geração de divisas para o País (CNA, 2003).

Especificamente no caso da soja, o Brasil tornou-se em 2003 o maior

exportador mundial desta commodity, superando os Estados Unidos (USDA,

2003). Ainda em 2003, as vendas brasileiras do complexo soja (segmentos de

grãos, farelo e óleo) alcançaram US$ 8,1 bilhões contra US$ 6,3 bilhões do ano

anterior, o que correspondeu a 12% do total das exportações (CNA, 2003).

Somente no Rio Grande do Sul, a soja representou, no ano-safra 2002/03,

cerca de 8% do total de grãos produzidos no país, sendo a cultura agrícola de

maior importância no Estado.

Dada a importância do agronegócio para a economia do país, ações

governamentais para o controle eficiente das importações e exportações dos

produtos agrícolas, tanto em relação à balança comercial, quanto ao adequado

abastecimento do mercado interno, exigem informações constantes sobre a

produção final desses produtos. Tais informações são também relevantes para

direcionar financiamentos da produção e para que o produtor possa tomar

decisões referentes ao plantio e à comercialização. No município, são

utilizadas como base para o cálculo da distribuição dos recursos do Imposto

sobre Circulação de Mercadorias e Serviços (ICMS) e para quantificar

indenizações federais por avarias climáticas que tenham afetado

significativamente a produção agrícola.

32

No Brasil, as previsões de safras agrícolas de abrangência nacional ou regional

atualmente operacionais são realizadas utilizando informações municipais

obtidas através de um sistema de levantamento subjetivo, baseado em

opiniões de agentes técnicos e econômicos relacionados ao setor (Sano et al.,

1998). Esse sistema, denominado Levantamento Sistemático da Produção

Agrícola (LSPA), fornece mensalmente informações referentes à estimativa de

área plantada, produtividade média e produção de diversas culturas, a partir da

fase de intenção de plantio até o final da colheita (IBGE, 2003). Contudo, em

função do seu caráter subjetivo, essas informações não permitem uma análise

quantitativa dos erros envolvidos, além de serem passíveis de manipulação. Da

mesma forma, sua análise não permite a detecção de variações sutis que

ocorrem ao longo do tempo, interessantes para o mercado (Pino, 2001a).

Em adição, a grande extensão territorial brasileira, aliada à dinâmica espaço-

temporal da atividade agrícola, torna difícil a obtenção de informações

atualizadas e confiáveis sobre este setor da economia. Por outro lado, a

utilização das chamadas geotecnologias, que envolvem imagens de

sensoriamento remoto, Sistemas de Informações Geográficas (SIGs) e

Sistemas de Posicionamento Global (GPS), podem auxiliar na obtenção dessas

informações de forma mais rápida, precisa e com menor custo, quando

comparadas às geradas pelas técnicas subjetivas tradicionalmente utilizadas

(Pino, 2001b).

Assim, pesquisadores brasileiros têm concentrado esforços com o intuito de

desenvolver metodologias que possibilitem a incorporação das geotecnologias

nos atuais sistemas de levantamentos de safras agrícolas, seja na estimativa

da área plantada, seja na estimativa da produtividade agrícola, variáveis

essenciais para se estimar a produção final de uma cultura.

Pesquisas relacionadas à identificação de culturas, bem como à medição da

área por elas ocupadas, estão concentradas principalmente na classificação de

imagens adquiridas por sensores ópticos de média resolução espacial a bordo

dos satélites da série Landsat, tendo como auxílio informações obtidas a

33

campo (Medeiros et al., 1996; Ippoliti-Ramilo et al., 2003) e amparadas por

sistemas de amostragem (Adami, 2003; Luiz, 2003). Já as pesquisas

envolvendo estimativa da produtividade agrícola vêm sendo desenvolvidas

utilizando dados agrometeorológicos, associados ou não, às imagens de

sensoriamento remoto, através de modelos matemáticos (Rudorff e Batista,

1990, 1991; Fontana e Berlato, 1998), passíveis de serem integrados aos SIGs

(Berka et al., 2003; Melo et al., 2003).

1.1. Justificativa

O principal entrave para a utilização das imagens de sensoriamento remoto

óptico na identificação e medição de áreas agrícolas e, conseqüentemente, em

um sistema rotineiro de levantamento de safras é a baixa freqüência com que

as imagens são adquiridas, aliado à intensa cobertura de nuvens por ocasião

da safra agrícola. Tais fatores têm restringido o uso dessas imagens a

pequenas áreas, tendo-se poucos estudos envolvendo áreas maiores, ou em

nível nacional (Mendonça,1986; Fontana et al., 2001).

Todavia, o funcionamento simultâneo dos satélites Landsat 5 e 7, no período

correspondente aos anos-safra de 1999/00 a 2001/02, possibilitou a obtenção

de imagens livres de nuvens durante o período considerado ideal à

separabilidade espectral da cultura da soja dos demais alvos.

Quanto à estimativa da produtividade agrícola, para que os modelos possam

gerar prognósticos em grandes áreas, viabilizando sua aplicação em sistemas

de levantamento agrícola em escala estadual ou nacional, é fundamental sua

associação aos SIGs. Berka et al. (2003) propõem um modelo

agrometeorológico para estimativa da produtividade da soja no Paraná, o qual

foi implementado em uma linguagem de programação e integrado a um SIG.

Esse modelo pode ser adaptado para qualquer região ou período de

abrangência, pela substituição das variáveis de entrada (dados

agrometeorológicos).

34

Além disto, o lançamento do sensor MODIS, em 1999, que adquire imagens

com características muito superiores às adquiridas pelos sensores da série

NOAA/AVHRR, até então utilizadas neste tipo de pesquisa (Liu e Kogan, 2002;

Melo et al., 2003), abre novas possibilidades para a incorporação dos dados de

sensoriamento remoto em modelos agronômicos de estimativa de

produtividade.

Outro aspecto inerente a esses modelos é que sua validação está atrelada aos

dados oficiais históricos de produtividade. Estes, entretanto, são estimados em

função da produção contabilizada em cada município e de sua área plantada,

subjetivamente estimada por ocasião da semeadura da cultura. Por

conseguinte, qualquer erro na estimativa da área plantada implica,

invariavelmente, em erros na estimativa da produtividade, o que compromete a

validação desses modelos. O presente trabalho pretende também dar uma

contribuição neste sentido, pois uma vez conhecida a real área plantada com a

cultura, sua produtividade final pode ser recalculada através da produção total.

Contudo, apesar dos esforços despendidos e do crescente aumento da

disponibilidade de imagens de sensoriamento remoto, bem como do avanço

em relação aos SIGs, ainda não foi estabelecida uma metodologia eficiente e

operacional capaz de fornecer estatísticas agrícolas baseadas,

fundamentalmente, em geotecnologias.

35

1.2. Hipótese Os recentes avanços geotecnológicos permitem o desenvolvimento de um

sistema objetivo e operacional de estimativa da produção da cultura da soja,

capaz de dar suporte ao atual sistema de levantamento de safras agrícolas.

Visando testar a hipótese, é objetivo deste trabalho desenvolver um sistema

para estimativa da produção da cultura da soja através da utilização de

geotecnologias e testá-lo no Estado do Rio Grande do Sul.

Para tal, foram definidos os seguintes objetivos específicos:

Estimar a área plantada com soja, em nível municipal e estadual, para o

ano-safra 2000/01, com base na classificação e interpretação de imagens

adquiridas pelos sensores TM e ETM+;

avaliar a metodologia proposta por Adami (2003) na estimativa da área

plantada com soja, em nível estadual, para os anos-safra 2000/01 e

2001/02;

adaptar o modelo de produtividade implementado por Berka et al. (2003)

às condições agrometeorológicas do Rio Grande do Sul, visando à

estimativa da produtividade da soja, em nível municipal e estadual, nos

anos-safra de 2000/01 a 2002/03;

verificar o potencial de utilização do produto Índice de Área foliar (IAF)

gerado a partir das imagens adquiridas pelo sensor MODIS como variável

espectral no modelo de estimativa da produtividade da soja;

comparar os dados de área plantada e produtividade, estimados a partir

da metodologia proposta, com os dados oficiais fornecidos pelo LSPA.

37

CAPÍTULO 2

FUNDAMENTAÇÃO TEÓRICA

2.1. Cultura da Soja

2.1.1. Histórico

Embora diferentes autores discordem quanto ao local específico de onde a soja

(Glicine max (L.) Merrill) cultivada surgiu, todos concordam que sua região de

origem seja o sudeste da Ásia. No Brasil, a soja foi introduzida na Bahia por

Gustavo D’Utra, em 1882, com sementes trazidas dos Estados Unidos (Costa,

1996). Dez anos mais tarde, novas variedades foram introduzidas e testadas

no Estado de São Paulo (Dall´Agnol, 2004). Entretanto, os primeiros relatos do

seu cultivo comercial datam de 1924, no Rio Grande do Sul. O ano de 1936

marcou o início da expansão da cultura no Estado e, em 1941, a soja aparecia

pela primeira vez nas estatísticas agrícolas oficiais. A partir da segunda metade

da década de 60 a área plantada com a cultura aumentou consideravelmente,

fato que se deveu, em grande parte, ao imediato aproveitamento da infra-

estrutura utilizada no cultivo do trigo, que permanecia ociosa no período de

estação quente, e à boa adaptação dos cultivares originários do sul dos

Estados Unidos (Embrapa, 1981; Costa, 1996). No início dos anos 70, o

Paraná tornou-se grande produtor e a partir de 1980 ocorreu a expansão para

a região Centro-Oeste do país, caracterizada por condições edáficas e

climáticas privilegiadas.

2.1.2. Panorama Mundial e Nacional

Com a expansão da fronteira agrícola o Brasil aumentou consideravelmente

sua participação no mercado internacional, possuindo atualmente a condição

de segundo maior produtor mundial, com a produção do ano-safra 2002/03

totalizando em torno de 52 milhões de toneladas (CONAB, 2003), o que

representa aproximadamente 42% da produção de grãos do país. Outrossim,

entre os países produtores, o Brasil é o que dispõe da maior fronteira para

38

expansão da área plantada, que ultrapassou no ano-safra 2002/03 os 18

milhões de hectares. Segundo Nakasu (2002), estima-se que o país possua

uma área agrícola potencial de aproximadamente 150 milhões de hectares, dos

quais pouco mais de um terço está ocupado com agricultura. Isto demonstra a

tendência de expansão na área cultivada com soja e outras culturas, que

deverá se concentrar nos estados das regiões Norte, Nordeste e,

principalmente, Centro-Oeste. Na Figura 2.1 observa-se a distribuição da

produção de soja entre os principais países produtores.

FIGURA 2.1 - Distribuição da Produção de Soja no Mundo, Ano-Safra 2003/04. FONTE: Adaptada de USDA (2004).

No âmbito regional, o Rio Grande do Sul ocupa a terceira posição entre os

estados brasileiros com maior área plantada com esta oleaginosa, que

ultrapassou no ano-safra 2002/03, os 3,5 milhões de hectares (Tabela 2.1). Até

o final dos anos 60 o Estado detinha em torno de 90% da produção brasileira.

Atualmente, participa com 18,5% da produção nacional, que representou 9,63

milhões de toneladas no ano-safra 2002/03. Na Figura 2.2 observa-se a área

plantada, produtividade média e produção, referentes à cultura da soja nos

principais estados produtores.

Estados Unidos 34 %

Argentina 18,1 %

Brasil29 %

Outros 10,5 %China

8,4%

39

0

2.000

4.000

6.000

8.000

10.000

12.000

14.000

MT PR RS GO MS MG BA SP MA SC

Área (mil ha)Produtividade (kg.ha )Produção (mil ton.)

FIGURA 2.2 - Área Plantada (mil ha), Produtividade Média (kg ha-1) e Produção (mil ton.) Referentes à Cultura da Soja para o Ano-Safra 2002/03 nos Principais Estados Produtores. FONTE: Adaptada de CONAB (2003).

Ao analisar a Tabela 2.1 percebe-se que até o ano-safra 2000/01 o Rio Grande

do Sul praticamente não alterou a área plantada com a cultura. O incremento

observado nas safras subseqüentes foi devido, principalmente, ao

favorecimento que a cultura obteve junto ao mercado internacional e às

características intrínsecas à soja geneticamente modificada, que foi

rapidamente introduzida no Estado, devido à facilidade de manejo e à

diminuição dos custos de produção, fatos que incentivaram o plantio em

regiões até então consideradas pouco adequadas ao seu cultivo. Por outro

lado, a produtividade média vem oscilando consideravelmente, em virtude,

principalmente, das oscilações no regime pluviométrico, fortemente

influenciado pela ocorrência de fenômenos climáticos globais, como “El Niño” e

“La Niña” (Berlato e Fontana, 1999). Matzenauer et al. (2003) reportam que na

quase totalidade dos anos ocorre déficit hídrico para a cultura da soja no

-1

40

Estado, sendo que praticamente a totalidade das lavouras é conduzida sem

suprimento hídrico adicional.

TABELA 2.1 - Evolução da Área Plantada, Produtividade e Produção da Soja no Rio Grande do Sul Entre os Anos-Safra 1995/96 e 2002/03.

Ano-safra Área plantada (ha) Produtividade (kg ha-1) Produção (ton.)

1995/96 2.763.912 1.565 4.326.560

1996/97 2.946.275 1.619 4.770.629

1997/98 3.163.429 2.088 6.605.743

1998/99 3.045.072 1.459 4.443.999

1999/00 3.004.815 1.593 4.786.029

2000/01 2.965.010 2.339 6.935.552

2001/02 3.295.342 1.703 5.610.511

2002/03 3.593.700 2.680 9.631.100

FONTE: Adaptada de EMATER/RS (2003).

Apesar disso, as condições climáticas e edáficas são consideradas favoráveis

para o cultivo da soja no Rio Grande do Sul, o qual se concentra nas porções

norte e noroeste do Estado (Figura 2.3). Estas regiões respondem por cerca de

90% da produção gaúcha, podendo, portanto, ser utilizada como estimadora da

produção total do Rio Grande do Sul. Além da soja, a única cultura de verão

em evidência é o milho, sendo que a escolha pelo plantio deste ou da soja é

definida pelas especulações em relação ao preço final pago ao agricultor por

ocasião da próxima colheita e, em menor importância, pelas previsões sobre o

regime pluviométrico.

41

FIGURA 2.3 - Porcentagem da Área Plantada com Soja por Município Referente ao Ano-Safra 2000/01. FONTE: Adaptada de EMATER/RS, (2003).

2.1.3. Exigências Climáticas

Segundo Farias et al. (2000), a disponibilidade hídrica, o fotoperíodo e a

temperatura são os fatores que mais afetam o desenvolvimento e a

produtividade da soja. A necessidade de água durante todo o ciclo fenológico

varia entre 450 e 800 mm, dependendo das condições climáticas, do manejo

da cultura e da duração do ciclo. Os períodos mais críticos em relação à

disponibilidade hídrica são os que correspondem à germinação/emergência e à

floração/enchimento de grãos. Durante o primeiro período, tanto o excesso,

quanto a escassez de água são prejudiciais à obtenção de uma boa

uniformidade na população de plantas. No segundo período, o estresse hídrico

expressivo, aliado à baixa umidade relativa do ar, pode provocar queda das

42

flores, vagens e folhas, além de acelerar a senescência da planta, reduzindo a

fase destinada ao enchimento de grãos e, conseqüentemente, a produtividade

(Sediyama et al., 1996).

Apesar disso, segundo o estudo realizado por Cunha et al. (1999), a

disponibilidade hídrica é uma variável que limita a expressão da produtividade

potencial da soja no Rio Grande do Sul, independente do ciclo do cultivar, da

época de semeadura e do local. Os autores afirmam, ainda, que há

variabilidade entre as regiões, existindo aquelas onde a magnitude da perda de

produtividade potencial por déficit hídrico é maior. A Figura 2.4 apresenta um

índice de perda de potencial de produtividade da soja por deficiência hídrica no

Rio Grande do Sul para cultivares de ciclo médio semeadas em 15 de

novembro.

FIGURA 2.4 - Índice de Perda de Potencial de Produtividade da Soja por Deficiência Hídrica (Escala Relativa 0 - 1, Valores Iguais ou Menores, com Probabilidade de 80%), no Rio Grande do Sul, para Cultivares de Ciclo Médio Semeadas em 15 de Novembro. FONTE: Adaptada de Cunha et al. (1999).

Área de estudo

43

Além do regime hídrico, outro fator que interfere no desenvolvimento da soja é

o comprimento do dia ou fotoperíodo. Em virtude de ser uma planta de dias

curtos, a soja só tem sua floração induzida quando o fotoperíodo é menor que

um comprimento crítico. Devido ao fotoperíodo crítico ser constante para um

mesmo cultivar, a planta sofre modificações no crescimento e desenvolvimento

quando semeada em latitudes diferentes da qual está adaptada ou em

diferentes épocas de semeadura para uma mesma latitude. Ainda assim, as

exigências fotoperiódicas de um cultivar estão intimamente relacionadas às

exigências térmicas, ou seja, um cultivar exigente em fotoperíodo curto também

será exigente em somas térmicas. Portanto, os cultivares com menor

fotoperíodo crítico (de ciclo tardio) exigem maior quantidade de somas térmicas

(Costa, 1996).

As temperaturas mais apropriadas para o crescimento e desenvolvimento da

soja estão entre 20 e 30oC. Temperaturas do solo entre 24 e 30oC são

necessárias para promover a germinação e favorecer a emergência dos

cotilédones, bem como para promover a fixação simbiótica do nitrogênio

atmosférico. Nos estádios vegetativos e reprodutivos, temperaturas abaixo de

10 ou acima de 40oC promovem efeitos adversos à cultura, pois além de

diminuírem a taxa de crescimento, provocam estragos na floração e diminuição

na capacidade de retenção das vagens (Farias et al., 2000).

2.1.4. Ciclo Fenológico

Dependendo da exigência fotoperiódica, o ciclo fenológico da cultura pode

variar, da germinação até a maturação completa, de 75 a 200 dias,

aproximadamente (Sediyama et al., 1996). No Rio Grande do Sul, os cultivares

recomendados para semeadura são agrupados em: precoce (até 126 a 132

dias), semiprecoce (129 a 138 dias), médio (133 a 142 dias), semitardio (145

dias) e tardio (145 a 150 dias). Entretanto, a maioria dos cultivares registrados

no Estado está classificada como ciclo médio e semiprecoce (Costa, 2002).

44

A germinação da semente de soja é induzida após absorver aproximadamente

50% do seu volume em água. A emergência da plântula ocorre entre 4 e 10

dias após a semeadura, dependendo das condições de umidade, temperatura

e profundidade de semeadura (Berlato, 1987; Menosso, 2000). O período

vegetativo se estende até a formação da terceira à quinta folha trifoliolada (40 a

70 dias), quando a planta está apta a receber a indução floral. O período de

floração pode variar de 7 a 15 dias, quando se inicia o crescimento do fruto. A

maturação fisiológica dos grãos ocorre de 40 a 70 dias após o final da floração

(Costa, 1996; UFSM, 1996).

2.1.5. Zoneamento Agroclimático

De acordo com Costa (1996), o zoneamento agroclimático da soja para o Rio

Grande do Sul foi realizado em função da temperatura, da disponibilidade

hídrica e do fotoperíodo. Para a definição da aptidão térmica foi considerada a

soma de temperaturas acima de 15 oC para o mês de janeiro, o mais quente do

ano. Assim, foram definidas regiões geográficas em função do seguinte critério:

< 150°C, insuficiência térmica; entre 150 e 200°C, pouca disponibilidade

térmica; > 200 °C, boa disponibilidade térmica.

Com relação à disponibilidade hídrica, foi considerada a porcentagem de anos

com 50 mm ou mais de deficiência hídrica durante os meses de janeiro e

fevereiro (período de início da floração e enchimento dos grãos). As regiões

geográficas foram definidas de acordo com o seguinte critério: muito boa <

20%; boa 20 - 33%; moderada 33 - 50%; inapta > 50%.

No Rio Grande do Sul, a época recomendada para a semeadura da soja se

estende de 10 de outubro a 20 de dezembro, embora o período preferencial

seja o mês de novembro. Como conseqüência, a colheita inicia em meados de

março, findando no início de maio. A Figura 2.5 mostra o zoneamento

agroclimático para a cultura da soja no Rio Grande do Sul. Atualmente,

baseado nesses critérios e na disponibilidade fotoperiódica, o zoneamento

45

agroclimático fornece a época de semeadura preferencial e tolerada para cada

município, de acordo com a metodologia descrita em Cunha et al. (2001).

FIGURA 2.5 - Zoneamento Agroclimático para a Cultura da Soja no Rio Grande do Sul. FONTE: Adaptada de Costa (1996, p. 32, 34 e 36).

2.2. Geoprocessamento e Sistemas de Informações Geográficas Segundo Câmara e Davis (2001), geoprocessamento é a disciplina do

conhecimento que utiliza técnicas matemáticas e computacionais para o

tratamento da informação geográfica. As aplicações de geoprocessamento em

SIGs envolvem dois grupos de dados espaciais: geo-campos e geo-objetos

(Goodchild, 1992).

Os geo-campos são variações espaciais contínuas usadas para representar

dados distribuídos espacialmente (Câmara, 1995), tais como mapas de solo e

dados meteorológicos espacializados. Os geo-campos não possuem

46

identificação e nem podem ser individualizados. Por conseguinte, sua

representação gráfica, resultante de uma classificação com base em alguns

atributos, é tratada apenas como pertencente a certa classe que a descreve.

Os geo-campos correspondem na prática a dados temáticos, imagens de

sensoriamento remoto, modelos numéricos de terreno etc.

Os geo-objetos são dados individualizáveis que descrevem objetos do mundo

real em termos do seu posicionamento em relação a um sistema de

coordenadas, de seus atributos e das relações topológicas existentes (Câmara,

1995). Topologia é a estrutura de relacionamentos espaciais (vizinhança,

proximidade, pertinência) que podem se estabelecer entre os objetos

geográficos (Câmara e Medeiros, 1998). Os objetos geográficos podem estar

associados a várias representações gráficas (polígonos, pontos etc.) e seus

atributos são armazenados em um banco de dados convencional, que permite

ao sistema analisá-los e exibi-los segundo os interesses do usuário. Alguns

exemplos de geo-objetos são: municípios, propriedades rurais e talhões

agrícolas.

As ferramentas computacionais utilizadas em geoprocessamento, chamadas

de Sistemas de Informações Geográficas (SIGs), são softwares especializados

para aquisição, edição, armazenamento, integração, análise e saída de dados

espacialmente distribuídos (Bailey e Gatrell, 1995). Além de promoverem a

integração entre os geo-objetos e os geo-campos, os SIGs possuem a

capacidade de analisar, de forma espacial, uma grande variedade de dados em

amplas regiões geográficas, para a extração de novas informações pertinentes

à tomada de decisões, permitindo que a ação de cada fator isolado e, em

conjunto, seja avaliada rapidamente (Câmara e Medeiros, 1998).

O SPRING (Sistema de Processamento de Informações Georeferenciadas)

(www.dpi.inpe.br/spring) é um SIG desenvolvido pelo INPE que, além de

possuir uma ampla gama de características desejadas num sistema desta

natureza, reúne ferramentas necessárias ao processamento e análise de

imagens adquiridas por sensores remotos, somado ao fato de ser

47

gratuitamente distribuído. Esse sistema possui, ainda, um módulo de

programação denominado Linguagem Espacial para Geoprocessamento

Algébrico (LEGAL). Esse módulo permite ao usuário uma maior flexibilidade em

relação às suas aplicações, pois possibilita que sejam desenvolvidas rotinas

computacionais específicas que ampliam os recursos do sistema e, na maioria

dos casos, facilitam o processamento, a geração e a análise das informações.

2.3. Sensoriamento Remoto Óptico e suas Relações com Pesquisas Agrícolas

Jensen (2000) define o sensoriamento remoto como a arte e a ciência de se

obter informações acerca de objetos presentes na superfície terrestre sem

contato físico com os mesmos. Um sensor remoto é um sistema capaz de

detectar, medir e registrar a Radiação Eletromagnética (REM) emitida ou

refletida pela superfície terrestre. Um sensor remoto óptico é constituído,

basicamente, de um coletor que intercepta a radiância vinda do alvo e a

direciona para um conjunto de detectores. Estes transformam a radiância em

sinal elétrico, cuja intensidade é transformada num valor numérico digital que,

em se tratando de sensores orbitais, pode ser armazenado a bordo do satélite,

ou transmitido para receptores em Terra (CCRS, 2002).

Os sensores remotos podem registrar a radiância em diferentes intervalos de

comprimento de onda do espectro eletromagnético, denominados bandas ou

canais espectrais. Contudo, nem todo o espectro eletromagnético pode ser

medido por um sensor remoto. Os constituintes atmosféricos (oxigênio, ozônio,

vapor d’água, gás carbônico etc.) absorvem parte da radiação solar incidente,

que, conseqüentemente, não alcança a superfície da Terra. Entretanto, em

alguns intervalos de comprimento de onda, esta absorção é relativamente

pequena, sendo denominados janelas atmosféricas, ou seja, nesses intervalos

a atmosfera é praticamente transparente à REM (CCRS, 2002). Desta forma, o

posicionamento das bandas espectrais dos sistemas sensores deve estar entre

os limites desses intervalos (Figura 2.6).

48

FIGURA 2.6 - Curva da Transmitância Atmosférica. FONTE: Adaptada de CCRS (2002).

2.3.1. Resolução, Número e Posicionamento das Bandas Espectrais

Os sensores remotos operam em diferentes bandas espectrais

simultaneamente, sendo que o número de bandas e a dimensão do intervalo de

comprimentos de onda dessas bandas, comumente denominada de largura da

banda, definem a resolução espectral. A resolução espectral será tanto maior,

quanto maior o número e mais estreitas forem as bandas posicionadas numa

faixa espectral em que opera o sistema sensor. O posicionamento e a

resolução espectral das bandas são características muito importantes, pois

determinarão, em conjunto com as resoluções espacial e radiométrica, a

capacidade de um sensor em discriminar ou representar os alvos em uma área

imageada (Mather, 1999).

De uma forma geral, os sensores remotos são especificados para atender

distintas aplicações, que requerem características próprias quanto ao número,

posicionamento e largura espectral das bandas. Assim, os sensores ópticos

orbitais geralmente possuem três bandas na porção do visível, uma banda na

porção do infravermelho próximo e uma ou duas bandas na porção do

infravermelho médio do espectro eletromagnético. Alguns sensores remotos

possuem ainda uma banda centrada em comprimentos de onda maiores,

correspondentes ao infravermelho termal, para medir a radiância emitida pelos

alvos da superfície terrestre. Outros sensores possuem uma banda

AAbbssoorrççããoo

49

denominada pancromática, cuja faixa espectral é larga e se estende desde o

visível ao infravermelho próximo.

2.3.2. Resolução Espacial

A resolução espacial está relacionada com à área da superfície terrestre

imageada instantaneamente pelo sistema sensor (IFOV; Instantaneous Field-

of-View), que, após ser reamostrada, é representada por um elemento na

imagem digital denominado pixel. A radiância vinda dessa área e detectada

pelo sensor em uma determinada banda espectral é posteriormente

transformada em nível de cinza do pixel da imagem digital. Assim, quanto

menor for a área da superfície terrestre individualizada pelo sistema sensor,

maior será sua resolução espacial e, conseqüentemente, menor será o objeto

possível de ser individualizado. No entanto, é possível distinguir objetos que

são consideravelmente menores que a resolução espacial, em função do

contraste destes em relação aos adjacentes, embora, muitas vezes, tais

objetos só possam ser reconhecidos em função do contexto geral da imagem

(Schowengerdt, 1997).

A resolução espacial está intimamente ligada à largura da superfície terrestre

imageada (FOV; Field-of-View) em cada período orbital do satélite e,

conseqüentemente, à resolução temporal. Em geral, a largura da faixa de

imageamento é dada pelo número de células (detectores) da barra de

detectores presente no sistema sensor versus a resolução espacial. Ou seja,

quanto maior a resolução espacial, menor a área da superfície terrestre

individualizada por cada detector, para um dado sensor. Conseqüentemente,

menor será a largura da faixa imageada em cada passagem do satélite, que

levará mais tempo para fazer o recobrimento total da Terra, implicando numa

menor resolução temporal. Por outro lado, um sensor que possui uma baixa

resolução espacial consegue imagear uma faixa maior da superfície terrestre

em cada passagem, resultando em uma maior resolução temporal (Mather,

1999). Apesar disso, é de se esperar que os novos sistemas sensores a serem

50

desenvolvidos consigam reunir características de alta resolução espacial sem,

entretanto, comprometer radicalmente a faixa de imageamento.

Em se tratando de aplicações na agricultura, a resolução espacial ideal

depende muito do nível de detalhe que se pretende observar. Em aplicações

que envolvam a estimativa da produtividade agrícola através de suas

características espectrais, que necessitam do monitoramento constante de

dosséis agrícolas de grandes culturas sem a necessidade de informações

detalhadas, a resolução espacial mais indicada parece ficar em torno de 500 x

500 m a 1000 x 1000 m (Pax-Lenney e Woodcock, 1997). Resoluções

espaciais entre 10 x 10 m e 30 x 30 m são indicadas para estimativa da área

plantada em nível de município ou região, onde se busca, basicamente, a

identificação e medição dos talhões agrícolas. Estudos que requerem um nível

maior de detalhe, como os relacionados à chamada agricultura de precisão,

que abrangem o monitoramento e controle precoce de injúrias em dosséis

agrícolas, envolvendo a observação de detalhes dentro de uma propriedade

rural, a resolução espacial indicada deve ficar abaixo de 1 x 1 m (Lamb e

Brown, 2001).

2.3.3. Resolução Temporal

A resolução temporal pode ser genericamente definida pelo intervalo de temo

decorrido entre duas passagens consecutivas do satélite sobre um mesmo

ponto da superfície terrestre. Em sistemas sensores que fazem o imageamento

sistemático da Terra, o conceito de resolução espacial está intimamente

relacionado ao tempo necessário para a obtenção de duas imagens de um

mesmo local. Entretanto, alguns sistemas sensores possuem a capacidade de

adquirir imagens em visada lateral para imagear áreas localizadas à esquerda

ou à direita em relação à órbita real do satélite. Isto permite aumentar a

freqüência de observações em uma determinada área de interesse, além de

possibilitar a visão estereoscópica. Porém, o imageamento de uma área

localizada fora da visada vertical do sensor compromete o imageamento

51

sistemático de uma área localizada na órbita original. Como conseqüência, tais

sensores não fazem a cobertura sistemática do globo terrestre, pois adquirem

imagens em locais pré-determinados por solicitações do usuário final. Outra

forma de reduzir o período de obtenção de imagens de um mesmo local é a

utilização de um conjunto de satélites com sensores similares e com órbitas

intercaladas.

A resolução temporal ideal para o monitoramento agrícola depende

principalmente do tipo de estudo que se pretende realizar. Em estudos

envolvendo a identificação de culturas agrícolas, a obtenção de uma ou duas

imagens em períodos bem definidos dentro do ciclo da cultura se mostra

suficiente, embora pesquisas apontem para uma melhora na identificação de

culturas agrícolas utilizando imagens multitemporais (Oetter et al., 2000;

Ippoliti-Ramilo et al., 2003; Rizzi e Rudorff, 2003).

Entretanto, as principais culturas de interesse econômico possuem seu ciclo

concentrado no período de primavera/verão, muito favorável à cobertura de

nuvens. Assim, em estudos envolvendo a estimativa da produtividade agrícola

em grandes áreas, onde o monitoramento da vegetação deve ser realizado em

intervalos curtos de tempo, a resolução temporal deve ser tal que possibilite a

aquisição de pelo menos um mosaico de imagens livres de nuvens a cada 10-

15 dias. Para estudos envolvendo agricultura de precisão, onde a obtenção de

imagens deve ser feita em períodos pré-definidos do estádio fenológico das

culturas, visando à identificação de pragas e doenças, deficiências nutricionais

e ervas daninhas, a questão da freqüência de obtenção de imagens é ainda

mais crítica (Covey, 1999; Casady e Harlan, 2002).

2.3.4. Resolução Radiométrica

A resolução radiométrica está relacionada à capacidade de um sistema sensor

em discriminar pequenas variações na quantidade de radiância refletida ou

emitida pelos alvos. Para representar essas variações no formato de uma

imagem digital, os diferentes valores do sinal são quantizados em uma escala

52

binária e representados através de uma escala monocromática, onde ao sinal

com intensidade zero é atribuído o preto e ao sinal de máxima intensidade é

atribuído o branco. Para se expressar a resolução radiométrica emprega-se a

expressão 2n, sendo “n” o nível de quantização da imagem, ou seja, o número

de bits utilizado na geração da imagem digital. A maioria das imagens geradas

a partir de sensores remotos utiliza uma quantização de 8 bits. Desta forma, a

quantidade de níveis de cinza possível de ser representada na imagem é dada

por 28, ou seja, 256 (Mather, 1999). Este nível de quantização parece ser

adequado para pesquisas envolvendo monitoramento da atividade agrícola.

2.3.5. Sistemas Sensores

2.3.5.1. Sensores TM e ETM +

As imagens adquiridas pelo sensor TM (Thematic Mapper) a bordo dos

satélites Landsat 4 e 5 (LAND SATellite) foram sem dúvida as mais utilizadas

em pesquisas envolvendo a atividade agrícola. Sua resolução espacial permite

a delimitação dos talhões agrícolas de grandes culturas e outros alvos, como

estradas, áreas de floresta, corpos d’água etc. O sensor TM a bordo do satélite

Landsat 5, que está em operação desde março de 1984, tem uma resolução

radiométrica de 8 bits, possuindo 7 bandas espectrais, sendo 3 na porção do

visível, 3 na porção do infravermelho próximo e médio e 1 na porção do

infravermelho termal (Tabela 2.2) (USGS, 2003).

No intuito de substituir o Landsat 5 foi lançado em 05 de outubro de 1993 o

satélite Landsat 6, tendo como carga útil o sensor ETM (Enhanced Thematic

Mapper). Contudo, esse satélite falhou ao atingir a órbita final e não chegou a

operar (NASA, 2004).

Com o lançamento do satélite Landsat 7 em 15 de abril de 1999, entrou em

operação o sensor ETM+ (Enhanced Thematic Mapper plus), com

características semelhantes ao TM, possuindo ainda uma banda pancromática

com resolução espacial de 15 x 15 m e alteração da resolução espacial da

banda termal de 120 x 120 m para 60 x 60 m (Tabela 2.2), além de um

53

sofisticado sistema de calibração a bordo (LANDSAT, 2003). O ETM+ parou de

operar por problemas técnicos em maio de 2003. Entretanto, com o

funcionamento simultâneo dos sensores TM e ETM+ entre abril de 1999 e maio

de 2003, a resolução temporal do sistema Landsat 5 e 7 passou de 16 para 8

dias, aumentando a possibilidade de obtenção de imagens livres de cobertura

de nuvens.

A grande vantagem oferecida pela utilização das imagens desses sensores é a

alta disponibilidade mundial de seus produtos, o que resulta em um

considerável acervo de trabalhos técnicos e científicos, que serve de base para

comparações e discussões no âmbito da pesquisa e da aplicação. No Brasil, o

Instituto Nacional de Pesquisas Espaciais é o responsável pela recepção das

imagens Landsat, que estão disponíveis ao usuário final cerca de uma semana

após a aquisição dos dados pelo sistema sensor e sua transmissão

concomitante para a antena localizada em Cuiabá, MT.

TABELA 2.2 - Características dos Sistemas Sensores TM e ETM+.

Sensor Banda 1 (µm)

Banda 2 (µm)

Banda 3 (µm)

Banda 4 (µm)

Banda 5 (µm)

Banda 6 (µm)

Banda 7 (µm)

Banda Pan (µm)

Faixa imag. (km)

Res. Temp. (dias)

Res. esp. (m)

TM 0,450 - 0,515

0,525 - 0,605

0,630 - 0,690

0,750 - 0,900

1,550 - 1,750

10,400 - 12, 500

2,090 - 2,350 - 185 16 30*

ETM+ 0,450 - 0,515

0,525 - 0,605

0,630 - 0,690

0,750 - 0,900

1,550 - 1,750

10,400 - 12, 500

2,090 - 2,350

0,520 - 0,900 185 16 30**

* Banda 6 = 120m. ** Banda 6 = 60m e banda Pan = 15m.

2.3.5.2. Sensor MODIS

O sensor MODIS (MODerate resolution Imaging Spectroradiometer) está a

bordo dos satélites Terra e Acqua, lançados pela NASA em 18 de dezembro de

1999 e 4 de maio de 2002, respectivamente. Estes satélites fazem parte do

projeto EOS (Earth Observing System) formado por diversos países,

constituindo uma série de plataformas para monitoramento terrestre em várias

áreas de conhecimento, em diferentes escalas. O MODIS é um radiômetro de

12 bits de quantização, que possui 36 bandas espectrais, centradas desde a

54

porção do visível ao infravermelho termal, algumas muito interessantes ao

monitoramento da atividade agrícola. Este sensor possui resolução espacial de

250 x 250 m nas duas primeiras bandas (vermelho e infravermelho próximo),

500 x 500 m nas bandas 3 a 7 (Tabela 2.3) e 1.000 x 1.000 m nas demais 29

bandas. Estas estão posicionadas a partir do comprimento de onda de 0,405

até 14,385 µm, com largura variando entre 10 e 500 nm (MODIS, 2003).

Algumas destas bandas estão estrategicamente posicionadas visando,

principalmente, fornecer informações para alimentar algoritmos que buscam

promover a correção dos efeitos atmosféricos, descritos em Vermote e

Vermeulen (1999).

TABELA 2.3 - Características do Sistema Sensor MODIS.

Sensor B 1 (µm)

B 2 (µm)

B 3 (µm)

B 4 (µm)

B 5 (µm)

B 6 (µm)

B 7 (µm)

Faixa imag. (km)

Res. Temp. (dias)

Res. esp. (m)

MODIS 0,62 -0,67

0,841 -0,876

0,459 -0,479

0,545 -0,565

1,23 - 1,25

1,628 - 1,652

2,105 - 2,155 2.330 1 - 2 250* -

500

* Bandas 1 e 2 = 250 m

Os dados deste sensor têm características muito apropriadas no que se refere

à resolução temporal, pois, em função da larga faixa imageada em cada

período orbital do satélite (2.330 km), o MODIS observa diariamente

praticamente toda a superfície terrestre. Isto permite a geração de imagens

livres de cobertura de nuvens por meio da composição de várias imagens

obtidas em um período maior (e.g. 16 dias). Tanto as imagens diárias, quanto

as composições estão disponíveis ao usuário final no web site do EOS

(modis.gsfc.nasa.gov) cerca de seis dias após a passagem do satélite ou o

término do período, sem qualquer ônus. Além disso, as imagens são

disponibilizadas com correções atmosféricas e geométricas previamente

realizadas, estando prontamente utilizáveis sem a necessidade de

georreferenciamento adicional.

Outra característica particular às imagens do sensor MODIS é que o EOS as

disponibiliza sob a forma de produtos direcionados a aplicações específicas,

55

divididas em Terrestres, Oceânicas e Atmosféricas. Em relação às aplicações

terrestres, dois produtos são particularmente interessantes ao monitoramento

da atividade agrícola, sejam eles o MOD13Q1 e o MOD15A2.

O primeiro é um produto contendo composições de imagens de 16 dias sob a

forma dos índices de vegetação NDVI e EVI (descritos no Item 2.5), além da

reflectância de superfície correspondente às bandas do azul, vermelho,

infravermelho próximo e infravermelho médio, em uma resolução espacial de

250 m (neste caso, as bandas do azul e infravermelho médio, originalmente

obtidas com 500 m de resolução espacial, são reamostradas para 250 m). Para

cada ponto da imagem o algoritmo seleciona o pixel de melhor qualidade em

relação à geometria de visada e interferência atmosférica dentre todas as

passagens do período, que é então utilizado na geração das imagens

compostas. Maiores detalhes sobre o MOD13Q1 podem ser encontrados em

Huete et al. (1999).

O segundo produto contém composições de imagens de 8 dias sob a forma

dos parâmetros biofísicos IAF (Índice de Área Foliar) e fAPAR (fração da

radiação fotossinteticamente ativa absorvida) em uma resolução espacial de

1000 m. A metodologia utilizada na geração das imagens IAF e fAPAR,

disponíveis no MOD15A2, se baseia em dois algoritmos, denominados principal

e auxiliar, que estão detalhadamente descritos em Knyazikhin et al. (1999).

Em resumo, os produtos gerados a partir das imagens do sensor MODIS

possuem características radiométricas, geométricas, espaciais e de atenuação

dos efeitos atmosféricos muito superiores às adquiridas pelo sensor AVHRR a

bordo dos satélites da série NOAA, utilizadas até então em pesquisas

objetivando o monitoramento da vegetação em escala regional e estadual (Liu

e Kogan, 2002; Melo et al., 2003). Os algoritmos de correção atmosférica e de

geração das imagens compostas estão atualmente em sua versão 4.0, embora

alguns produtos ainda sejam disponibilizados na versão 3.0.

Afora todos os aspectos técnicos envolvidos e discutidos até então, existe a

promessa por parte do EOS da disponibilização ininterrupta dos dados MODIS

56

por pelo menos 15 anos (Huete, 2003). Estes fatos, aliados à disponibilidade

gratuita e em tempo quase real desses produtos, abrem novas possibilidades

para a incorporação dos dados de sensoriamento remoto em modelos

agronômicos de estimativa de produtividade e, conseqüentemente, em

sistemas rotineiros de geração de estatísticas agrícolas.

Ressalta-se, ainda, que o Brasil recebe rotineiramente as imagens do sensor

MODIS sobre todo o território brasileiro através de uma estação de recepção

situada em Cuiabá, MT.

2.4. Comportamento Espectral e Temporal de Alvos Agrícolas Cada objeto apresenta um comportamento diferente frente à relação entre a

radiação que nele incide e a radiação por ele refletida, transmitida e absorvida,

denominado de comportamento ou resposta espectral (Novo, 1989). Além das

propriedades físico-químicas, outras características inerentes aos alvos

interferem no seu comportamento espectral.

Para que se possam compreender os fenômenos da interação da radiação

eletromagnética com a vegetação, é fundamental o conhecimento das

propriedades espectrais das plantas, responsáveis pelo comportamento

espectral do dossel como um todo, bem como das características associadas

ao solo.

2.4.1. Comportamento Espectral e Temporal de Culturas Agrícolas

A interação da radiação solar com a vegetação ocorre principalmente nas

folhas, onde acontece o processo da fotossíntese. Na porção visível do

espectro eletromagnético (0,4 a 0,7 µm) a vegetação apresenta uma alta

absorção da radiação incidente, promovida pelos pigmentos fotossintéticos

presentes nas folhas (clorofila, xantofila etc.). Os picos de absorção ocorrem

nas regiões do vermelho e do azul, havendo um pico de refletividade em torno

do comprimento de onda de 0,55 µm (verde) (Figura 2.7). O vermelho é um

intervalo do espectro eletromagnético no qual existe uma relação inversamente

57

proporcional entre a intensidade da REM refletida e a quantidade de clorofila

presente no dossel vegetal. Assim, com o aumento da cobertura vegetal e

conseqüentemente o incremento na quantidade de pigmentos celulares por

área, presentes em um maior número de folhas, a quantidade da REM refletida

no vermelho diminui, devido ao aumento da absorção da REM incidente

(Jensen, 2000).

Acima de 0,7 µm, mais especificamente entre 0,7 e 1,3 µm (infravermelho

próximo), a reflectância aumenta consideravelmente quando comparada à

região do visível. Isto resulta do forte contraste entre os índices de refração do

conteúdo celular (rico em água) e do espaço intercelular (rico em ar), que

provoca reflexões e refrações da REM no interior da folha (Knipling, 1970).

Como esta porção da radiação solar não é utilizada pelas plantas, estas

possuem um mecanismo de baixa absorção e grande reflexão e transmissão

da energia incidente. A baixa absorção evita um maior aquecimento da planta,

que ocasionaria uma maior transpiração e, conseqüentemente, maior demanda

hídrica (Jensen, 2000). Por este motivo, quanto mais densa e vigorosa a

cobertura vegetal, maior a superfície de interface células/ar, o que acarreta um

aumento das reflexões, refrações e transmissões da REM e,

conseqüentemente, maior a reflectância nesta porção do espectro

eletromagnético. Entre 1,3 e 2,5 µm (infravermelho médio), a reflectância das

folhas diminui em função das bandas de absorção da água, por volta dos

comprimentos de onda 1,4; 1,9 e 2,7 µm (Lillesand e Kiefer, 1999).

58

FIGURA 2.7 - Resposta Espectral Típica de uma Folha Fotossinteticamente Ativa. FONTE: Adaptada de Hoffer (1976).

Como a concentração dos pigmentos fotossintéticos, bem como a estrutura

interna das folhas sofrem influência de fatores externos (deficiências

nutricionais, estresse hídrico, ataque de pragas e doenças, temperatura etc.), o

comportamento espectral da vegetação sofre influência indireta desses fatores

(Figura 2.8).

59

FIGURA 2.8 - Curvas da Reflectância Espectral Obtidas em Folhas de Milho com Diferentes Conteúdos de Água e Pigmentos Fotossintetizantes. FONTE: Adaptada de Moreira (2001, p. 86).

Entretanto, quando é medida a reflectância de um dossel vegetal, caracterizado

pela aglomeração de plantas de uma mesma espécie, outros fatores interferem

na sua resposta espectral. Segundo Daughtry et al. (1984), mudanças no IAF,

na quantidade de fitomassa e no estádio de desenvolvimento da cultura são

manifestados na reflectância dos dosséis vegetais. Como essas mudanças são

gradativas com o tempo, resultam em correspondente mudança gradativa na

reflectância espectral da vegetação (Fontana et al., 2002). O constante

incremento do IAF provoca um aumento da reflectância na porção do

infravermelho próximo. Isto ocorre porque a energia transmitida através da

camada superior de folhas é refletida parcialmente pela camada logo abaixo.

Parte dessa energia é transmitida pela camada superior de folhas, sendo então

somada à energia refletida pelo dossel, este fenômeno é denominado de

reflectância aditiva. No entanto, a partir do IAF 3 observa-se uma tendência de

saturação a novos incrementos de IAF e a reflectância na porção do

infravermelho próximo deixa de ser proporcional ao IAF, praticamente

saturando quando o mesmo se aproxima do valor 8 (Figura 2.9).

60

FIGURA 2.9 - Fator de Reflectância de Folhas de Milho Sobrepostas. FONTE: Adaptada de Gausman et al. (1976).

Em suma, quanto mais fitomassa fotossinteticamente ativa é acrescentada a

um dossel vegetal, maior é a reflexão da energia na porção do Infravermelho

Próximo (IVP) e menor é a reflexão no intervalo de comprimento de onda

correspondente ao Vermelho (V), acarretando um aumento da razão IVP/V.

Nenhum outro material comumente encontrado na natureza apresenta este tipo

de comportamento espectral, o que possibilita a diferenciação entre a

vegetação e os demais alvos em uma imagem adquirida por um sensor remoto.

Outros fatores exercem influência significativa na reflexão da REM de um

dossel agrícola. A geometria da cena (posição em relação à fonte de

iluminação e visada) pode fazer com que dois alvos agrícolas semelhantes,

mas distantes no tempo e no espaço sejam vistos de forma diferente por um

sensor remoto. Como as espécies agrícolas geralmente são cultivadas sob a

forma de fileiras, nos estádios iniciais de desenvolvimento a relação entre a

quantidade de radiação oriunda das plantas e do solo que alcança o sistema

sensor pode ser substancialmente alterada em função de alterações no ângulo

de visada (Jackson et al., 1979). Modificações nos ângulos de iluminação

61

(zenital e azimutal), bem com na direção de orientação e no espaçamento das

fileiras, alteram substancialmente a proporção de solo, sombra e vegetação,

vistos pelo sensor (Kollenkark et al., 1981).

Em adição, apesar das diferentes espécies vegetais possuírem assinaturas

espectrais semelhantes (Price, 1994), a geometria interna do dossel (ângulo de

inserção, distribuição, orientação e espaçamento das folhas na planta, bem

como seu tamanho e forma) provoca diferenças na distribuição do fator de

reflectância direcional, promovendo alterações no seu comportamento

espectral (Formaggio e Epiphanio, 1990). Dosséis planófilos (folhas dispostas

horizontalmente), como a soja, refletem mais a radiação incidente na direção

vertical que dosséis erectófilos (folhas dispostas verticalmente), como o milho.

Isto ocorre porque estes captam a radiação refletida para dentro do dossel,

reduzindo a quantidade de radiação refletida verticalmente. Em função disso,

um sensor apontado para o nadir pode receber cerca de 20% mais radiação de

um dossel planófilo do que de um dossel erectófilo (Jackson e Pinter Jr., 1986)

(Figura 2.10).

FIGURA 2.10 - Fator de Reflectância para Dosséis Planófilos e Erectófilos. FONTE: Adaptada de Jackson e Pinter Jr. (1986).

62

Ainda assim, uma mesma cultura agrícola apresenta comportamento espectral

variável conforme seu estádio de desenvolvimento. Portanto, mesmo tendo

comportamentos espectrais semelhantes, duas culturas podem ser

diferenciadas por se encontrarem em estádios fenológicos diferentes. Isto pode

ocorrer devido a estas terem sido plantadas em épocas diferentes, em função

do zoneamento agroclimático, ou pelo fato de terem a duração do ciclo

fenológico diferente. Em função disso, devem ser exploradas as variações

espectro-temporais e, em alguns casos, utilizadas imagens multitemporais para

facilitar ou aumentar a precisão da classificação de alvos agrícolas através de

sensoriamento remoto. Neste sentido, o conhecimento do calendário agrícola,

bem como da distribuição das culturas na região em estudo é de fundamental

importância para a escolha do período mais propício para a aquisição das

imagens.

2.4.2. Comportamento Espectral e Temporal do Solo

Em virtude de o solo ser o substrato de fundo para praticamente a totalidade

dos alvos agrícolas estudados com auxílio de sensores remotos orbitais, o

conhecimento das suas propriedades espectrais é necessário para o

entendimento dos seus efeitos no comportamento espectral dos dosséis

vegetais (Ben-Dor et al., 1999). Entre os fatores que mais interferem na

reflectância dos solos estão os constituintes químicos, em especial, os óxidos

de ferro, os quais afetam sua coloração e outras propriedades espectrais

(Stoner e Baumgardner, 1981; Baret et al., 1993; Ben-Dor et al., 1999).

Além dos constituintes químicos do solo, outros fatores exercem influência na

sua resposta espectral. Solos com textura fina possuem maior capacidade de

retenção de água. Como a presença de umidade diminui a reflectância,

principalmente no IVM, esses solos geralmente têm reflectância menor. Em

contrapartida, solos com textura mais grossa (arenosos) são normalmente bem

drenados, resultando em um menor conteúdo de umidade e,

conseqüentemente, uma reflectância mais alta (Lillesand e Kiefer, 1999).

63

Portanto, fica evidente a influência da precipitação pluvial no comportamento

espectral do solo. Ou seja, quanto mais fina for a textura do solo, maior sua

habilidade em manter um alto conteúdo de umidade após a precipitação pluvial,

ocasionando uma maior absorção da radiação incidente (Jensen, 2000). Pelo

mesmo motivo, um solo parcial ou totalmente descoberto apresenta respostas

espectrais distintas em duas imagens, sendo uma adquirida no período seco e

outra após a precipitação pluvial.

A presença de matéria orgânica é outro fator que exerce influência nas

características espectrais dos solos, geralmente diminuindo a reflectância em

toda a porção visível e IVP do espectro eletromagnético (Figura 2.11). Nagler et

al. (2000) afirmam que a presença de restos de vegetação seca altera a

reflectância dos solos tanto no visível e infravermelho próximo, quanto no

infravermelho médio.

FIGURA 2.11 - Resposta Espectral de 5 Amostras de Solo em Função do Teor de Matéria Orgânica, Textura e Teor de Óxido de Ferro: A=Alto Teor de Matéria Orgânica (>2%) e Textura Fina; B= Baixo Teor de Matéria Orgânica (<2%) e Baixo Teor de Óxido de Ferro (<1%); C= Baixo Teor de Matéria Orgânica (<2%) e Médio Teor de Óxido de Ferro (<1-4%); D= A=Alto Teor de Matéria Orgânica (>2%) e Baixo Teor de Óxido de Ferro (<1%); E= Alto Teor de Óxido de Ferro (>4%) e Textura Fina. FONTE: Adaptada de Stoner e Baumgardner (1981).

64

A rugosidade superficial do solo atua imprimindo uma forte componente

direcional à reflectância dos solos (Baret et al., 1993). De acordo com Kimes

(1983), devido à sua baixa transmitância, os solos apresentam uma maior

intensidade de sombreamento, pois o lado iluminado da superfície reflete a

REM na direção da fonte de iluminação, deixando sombreada a superfície

oposta. Assim, visadas realizadas na direção do espalhamento à frente irão

apresentar valores de reflectância mais baixos em virtude do sensor integrar

uma maior porção de sombra em seu campo de visada (Figura 2.12).

FIGURA 2.12 - Espalhamento da REM Provocada pela Rugosidade Superficial do Solo. FONTE: Adaptada de Kimes (1983).

2.5. Índices de Vegetação Um índice de vegetação (IV) resulta da combinação dos valores de reflectância

em dois ou mais intervalos de comprimento de onda, possuindo uma certa

relação com a quantidade e o estado da vegetação em uma dada área da

superfície terrestre. Em função disto, uma característica inerente aos IVs é a

redução no volume dos dados a ser analisado, pois praticamente toda a

informação referente à vegetação fica resumida a somente um valor numérico.

Ou seja, a informação registrada em algumas bandas (geralmente duas) passa

a ser contida em apenas um índice de vegetação, permitindo modelar mais

facilmente os dados espectrais em conjunto com as variáveis biofísicas da

vegetação.

65

Segundo Jackson e Huete (1991), um IV ideal deve ser capaz de responder a

pequenas variações no estado fenológico da vegetação e não pode ser muito

influenciado por variações das condições e tipos de solo, da geometria da cena

e das condições atmosféricas. O índice de vegetação mais utilizado em

pesquisas relacionadas à dinâmica da cobertura vegetal é o Normalized

Difference Vegetation Index (NDVI), dado pela Equação 2.1:

VIVPVIVPNDVI

+−

= (2.1)

onde,

IVP = reflectância no Infravermelho Próximo;

V = reflectância no Vermelho.

Embora numericamente os valores do NDVI possam variar entre -1 e 1, a

vegetação está associada aos valores positivos. Materiais que refletem mais

intensamente na porção do vermelho em comparação com o infravermelho

próximo (nuvens, água e neve) apresentam NDVI negativo. Solos descobertos

e rochas refletem o vermelho e o infravermelho próximo quase na mesma

intensidade, por conseguinte, seu NDVI aproxima-se de zero (Lillesand e

Kiefer, 1999).

De acordo com Huete et al. (1985), os índices de vegetação são influenciados

pelo solo até que o mesmo esteja completamente coberto pela vegetação. Nos

estádios iniciais de desenvolvimento e em culturas que não cobrem

uniformemente a superfície, essa influência deve ser considerada. Huete

(1988) adicionou uma constante denominada “L” à equação que produz o

NDVI, criando assim o Soil Adjusted Vegetation Index (SAVI). Essa constante é

um fator de correção que varia gradualmente de 0, para dosséis com alta

cobertura vegetal, a 1, para baixa cobertura de vegetação. O autor ainda

comenta que o valor 0,5 para essa constante reduz consideravelmente a

interferência do solo em dosséis vegetais com diferentes densidades, sendo

66

passível de ser utilizado em pesquisas onde o índice de área foliar do dossel é

desconhecido. O SAVI é determinado através da Equação 2.2.

( ) ( )

( )LVIVPLVIVPSAVI

+++−

=1.

(2.2)

onde,


V = reflectância no Vermelho;

L = constante para correção dos efeitos do solo.

Outros índices foram desenvolvidos para tentar minimizar os efeitos do solo,

tais como: o Green Vegetation Index (GVI) (Kauth e Thomas, 1976), o

Perpendicular Vegetation Index (PVI) (Richardson e Wiegand, 1977), o

Transformed Soil Adjusted Vegetation Index (TSAVI) (Baret et al., 1989), o

Modified Soil Adjusted Vegetation Index (MSAVI) (Qi et al., 1994), o Otimized

Soil Adjusted Vegatation Index (OSAVI) (Rondeaux et al., 1996), entre outros.

Apesar destas modificações se mostrarem satisfatórias, estes índices ainda se

mostram instáveis em relação aos efeitos atmosféricos (Myneni e Asrar, 1994;

Huete et al., 1997). Para corrigir ou minimizar tais efeitos, Kaufman e Tanré

(1992) propuseram o Atmospherically Resistant Vegetation Index (ARVI),

promovendo uma modificação no cálculo do NDVI, utilizando a diferença da

reflectância nas bandas do azul e do vermelho em substituição ao vermelho,

como um indicador da interferência atmosférica (Equações 2.3 e 2.4):

AVIVPAVIVPARVI

+−

= (2.3)

onde a constante AV é determinada através da Equação 2.4:

67

AV = V - γ (A - V) (2.4) onde, A = reflectância no Azul;


γ = variável que depende das características dos aerossóis presentes na região

em estudo (geralmente utiliza-se o valor 1,0).

Com o desenvolvimento do sensor MODIS, um novo índice de vegetação,

denominado Enhanced Vegetation Index (EVI), foi proposto por Huete et al.

(1999). O EVI foi formulado a partir de uma combinação entre o SAVI e o ARVI,

com a finalidade de atenuar os efeitos tanto do solo como da atmosfera, de

acordo com a Equação 2.5:

LACVCIVPVIVPGEVI

+−+−

=**

*21

(2.5)

onde,



A = reflectância no Azul;

C1 = Coeficiente de correção dos efeitos atmosféricos para o vermelho (6);

C2 = Coeficiente de correção dos efeitos atmosféricos para o azul (7,5);

L = Fator de correção para a interferência do solo (1);

G = Fator de ganho (2,5).

Os coeficientes C1 e C2 podem ser alterados de acordo com condições

regionais, sendo que os produtos disponibilizados pelo EOS utilizam as

especificações acima. Além disso, o EVI tem se mostrado mais sensível às

alterações na biomassa vegetal, principalmente em regiões de alta densidade

de vegetação, como áreas de floresta (Huete et al., 2002).

68

Muito embora a literatura aponte para a possibilidade da utilização dos mais

variados IVs, os quais possuem vantagens e limitações características, o

consenso é que o NDVI, se não for o mais adequado é, sem dúvida, o mais

utilizado. Dentre os motivos, é um índice simples de ser calculado e

interpretado, possui boa sensibilidade às alterações na vegetação e é

medianamente sensível ao solo e à atmosfera. Além disso, é um índice

amplamente aceito pela comunidade científica e possui uma base histórica

para comparação de resultados (Ray, 1994).

2.5.1. Relações dos Índices de Vegetação com Variáveis Biofísicas

Os índices de vegetação têm sido amplamente utilizados para o monitoramento

da vegetação, tanto em pequenos experimentos, utilizando sensores remotos

terrestres, quanto em grandes áreas, utilizando sensores orbitais de alta e

baixa resolução espacial. Em se tratando de agricultura, as pesquisas com IVs

se concentram na estimativa das propriedades biofísicas da vegetação. Grande

parte dos modelos de produtividade agrícola parte do princípio que a

produtividade final de uma cultura é extremamente dependente das condições

climáticas (precipitação pluvial, temperatura, umidade, insolação etc.) e de

cultivo (manejo e fertilidade do solo, sanidade etc.) e que algumas variáveis

biofísicas, determináveis através de IVs, como o IAF, refletem as condições de

crescimento impostas pelo clima e pelo manejo.

Daughtry et al. (1984), em um estudo envolvendo variáveis biofísicas,

características espectrais e produtividade para as culturas do milho, algodão e

soja, afirmam que o NDVI foi altamente correlacionado com o IAF. Este índice

também estimou o IAF para o milho e para o algodão, apresentando altos

coeficientes de correlação. A Figura 2.13 mostra a relação existente entre o IAF

e o NDVI para a cultura do trigo (Asrar et al., 1984). É possível observar que a

relação exponencial entre estas variáveis pode limitar o monitoramento das

culturas a partir do ponto de saturação do NDVI (Figura 2.13).

69

FIGURA 2.13 - Relações Entre NDVI e IAF para a Cultura do Trigo. FONTE: Adaptada de Asrar et al. (1984 p. 303).

Os IVs têm sido empregados, também, no estabelecimento de padrões de

crescimento e desenvolvimento ao longo do ciclo das culturas agrícolas. Motta

et al. (2003) analisaram o perfil temporal do NDVI oriundo de imagens

NOAA/AVHRR, em três regiões de soja no Estado do Rio Grande do Sul. Os

autores relatam que a evolução temporal do NDVI esteve relacionada com as

diferentes fases do ciclo fenológico da cultura. Os maiores valores de NDVI

foram observados durante o mês de fevereiro, período associado ao pleno

crescimento e desenvolvimento da cultura (maior densidade de biomassa). Em

contrapartida, baixos valores de NDVI foram observados durante o mês de

outubro, coincidente com o estabelecimento da cultura (Figura 2.14).

70

FIGURA 2.14 - Evolução Temporal do NDVI Máximo Mensal de Regiões de Soja no Estado do io Grande do Sul, Ano-Safra 1999/00. FONTE: Motta et al. (2003).

2.6. Processamento de Imagens de Sensoriamento Remoto Nas aplicações que observam a dinâmica espaço-temporal é necessário que

toda alteração retratada nas imagens seja inerente aos alvos imageados.

Contudo, em se tratando de sensoriamento remoto orbital, as imagens da

superfície terrestre são obtidas a longas distâncias da mesma. Ainda assim,

durante o período de obtenção da imagem, o satélite percorre uma órbita que

está sujeita a pequenas variações ao mesmo tempo em que a Terra, além de

possuir superfície arredondada, está em constante movimento de rotação

(Eastman, 1998). Deste modo, a qualidade geométrica da imagem está

associada a uma série de fatores, que, combinados, podem fazer com que a

imagem não retrate fielmente as condições dos alvos imageados. Para

minimizar esses fatores foram desenvolvidas várias técnicas de

processamento, algumas delas descritas a seguir.

71

2.6.1. Correção Geométrica

Para propósitos de mapeamento é essencial que as imagens de sensoriamento

remoto sejam georreferenciadas com exatidão ao mapa proposto como base

(Eastman, 1998). Isso é necessário para que as informações extraídas das

imagens possam ser integradas juntamente com outros dados

georreferenciados relativos à área em estudo. Em função disso, a correção

geométrica visa eliminar distorções sistemáticas introduzidas durante o

processo de aquisição da imagem, bem como posicioná-la no espaço,

atribuindo-lhe coordenadas geodésicas relacionadas a um sistema de projeção

da superfície terrestre (Richards e Jia, 1999).

Segundo Fonseca (2000), a correção geométrica pode ser dividida em três

etapas: transformação geométrica, mapeamento inverso e reamostragem. A

transformação geométrica define o espaço geográfico a ser ocupado pela

imagem corrigida, estabelecendo uma relação entre as coordenadas da

imagem e as coordenadas geodésicas. A transformação geométrica pode ser

realizada principalmente por dois modelos matemáticos: modelo fotogramétrico

e modelo polinomial.

O modelo fotogramétrico faz o referenciamento da imagem a um sistema de

projeção cartográfica utilizando informações de efemérides e órbita do satélite

no momento da aquisição da imagem. Apesar de corrigir as distorções internas

da imagem, esse modelo resulta em erros por volta de 1 a 2 % no seu

posicionamento geográfico (Schowengerdt, 1997). Atualmente, as imagens

provindas dos sensores TM e ETM+ são comercializadas pelo INPE com este

nível de correção geométrica.

O modelo polinomial utiliza equações para estabelecer uma relação entre

coordenadas de imagem e coordenadas geodésicas, através de pontos de

controle. Os pontos de controle são feições homólogas facilmente identificáveis

(confluência de rios, cruzamento de estradas etc.) tanto na imagem de

interesse, quanto no sistema de referência (cartas topográficas, mapas digitais,

imagem previamente registrada etc.). O desempenho desse modelo depende

72

da distribuição e da exatidão das coordenadas dos pontos de controle, bem

como da adequação da função polinomial escolhida (Crósta, 1992).

A segunda etapa do processo de correção geométrica é o mapeamento

inverso, que recupera a informação referente aos níveis de cinza da imagem

original, que definirá o valor a ser associado a uma certa posição na imagem

corrigida. A última etapa, denominada reamostragem, define os valores dos

níveis de cinza que irão compor a imagem resultante, através da informação

obtida no mapeamento inverso. Os interpoladores utilizados na reamostragem

são: vizinho mais próximo, bilinear e cúbico. Por utilizar o nível de cinza mais

próximo ao resultado do mapeamento inverso, o interpolador vizinho mais

próximo deve ser utilizado em estudos baseados na radiometria da imagem

(Mather, 1999). Os interpoladores bilinear e cúbico alteram o valor do pixel da

imagem de saída, mas por retornarem melhores resultados, devem ser

utilizados em estudos relacionados ao mapeamento de uso e cobertura do solo

que envolvam a classificação digital ou visual das imagens (Crósta, 1992).

2.6.2. Classificação Digital de Imagens de Sensoriamento Remoto

A classificação digital de imagens consiste no estabelecimento de um processo

de decisão, no qual um grupo de pixels é definido como pertencente a uma

determinada classe (Venturieri e Santos, 1998). O resultado de uma

classificação é uma imagem temática, na qual os pixels classificados são

representados por símbolos gráficos ou cores, associados a uma classe

definida pelo usuário.

Dutra et al. (1981) dividem os algoritmos de classificação em dois tipos:

estatístico e determinístico. O primeiro considera que os atributos dos objetos

possuem comportamento aleatório, podendo ser descritos por funções de

distribuição de probabilidade. O segundo presume que o comportamento dos

atributos das classes não é aleatório e pode ser descrito por funções que

assumem valores bem definidos de acordo com a classe.

73

Segundo (Schowengerdt, 1997), os métodos de classificação digital de

imagens podem ser classificados em três categorias, de acordo com o tipo de

treinamento: supervisionados, não-supervisionados e híbridos.

2.6.2.1. Classificação Supervisionada

Os métodos de classificação supervisionada se baseiam na disponibilidade

prévia de amostras representativas, identificadas na imagem, para cada classe

de interesse (Mather, 1999). O algoritmo classificador utiliza, então, a

informação estatística referente a essas amostras na classificação dos demais

pixels da imagem. Em função disso, para que a classificação seja bem

sucedida, é fundamental que as amostras de treinamento sejam homogêneas e

representativas das classes de interesse. Entre os métodos de classificação

supervisionada, destacam-se o paralelepípedo e o máxima verossimilhança, ou

MAXVER, como sendo os mais utilizados (Lillesand e Kiefer,1999).

O método do paralelepípedo é um classificador do tipo determinístico, onde são

identificados os valores mínimos e máximos dos histogramas das amostras das

classes em cada uma das bandas, que são usados para definir os vértices de

um paralelepípedo no espaço de atributos. Assim, o pixel cujo valor do nível de

cinza se encontrar dentro desse paralelepípedo é rotulado como pertencente à

classe correspondente (Mather, 1999). Em outras palavras, um pixel só será

classificado como pertencente a uma determinada classe se o valor do seu

nível de cinza estiver entre os valores máximos e mínimos das amostras, em

cada banda espectral selecionada para classificação. Muito embora seja

relativamente simples, o método do paralelepípedo apresenta algumas

limitações. Alguns pixels podem não se enquadrar dentro dos valores que

definem os paralelepípedos, não sendo, portanto, classificados (Fonseca,

2000). Outro aspecto que afeta o desempenho desse método é a correlação

existente entre as bandas dos sensores remotos, principalmente aquelas

centradas na região do visível (Venturieri e Santos, 1998).

74

O MAXVER é um classificador estatístico que utiliza os valores dos níveis de

cinza de cada classe previamente definidas a partir das amostras de

treinamento, avaliando a probabilidade que cada pixel da imagem tem de

pertencer a cada uma das classes identificadas e o designa àquela cuja

probabilidade é maior (Dutra et al., 1981).

2.6.2.2. Classificação Não-Supervisionada

A diferença básica deste procedimento para as técnicas de classificação

supervisionada é o fato de as classes não serem definidas pelo analista e sim

pelo algoritmo de agrupamento. Esse algoritmo associa cada pixel da imagem

a uma classe espectral, com base nas propriedades intrínsecas do conjunto de

dados (Dutra et al., 1981). Diferentemente dos algoritmos de classificação

citados anteriormente, que utilizam a técnica de classificação pixel a pixel, o

ISOSEG é baseado em um conjunto de regiões com diferentes atributos

estatísticos (média, matriz de covariância e área), definidas pela técnica de

segmentação de imagens (Venturieri e Santos, 1998).

2.6.2.2.1. Segmentação

Schowengerdt (1997) define a segmentação como uma forma de incorporar

informações espaciais e espectrais em um processo não supervisionado de

agrupamento. Entre os métodos utilizados para a segmentação de uma

imagem digital, o mais empregado para monitoramento de áreas agrícolas é o

de crescimento por regiões (Bins et al., 1996; Moreira, 2001). Esse método é

um processo de interatividade pelo qual são agrupadas regiões contínuas,

similares radiometricamente, a partir de pixels individuais, até que todos sejam

contabilizados (Nascimento e Almeida Filho, 1996). Uma etapa inerente ao

processo de segmentação é a definição dos limiares de similaridade e área. O

limiar de similaridade define que duas regiões são similares quando o valor da

distância euclidiana mínima entre as médias das regiões é inferior ao limiar

estipulado. Já o limiar de área representa a área mínima, em pixels, para que

75

uma região seja individualizada. Regiões menores que o limiar estipulado são

absorvidas por outras regiões que possuem média espectral mais próxima.

Em se tratando de áreas agrícolas, os talhões são representados por regiões

nas imagens, onde um agrupamento de pixels se refere ao mesmo tipo de

cultura. Portanto, o conhecimento do relacionamento entre pixels vizinhos é

uma rica fonte de informação. Com a segmentação tem-se, então, o

delineamento das fronteiras dos talhões agrícolas, necessárias para aumentar

a exatidão da classificação (Barros et al., 2001).

Após a segmentação, o ISOSEG utiliza a matriz de covariância e o vetor de

média para estimar o valor central de cada classe. Fonseca (2000) separa a

classificação pelo método ISOSEG em três etapas.

Na definição do limiar, o analista fornece um limiar de aceitação, dado em

porcentagem, com o qual se calcula uma distância mínima entre as regiões

pertences à mesma classe. Quanto maior o limiar fornecido, menor a distância

entre as regiões e, portanto, maior será o número de classes detectadas pelo

algoritmo.

Na detecção das classes, o algoritmo ordena as regiões em ordem decrescente

de área e inicia o procedimento para agrupá-las em classes. Em seguida, um

novo rótulo é atribuído à região de maior área que ainda não tenha sido

classificada. A essa área são associadas todas as regiões cuja distância seja

inferior ao valor mínimo definido pelo limiar de aceitação. Essa etapa é repetida

até que todas as regiões tenham sido classificadas.

Como a detecção das classes é um processo seqüencial, que pode favorecer

as classes que são detectadas em primeiro lugar, a última etapa, denominada

competição entre classes, visa eliminar este “favorecimento”. As regiões são

então reclassificadas considerando-se os novos parâmetros estatísticos das

classes, obtidos na etapa anterior. O processo se repete até que a média das

classes não se altere e termina com todas as regiões associadas a uma classe.

76

2.6.2.3. Classificação Híbrida

A classificação híbrida é um procedimento de classificação que utiliza as duas

abordagens descritas anteriormente (supervisionada e não supervisionada).

Essa classificação é recomendada principalmente em estudos que envolvem

uma estratificação temática mais detalhada (Venturieri e Santos, 1998), onde,

separadamente, os métodos supervisionados e não-supervisionados não

retornam resultados satisfatórios. Primeiramente, através da classificação não-

supervisionada, a imagem é agrupada em regiões espectralmente

homogêneas. Tais regiões são utilizadas para a aquisição das amostras de

treinamento, que serão utilizadas na classificação supervisionada

(Schowengerdt, 1997).

2.6.2.4. Interpretação Visual

Muito embora as diferentes técnicas de classificação possam retornar

resultados que auxiliam no mapeamento das classes de uso do solo

representadas em uma imagem de sensoriamento remoto, sempre irão ocorrer

erros na classificação. Tais erros ocorrem por omissão ou inclusão de áreas

em uma determinada classe temática. Para contorná-los, os softwares

especializados possuem ferramentas específicas, com as quais o usuário pode

alterar, manualmente, um ou um grupo de pixels erroneamente classificados

para a classe temática correta. Na interpretação visual, além das

características espectrais dos alvos presentes na imagem, o usuário leva em

conta outros aspectos que não são considerados pelo algoritmo classificador.

Em outras palavras, o usuário consegue observar de forma integrada as

características espectrais, temporais, texturais e principalmente espaciais da

imagem. Além disso, o conhecimento prévio de informações acerca da área em

estudo, adquiridas por visitas in situ ou em uma base de dados, facilita

consideravelmente a interpretação visual das imagens.

77

2.7. Estatísticas Agrícolas e Relações com o Sensoriamento Remoto Pino (1999) define a expressão estatísticas agrícolas como o conjunto de

estatísticas sobre variáveis referentes ao setor agropecuário, entre as quais se

destacam a área plantada, a produtividade e, por conseqüência destas, a

produção de determinada cultura agrícola. Apesar de existirem diferentes

meios para a obtenção das estatísticas agrícolas, descritos e detalhados em

FAO (1996a; 1996b), este documento ficará restrito a reportar alguns exemplos

do que foi e têm sido feito em nível mundial e nacional, visando à incorporação

das geotecnologias, em especial as imagens de sensoriamento remoto, aos

métodos de obtenção das estatísticas agrícolas.

Com o lançamento do primeiro satélite da série Landsat pela agência espacial

americana (NASA), em 23 de julho de 1972, iniciou-se o processo de obtenção

de imagens para monitoramento ambiental de uma forma regular para toda a

superfície terrestre. Nos Estados Unidos, essas imagens foram adotadas como

ferramenta adicional pelo Serviço Nacional de Estatísticas Agrícolas (NASS),

na tentativa de aprimorar os métodos de amostragem para estimativa de área

plantada, anteriormente realizados apenas com o auxílio de fotografias aéreas.

Neste caso, a principal vantagem das imagens orbitais é a periodicidade com

que as mesmas são adquiridas, fornecendo dados mais atualizados em relação

às aerofotos (FAO, 1998). A partir de 1978, tais imagens se tornaram a

principal fonte de informação para o método de estratificação de áreas

agrícolas do NASS (Allen et al., 2002a). Os resultados alcançados pela

utilização das imagens do Landsat 1 alentaram para o aperfeiçoamento de

novas metodologias visando à aplicação das imagens de sensoriamento

remoto como suporte à geração de estatísticas agrícolas.

Então, movido pelo crescente aumento na capacidade de processamento dos

computadores, o NASS começou a desenvolver em 1987 um SIG denominado

Computer-Assisted Stratification and Sampling (CASS), visando automatizar a

construção dos painéis por área e a seleção das amostras, até então

realizados manualmente. A partir de 1993, o CASS foi adotado no sistema de

78

estimativa do NASS, sendo substituído em 1997 pelos softwares Arcview,

ArcInfo e Erdas (FAO, 1996a, 1998; Wigton, 2004).

Além dos dados de área plantada, o NASS fornece prognósticos de

produtividade agrícola obtidos através de um sistema que utiliza dados

coletados em campo e entrevistas junto aos produtores rurais. Neste caso,

imagens NOAA/AVHRR, sob a forma de índice de vegetação (NDVI), são

utilizadas apenas para o monitoramento da vegetação durante a estação de

crescimento das culturas e comparadas com imagens e dados de produtividade

de anos anteriores. Apesar disto, a análise das imagens possibilita apenas

inferências limitadas da variação interanual nos níveis de produtividade (Hale et

al., 1999; Allen et al., 2002b).

Baseado em parte na experiência americana, o projeto MARS (Monitoring

Agriculture through Remote Sensing techniques) foi aprovado em 1988 visando

atender os propósitos da Common Agricultural Policy (CAP) da Comunidade

Européia, criada com a meta principal de aumentar o poder competitivo dos

países membros frente ao mercado mundial. Neste sentido, o Fundo Europeu

de Orientação e Garantia Agrícola (EAGGF) direciona subsídios aos produtores

rurais objetivando, entre outras finalidades, reduzir a superprodução de

determinadas culturas dentro da Comunidade Européia (CE) (EUROPA, 2003).

Como o subsídio é definido de acordo com a área plantada informada pelos

próprios agricultores, o EAGGF necessita de um método de aferição confiável,

rápido, de baixo custo e que possa ser aplicado uniformemente em todos os

países pertencentes à CE. Para tanto, visando identificar e quantificar a área

das culturas agrícolas de maior importância, o MARS utiliza um método

amostral que faz uso de imagens adquiridas pelos sensores SPOT/HRV e

Landsat/TM. Nesse método, os contornos das unidades de amostragem são

definidos sob a forma de quadrados de 50 x 50 km ou círculos de 25 km de raio

(para serem compatíveis com uma imagem HRV/SPOT). As imagens são

classificadas através de algoritmos computacionais e interpretação visual, onde

somente áreas de identificação duvidosa são analisadas em campo. Em 1993,

79

35.000 locais em 11 países membros foram aferidos utilizando cerca 240

imagens de sensoriamento remoto (Terres et al., 1995).

O projeto MARS conta também com um sistema de monitoramento da

produtividade agrícola, denominado Crop Growth Monitoring System (CGMS)

(mars.jrc.it/stats/cgms), utilizado como subsídio aos métodos tradicionais de

geração de estatísticas agrícolas da CE. Esse sistema toma por base dados

meteorológicos e imagens NOAA/AVHRR e SPOT/VEGETATION integrados

em um modelo agrometeorológico-espectral para realizar estimativas de

produtividade de diversas culturas em toda a CE (Supit e van der Goot, 2003).

O CGMS vem sofrendo modificações ao longo de suas versões, onde novas

variáveis e parâmetros são introduzidos, sendo que as pesquisas futuras

buscam viabilizar a utilização de dados de modelos numéricos de previsão do

tempo e imagens oriundas do sensor MODIS (Boogaard, 2003). Além disso, o

CGMS vem sendo adaptado visando gerar prognósticos regionais de acordo

com a necessidade de alguns países, como demonstram os trabalhos de Buffet

et al. (1999) na Bélgica, Kuittinen et al. (1999) na Finlândia, até mesmo fora da

CE (Curnel e Oger, 2003).

No Brasil, o único levantamento agrícola oficial onde as imagens de

sensoriamento remoto foram utilizadas foi o sistema PREVS (Pesquisa

Objetiva de Previsão de Safras), originado em 1986 de uma cooperação entre

o Instituto Brasileiro de Geografia e Estatística (IBGE) e o Instituto Nacional de

Pesquisas Espaciais (INPE). Esse sistema teve como finalidade gerar

prognósticos de área plantada tendo por base o método de segmentos

amostrais do NASS. A coleta de dados de campo nas amostras foi baseada em

fotografias aéreas de arquivo para definir os campos de uso do solo. Os dados

coletados foram utilizados para expansão da amostra com o fim de obter

informações sobre os principais produtos agrícolas em nível estadual.

Entretanto, o uso de fotografias aéreas de arquivo dificulta a demarcação dos

segmentos amostrais, devido à dinâmica do uso do solo no decorrer do tempo

(INPE - IBGE, 1998).

80

A PREVS foi inicialmente projetada para abranger parte do território nacional,

envolvendo os Estados de São Paulo, Santa Catarina, Paraná e o Distrito

Federal (FAO, 1998). Muito embora houvesse tentativas de desenvolver novas

metodologias (Medeiros et al., 1996; Adami, 2003), o sistema PREVS se

restringiu ao Estado do Paraná, mesmo assim, realizado somente até o ano de

2001 (Adami, 2004), e só utilizou imagens do satélite Landsat 5 na fase de

construção dos painéis amostrais, embora se pretendesse utilizá-las como

variável auxiliar dos estimadores por regressão (Ippoliti-Ramilo et al., 1999).

Atualmente, a utilização das imagens de sensoriamento remoto na geração das

estatísticas agrícolas brasileiras oficiais se concentra apenas no âmbito da

pesquisa, onde alguns artigos de maior relevância para o presente trabalho

serão discutidos em itens específicos no decorrer do texto.

2.8. Estimativa da Área Plantada a Partir de Imagens de Sensoriamento Remoto

Uma das premissas necessárias em um sistema de levantamento de safras

agrícolas é a estimativa da área plantada com as diferentes culturas presentes

em uma determinada região (Pax-Lenney e Woodcock, 1997). A identificação

de áreas ocupadas pelas culturas através da classificação de imagens de

sensoriamento remoto parte do princípio que as culturas, em função de suas

características intrínsecas, possuem comportamento espectral distintos, os

quais são manifestados em uma imagem digital. Além da possibilidade da

identificação e quantificação da área ocupada, uma imagem classificada

possibilita a localização espacial dos talhões, o que facilita uma aferição

diretamente no campo, bem como a estimativa/previsão em anos

subseqüentes.

Entretanto, somente certas culturas podem ser monitoradas com imagens de

média resolução espacial. São aquelas que ocupam as maiores áreas, sendo

cultivadas mecanicamente e, portanto, em talhões cujas dimensões mínimas

geralmente superam uma dezena de hectares e que, conseqüentemente, são

as que possuem maior importância econômica (Luiz e Epiphanio, 2001).

81

Contudo, em uma região tradicionalmente agrícola, um número muito restrito

de culturas são consideradas como as mais importantes. Uma série de

condicionantes, sejam eles ambientais, econômicos ou de tradição, fazem com

que um determinado município ou região tenha uma certa vocação agrícola

para determinadas culturas, que não se altera em um curto período de tempo.

Assim, a utilização de informações prévias e o conhecimento das culturas

implantadas na região facilitam a classificação das diferentes espécies

agrícolas.

Além disso, em regiões caracterizadas pela presença de várias espécies

agrícolas ou quando o plantio das culturas é distribuído ao longo de uma

estação do ano, deve ser levado em consideração o aspecto multitemporal das

imagens de sensoriamento remoto, pelo fato das diferentes culturas

apresentarem respostas espectrais características em função do estádio

fenológico (Barros et al., 2001).

Medeiros et al. (1996) utilizaram uma imagem Landsat TM na estimativa da

área plantada com as culturas da cana-de-açúcar, milho e soja, em nível

municipal, na região norte de São Paulo. Os resultados apontaram grandes

discrepâncias entre a estimativa de área plantada, obtida através da

classificação digital da imagem e a estimativa pelo LSPA/IBGE. Apesar de não

apontarem a origem dessas discrepâncias, os autores destacam que as

imagens de satélite podem fornecer informações objetivas e confiáveis de

estimativa de área plantada.

Ippoliti-Ramilo et al. (2003) utilizaram imagens multitemporais de junho,

setembro e outubro, meses com maior probabilidade de obtenção de imagens

livres de nuvens, em uma área caracterizada por culturas de ciclo curto e cana-

de-açúcar. Em virtude das imagens coincidirem com o período que antecede o

plantio, as culturas foram classificadas em função do uso provável dos talhões

no verão.

Motta et al. (2001) correlacionaram a área estimada através de um classificador

não-supervisionado versus medições em campo feitas com um GPS

82

topográfico, objetivando avaliar o potencial das imagens Landsat/TM na

estimativa da área plantada com soja. Os autores utilizaram duas imagens

adjacentes adquiridas em datas coincidentes com o pleno desenvolvimento da

cultura, para uma área da região nordeste do Rio Grande do Sul, tendo

encontrado um alto coeficiente de determinação (0,97) entre a área estimada

na imagem e a medida em campo.

Fontana et al. (2001) utilizaram imagens Landsat na estimativa da área

plantada com soja em nível nacional para o ano-safra 1999/00. Apesar de

abranger cerca de 60% da área cultivada com a cultura no Brasil, o estudo

esbarrou no problema relacionado à cobertura de nuvens por ocasião da

obtenção das imagens. Isto ocorreu também em virtude de os autores terem

utilizado somente imagens adquiridas pelo sensor TM, que não foi satisfatório

para a aquisição de imagens livres de nuvens no período considerado ideal,

devido à sua baixa resolução temporal para este estudo. Como conseqüência,

a maioria dos municípios estudados no Rio Grande do Sul (155 entre os 282

analisados) não teve sua área totalmente classificada. Apesar de reportarem a

facilidade na identificação e medição das áreas cultivadas, os autores não

fizeram uma comparação entre a área estimada através classificação das

imagens e a fornecida pelo IBGE.

Adami (2003) sugere um método para estimativa de área plantada baseado na

técnica de amostragem por segmentos quadrados. Nesse método, a área de

estudo é dividida em segmentos regulares de 1 x 1 km. Alguns desses

segmentos são aleatoriamente escolhidos, nos quais as culturas de interesse

têm sua área quantificada por meio de visitas em campo. Através de um

método denominado expansão direta, esta informação é utilizada na estimativa

da área plantada no restante da região em estudo. O autor utilizou tal método

objetivando estimar a área plantada com café, milho e soja em uma região do

norte do Paraná. Os resultados alcançados mostraram diferenças entre a

estimativa de área plantada obtida pelo método empregado em comparação à

gerada subjetivamente pelo Departamento de Economia Rural do Estado

83

(DERAL). Para as culturas de café e milho, as diferenças relativas foram de

14,2 e -78,6%, com coeficientes de variação (CV) de 24,53 e 26,05%,

respectivamente. Isto pode ser justificado pelo fato de essas culturas terem

pouca expressão na região em estudo (2% para o café e 3% para o milho), o

que diminui a precisão das estimativas. No caso da soja, que representa cerca

de 30% da área, o método de amostragem subestimou a área plantada em

apenas 5,9% em relação ao DERAL, com o CV ficando em 6,59%. Apesar dos

resultados encontrados, é difícil inferir sobre a exatidão do método proposto,

pois não se pode assegurar que a estimativa subjetiva do DERAL corresponda

à realidade do campo, em virtude da ausência de um dado de referência

confiável.

Luiz (2003) propoz um método para estimativa de área plantada com grandes

culturas que leva em conta a própria conformação da imagem digital. O autor

afirma que pela classificação de alguns pixels (através da classificação da

imagem e/ou por visitas em campo) aleatoriamente escolhidos em uma

imagem de uma região agrícola, pode-se inferir sobre a área ocupada por cada

classe de uso do solo em toda região, utilizando-se de técnicas estatísticas.

Segundo o autor, esse método é indicado para regiões onde as culturas

agrícolas superam 1% da área total do município, e possuem talhões que

excedem os 10 hectares. Para a verificação do método proposto, o autor

realizou 10 sorteios (número amostral igual a 100) sobre uma imagem

classificada por meio de visitas em campo, visando à estimativa da área das

culturas cana-de-açúcar, soja e milho em um município do nordeste do Estado

de São Paulo. Apesar de a média das 10 estimativas ter sido próxima ao dado

tido como referência, para as três culturas analisadas (15.316 contra 15.096 ha

para cana-de-açúcar, 17.377 contra 16.155 ha para soja e 1.733 contra 1.674

ha para milho), foram encontradas grandes diferenças entre as estimativas de

cada sorteio no caso da soja. Os dados dos sorteios individuais para cana-de-

açúcar e milho não foram apresentados no trabalho. Ainda assim, o autor

salienta que além de se ter uma boa noção do valor correto da área plantada,

84

os dados estão associados a um erro de estimativa amostral, fornecendo a

informação sobre a qualidade da estimativa realizada.

2.9. Estimativa da Produtividade Através de Modelos

Segundo Rudorff (1985), os modelos de estimativa de produtividade visam

representar de forma simplificada a relação existente entre a cultura e o

ambiente. Baier (1979) classificou os modelos que relacionam as plantas e o

seu ambiente em três categorias: modelos estatísticos empíricos, modelos de

simulação de crescimento e modelos de análise da cultura e seu meio.

Os modelos estatísticos empíricos utilizam séries históricas de dados climáticos

e de produtividade, relativos a uma mesma região. Através de técnicas

estatísticas de regressão linear, esses modelos produzem equações que

podem ser usadas para a estimativa da produtividade. Sua grande

desvantagem é que, muito freqüentemente, estes modelos são localizados,

pois as variáveis agrometeorológicas, definidoras da produtividade, são

espacialmente homogêneas somente em áreas limitadas, com o mesmo tipo de

solo, relevo, clima, práticas de cultivo etc. (Braga, 1995). Além disso, diferentes

cultivares de uma mesma espécie agrícola costumam apresentar respostas

diferentes a essas variáveis (Farias et al., 2000). Ainda assim, embora

retornem bons resultados em condições climáticas normais, os modelos

estatísticos empíricos se mostram insensíveis às variações climáticas bruscas,

as quais influenciam consideravelmente a produtividade (FAO, 1986). Apesar

disso, altos coeficientes de correlação entre a produtividade final de culturas

agrícolas e elementos climáticos têm sido relatados na literatura (Mota, 1997;

Chen, 1981; entre outros).

Os modelos de simulação de crescimento são uma representação simplificada

dos mecanismos físicos, químicos e fisiológicos que interferem no crescimento

e desenvolvimento das plantas. Esses modelos partem do princípio que uma

vez conhecidos esses mecanismos, o impacto das variáveis meteorológicas em

processos específicos (fotossíntese, respiração e transpiração) pode ser

85

simulado por equações matemáticas. Entretanto, do ponto de vista da

aplicação prática, tais modelos apresentam severas restrições pela falta de

informações detalhadas, tanto de fisiologia das plantas, quanto do ambiente

(Berlato, 1987).

Os modelos de análise da cultura e seu meio, ou modelos agrometeorológicos,

visam representar, também de forma simplificada, as relações existentes entre

a resposta da planta e as variáveis ambientais durante todo o ciclo da cultura.

Esses modelos requerem um detalhado conhecimento sobre o que ocorre na

interação entre a planta, o solo e o meio atmosférico, tais como: fluxo de água

no solo e na planta, evapotranspiração, radiação solar etc. Essa interação é

então transferida para sistemas de equações que permitem analisar as

contribuições das variáveis agrometeorológicas na expressão da produtividade

final da cultura (Berlato, 1987). Apesar disso, Doorenbos e Kassam (1979)

discutiram a dificuldade na determinação prévia da produtividade, afirmando

que outros fatores intimamente relacionados à produtividade final de uma

cultura (processos fisiológicos, propriedades físico-químicas do solo, manejo,

diferença de cultivares etc.) não podem ser completamente introduzidos em

modelos desta natureza. Parte desta questão pode ser resolvida a partir da

incorporação de um termo espectral, representado por um índice de vegetação,

ao modelo agrometeorológico (Rudorff e Batista, 1990; Fontana e Berlato,

1998).

2.9.1. Modelos Agrometeorológicos

Doorenbos e Kassam (1979) desenvolveram um modelo de estimativa de

produtividade passível de ser aplicado a várias culturas agrícolas. Esse modelo

se baseia na quantificação do estresse hídrico através da relação entre a

evapotranspiração real (ETr) e a evapotranspiração máxima (ETm), limitado

por um fator de resposta à produtividade (ky) (Equação 2.6):

−−=

ETmETrkyPMPR 11 (2.6)

86

onde, PR = produtividade real;

PM = produtividade máxima;

ky = fator de resposta à produtividade;

ETr = evapotranspiração real;

ETm = evapotranspiração máxima.

O modelo permite a divisão do ciclo da cultura em períodos menores de tempo

(e.g. 5, 10 ou 15 dias), onde são calculados a produtividade e o déficit relativo

da evapotranspiração para cada um desses períodos. A produtividade final é

então determinada pelo somatório das produtividades parciais. Entretanto,

como a sensibilidade ao déficit hídrico é variável ao longo do ciclo da cultura, o

período de semeadura deve ser considerado, pois irá determinar a magnitude

da influência das condições climáticas no crescimento e desenvolvimento da

cultura, nos diferentes estádios do seu ciclo fenológico.

O modelo proposto por Doorenbos e Kassam (1979) tem sido amplamente

utilizado, direta ou indiretamente, em várias pesquisas relacionadas ao tema

(Rudorff e Batista, 1990, 1991; Sugawara, 2002; Berka et al., 2003), sendo

algumas delas abordadas no decorrer do texto.

2.9.2. Modelos Espectrais e Agrometeorológicos-espectrais

Alguns métodos têm sido propostos paea incorporar uma variável espectral na

estimativa da produtividade. Esses métodos relacionam os índices de

vegetação à produtividade das culturas através de equações de regressão,

sendo denominados modelos espectrais. Esses modelos também podem ser

associados a modelos agrometeorológicos, sendo então denominados de

modelos agrometeorológicos-espectrais (Equação 2.7). Entretanto, poucos

estudos desenvolvidos até hoje conseguiram estabelecer uma relação entre as

imagens de sensoriamento remoto e as condições biofísicas das culturas, de

tal forma que as imagens possam ser utilizadas na geração de estatísticas

agrícolas. Pois alguns fatores intimamente ligados à produtividade parecem

87

não ser manifestados na reflectância dos dosséis agrícolas ou não são

perceptíveis pelas imagens até então utilizadas.

Ya = ao + a1 .(IV) + a2. Ym (2.7)

Onde,

Ya = produtividade estimada através do modelo agrometeorológico-espectral;

a0, a1 e a2 = coeficientes da equação de regressão;

IV = Índice de Vegetação;

Ym = produtividade estimada pelo modelo agrometeorológico.

2.9.3. Parametrização dos Modelos de Produtividade

Uma etapa crucial no desenvolvimento de modelos de produtividade em escala

municipal ou estadual é a sua parametrização em relação aos dados oficiais

históricos. Em outras palavras, o cálculo da produtividade é realizado para

alguns anos-safra, onde pequenas alterações são realizadas em alguns

parâmetros agronômicos do modelo na tentativa de aproximar ao máximo os

dados calculados aos dados oficiais. Após a parametrização, o modelo é

utilizado no cálculo da produtividade dos demais anos. Contudo, os dados

oficiais de produtividade (kg ha-1) são estimados em função da produção (kg)

observada no final da safra e da área plantada (ha), subjetivamente estimada

por ocasião da semeadura da cultura. Assim, qualquer erro na estimativa da

área plantada implica, invariavelmente, em erros na estimativa da produtividade

final, o que compromete a parametrização do modelo. Isto reforça a

necessidade da estimativa correta da área plantada para o teste e ajuste dos

parâmetros agronômicos em modelos de produtividade.

2.9.4. Relação dos Modelos de Produtividade com Dados Meteorológicos

Um sistema de previsão de safras eficiente deve utilizar o menor volume de

dados possível para que o processamento e análise das informações sejam

realizados de uma forma rápida, sem, entretanto, comprometer a precisão dos

88

resultados. Ainda assim, deve fornecer estatísticas agrícolas confiáveis em

tempo oportuno (geralmente no início do ciclo da cultura) para que sejam

traçadas decisões referentes à política de preços e ao abastecimento interno.

Todavia, os dados meteorológicos necessários aos modelos de produtividade

(referentes à safra em questão) só estarão sendo produzidos ao longo do ciclo

da cultura, quando tais decisões já devem ter sido postas em prática. Em

adição, esses dados não estão prontamente disponíveis para a utilização no

modelo, quer seja por fatores relacionados ao acesso aos mesmos, quer seja

pelo pré-processamento e interpolação necessários. Neste sentido, dados

meteorológicos históricos podem ser usados para alimentar modelos que visam

à estimativa prévia da produtividade. Assim que os dados reais forem sendo

disponibilizados, os dados históricos podem ser substituídos, aumentando a

precisão da previsão (Hoogenboom, 2000).

Apesar disso, os dados históricos podem não representar corretamente as

condições meteorológicas do ano em estudo. Fenômenos climáticos globais,

como “El Niño” e ”La Niña”, têm impacto expressivo no clima de algumas

regiões, principalmente na distribuição e intensidade do regime pluviométrico

(principal definidor da produtividade) no período primavera/verão (Berlato e

Fontana, 1999). Apesar disso, a ocorrência desses fenômenos é bem

caracterizada ao longo dos anos, além de ser prevista com certa antecedência.

Nestes casos, pode ser empregado um modelo que utilize dados

meteorológicos de anos caracterizados pela ocorrência desses fenômenos.

Assim, além da obtenção de previsões mais confiáveis, podem ser tomadas

medidas visando minimizar prováveis prejuízos (Hoogenboom, 2000), como o

reescalonamento do plantio ou até mesmo a implantação de uma cultura

menos exigente em disponibilidade hídrica.

2.9.5. Pesquisas Envolvendo Modelos de Produtividade

Rudorff e Batista (1990) utilizaram um modelo agrometeorológico para estimar

a produtividade da cana-de-açúcar em lavouras comerciais em quatro anos-

safra. Esses autores propuseram, ainda, um modelo espectral utilizando o RVI

89

(Ratio Vegetation Index), oriundo de imagens MSS/Landsat e um modelo

agrometeorológico-espectral para a mesma estimativa, para os três primeiros

anos. O modelo agrometeorológico-espectral foi elaborado a partir da técnica

da regressão linear múltipla, onde entraram como variáveis independentes, a

produtividade estimada através do modelo agrometeorológico e o RVI referente

à data na qual este índice mais se correlacionou com a produtividade

observada. Os autores reportam que para os três primeiros anos-safra os

coeficientes de determinação entre a produtividade observada e a estimada

pelo modelo espectral e pelo modelo agrometeorológico variaram entre 0,14 e

0,59 e entre 0,28 e 0,64, respectivamente. A regressão entre a produtividade

observada e a produtividade do modelo agrometeorológico-espectral

apresentou valores de r2 que variaram entre 0,50 e 0,69, ou seja, houve uma

melhora substancial dos resultados.

Em outro estudo, Rudorff e Batista (1991) utilizaram o RVI oriundo de imagens

TM/Landsat e dados meteorológicos para desenvolver modelos de estimativa

de produtividade para a cultura do trigo em lavouras comerciais durante dois

anos-safra. Novamente, os autores afirmam que o modelo agrometeorológico-

espectral estimou com maior precisão (r2 = 0,65) a produtividade final da cultura

quando comparado aos modelos espectral (r2 = 0,48) e agrometeorológico (r2 =

0,43).

Fontana e Berlato (1998) empregaram dados de máximo NDVI semanais,

oriundos de imagens NOAA/AVHRR com resolução espacial degradada para

15 x 15 km, em um modelo agrometeorológico-espectral visando estimar a

produtividade da cultura da soja no Estado do Rio Grande do Sul. Os autores

afirmam que este modelo explicou 55,2% da variação da produtividade, contra

54% do modelo sem a variável espectral. Mesmo tendo apresentado resultados

muito próximos, a diferença entre a produtividade observada e estimada foi

estatisticamente menor no modelo que inclui a variável espectral.

Outro enfoque para a utilização de imagens de sensoriamento remoto na

estimativa da produtividade de culturas agrícolas foi dado por Liu e Kogan

90

(2002). Os autores confrontaram uma série histórica de 12 anos de dados de

produtividade de soja com dados de máximo NDVI e temperatura de brilho,

extraídos de imagens adquiridas pelo sensor NOAA/AVHRR, na produção de

equações de regressão visando à estimativa da produtividade da cultura para

nove Estados brasileiros. Os coeficientes de determinação variaram de 0,29

para o Rio Grande do Sul a 0,92 para Minas Gerais. Os autores apontam que

as imagens oriundas desse sensor podem dar suporte às pesquisas que visam

à estimativa/previsão da produtividade agrícola em escalas estadual e nacional.

2.9.6. Integração de Modelos de Produtividade em SIG

Uma das limitações dos modelos de produtividade é que estes são

desenvolvidos para aplicações pontuais, o que restringe a sua utilização a

locais onde os dados agrometeorológicos estão disponíveis (Hoogenboom,

2000). Entretanto, a estimativa da produtividade em escala municipal ou

estadual deve abranger, espacialmente, toda a área em estudo. Isto exige a

disponibilidade, bem como a espacialização e integração de uma grande

variedade de dados agrometeorológicos, só possível com o auxílio de técnicas

de geoprocessamento e análise espacial integradas aos SIGs (Hartkamp et al.,

1999).

Os modelos de produtividade agrícola integrados aos SIGs são constituídos por

vários planos de informação (PIs) que podem representar mapas de solo,

dados meteorológicos espacializados, modelos digitais de elevação ou

imagens de sensoriamento remoto (geralmente sob a forma de índice de

vegetação ou parâmetros biofísicos das plantas). Esses modelos podem ser

utilizados tanto em nível de lavoura, quanto em escalas regionais ou nacionais,

bastando definir a resolução espacial (escala) das variáveis de entrada.

Através de um programa desenvolvido em uma linguagem de programação

integrada (e.g. LEGAL/SPRING), que contenha as equações matemáticas

intrínsecas ao modelo, o SIG possibilita ao usuário promover a integração e a

análise espacial e temporal simultâneas entre os diferentes PIs (Hartkamp et

91

al., 1999), tendo como resultado a informação relativa à produtividade da

cultura em estudo. Essa informação pode ser armazenada em um banco de

dados geográfico e associada às informações referentes à área plantada,

resultando na estimativa da produção. Desta forma, uma vez desenvolvido um

modelo de estimativa de produtividade viável para uma determinada cultura e

local, basta fornecermos ao sistema os valores atualizados das variáveis de

entrada do modelo para a obtenção da estimativa da produtividade de um

determinado período.

Berka et al. (2003) utilizaram o modelo agrometeorológico proposto por

Doorenbos e Kassam (1979), implementado na linguagem de programação

LEGAL/SPRING, denominado AGROMET, para estimar a produtividade da

cultura da soja, em nível municipal e estadual, para cinco anos-safra no

período de 1996/97 a 2000/01, para o Estado do Paraná. Em adição aos dados

meteorológicos, os autores inseriram uma variável biofísica, representada por

valores de IAF, obtidos em experimento a campo. A análise dos resultados

apontou que o modelo agrometeorológico foi satisfatório na estimativa da

produtividade para os anos-safra de 1997/98 a 1999/00, pois a diferença

encontrada entre os valores estimados e os fornecidos pela Secretaria da

Agricultura e do Abastecimento do Paraná (SEAB) não foi estatisticamente

significativa. Os autores afirmam que a causa da superestimação da

produtividade em 17% para o ano-safra 1996/97 foi a ocorrência de uma

doença fúngica, cujo efeito não foi considerado pelo modelo. Os autores

reportam ainda que a subestimação da produtividade em 10,5% para o ano-

safra 2000/01 foi, possivelmente, devida à subestimação, por parte da SEAB,

do valor referente à área plantada com a cultura, de tal forma que eles supõem

que o valor da produtividade foi aumentado para ser condizente com o volume

da produção observado neste período.

Melo et al. (2003) adaptaram o modelo de produtividade ajustado por Berlato

(1987) para a estimativa da produtividade da soja no Rio Grande do Sul por

meio de um SIG. Para tal, os autores utilizaram dados meteorológicos e de

92

produtividade referentes ao período de 1982 a 2000 para o ajuste (excetuando

os anos de validação) e aos anos de 1982, 1985, 1990, 1991 e 1997 para a

validação do modelo. Em adição, os autores inseriram um termo espectral,

extraído de compostos de imagens NDVI/AVHRR, com resolução espacial de 9

x 9 km, para os meses de dezembro e janeiro. Os coeficientes de determinação

entre a produtividade observada e a estimada pelo modelo foram de 0,73 e

0,77, para os períodos de ajuste e validação, respectivamente. A incorporação

do termo espectral melhorou o desempenho das estimativas, sendo que os

coeficientes de determinação para os períodos de ajuste e validação foram de

0,91 e 0,88, respectivamente. Além de aumentar a acurácia das estimativas, a

utilização das imagens de satélite permitiu a geração de mapas com diferentes

níveis de produtividade de soja para toda a região em estudo.

Apesar dos resultados alcançados, tal metodologia requer uma longa série de

dados históricos (imagens de SR, dados meteorológicos e de produtividade)

para promover o ajuste do modelo de estimativa. Isto inviabiliza sua aplicação a

curto prazo em regiões como o Centro-Oeste brasileiro, onde a exploração da

atividade agrícola é relativamente recente e a disponibilidade de dados

meteorológicos históricos é pequena.

93

CAPÍTULO 3

MATERIAL E MÉTODOS

3.1. Ferramentas Computacionais As diferentes etapas do projeto foram realizadas em um microcomputador

padrão PC, com configurações de hardware e sistema operacional

especificadas para atender as necessidades do referido projeto. O aplicativo

computacional que deu suporte às análises foi o SPRING/INPE 3.6.03, no qual

foram executadas as etapas relativas ao processamento digital das imagens e

ao processamento geográfico dos dados.

O modelo de produtividade AGROMET, primeiramente desenvolvido em

linguagem LEGAL por Sugawara (2002), foi integrado ao SPRING pela Divisão

de Processamento de Imagens (DPI) do INPE como uma interface gráfica

(Figura 3.1), estando provisoriamente disponível somente numa versão de

distribuição interna (SPRING 3.7), utilizada na execução do modelo.

FIGURA 3.1 - Interface do Modelo AGROMET.

94

As imagens e produtos oriundos do sensor MODIS são disponibilizados no

portal de dados do EOS no formato Hierarchical Data Format (HDF) e foram

reprojetadas para o formato Georeferenced Tag Image File Format (Geo-TIFF),

através do software Modis Reprojection Tool 3.1, desenvolvido pelo EOS

especificamente para este fim. Por serem disponibilizadas em 16 bits e,

portanto, incompatíveis com o SPRING, as imagens MODIS foram convertidas

para 8 bits, utilizando-se o software ConvGeotiff 1.0, desenvolvido pelo INPE.

3.2. Criação do Banco de Dados Geográfico Um banco de dados georreferenciado abrangendo os limites geodésicos da

área de estudo foi criado, onde foram armazenados todos os dados referentes

ao projeto. Esses dados representam tanto geo-campos e geo-objetos,

referentes às imagens de sensoriamento remoto, dados agrometeorológicos e

mapas base para georreferenciamento, quanto dados tabulares relacionados

aos geo-objetos, que envolvem dados de produtividade, área plantada e

produção de soja, em nível municipal.

As imagens Landsat utilizadas na estimativa da área plantada foram inseridas

no banco de dados através do módulo de importação do SPRING. O processo

de importação engloba, também, o registro das imagens. Nesse processo, foi

utilizado como base cartográfica um mapa cadastral georreferenciado contendo

os limites políticos municipais correspondentes ao ano de 2001, adquirido junto

à Fundação Estadual de Proteção Ambiental do Rio Grande do Sul

(FEPAM/RS). Devido à alta qualidade geométrica, as imagens MODIS foram

importadas sem a necessidade de georreferenciamento adicional.

Os dados coletados pelas estações meteorológicas representam amostras

pontuais e foram inseridos através do formato American Standard Code for

Information Interchange (ASCII). Os demais dados agrometeorológicos (mapas

de altitude e de capacidade de armazenamento de água dos solos)

necessários foram importados em um formato compatível ao modelo

AGROMET.

95

Os dados oficiais fornecidos pelo IBGE (área plantada, produtividade e

produção de soja, em nível municipal) estão disponíveis na web page da

EMATER/RS (Empresa de Assistência Técnica e Extensão Rural do Rio

Grande do Sul) (www.emater.tche.br) e foram importados no formato de dados

tabulares relacionados ao mapa cadastral dos municípios que estão

englobados pela área de estudo.

3.3. Área de Estudo A área de estudo está localizada entre as latitudes S 27o 03’ e S 30o 13’ e as

longitudes W 50o 40’ e W 56o 20’, abrangendo 322 municípios (117.628 km2),

os quais correspondem a mais de 90% da área plantada com soja no Rio

Grande do Sul (Figura 3.2). A agricultura é tecnificada, apesar das áreas

dotadas de irrigação artificial pelo sistema pivô central serem muito reduzidas.

É comum a prática de dois ciclos agrícolas por ano. Na estação de verão a

principal espécie cultivada é a soja, com um pequeno destaque para o milho,

utilizado em rotação com a soja para viabilizar a implantação do sistema plantio

direto na palha. No período de inverno enfatizam-se as culturas do trigo, aveia

e cevada. Existem, ainda, áreas de pecuária extensiva sob pastagem natural

(campo nativo), que vêm sendo substituídas pelo cultivo da soja. Os extremos

oeste e sul são também caracterizados pela presença de áreas de arroz

irrigado.

96

FIGURA 3.2 - Área de Estudo e a Respectiva Localização Geográfica.

97

3.3.1. Características Agroclimáticas

Pelo sistema internacional de classificação climática de Köeppen, o clima do

Rio Grande do Sul pertence à zona fundamental temperada (C), tipo

fundamental úmido (Cf), com duas variedades específicas: subtropical (Cfa) e

temperado (Cfb). A maior parte da área de estudo enquadra-se na variedade

Cfa, onde a temperatura média do mês mais quente é superior a 22,0 ºC. Uma

pequena parte (extremo Nordeste) é classificada como pertencente ao clima

Cfb, com temperatura média do mês mais quente inferior a 22,0 ºC.

A temperatura média anual oscila entre 14,0 e 20,0ºC, sendo que a do mês

mais quente (janeiro) varia entre 18,0 e 26,5ºC e a do mês mais frio (julho)

varia entre 9,5 e 15,8ºC. Os totais anuais médios de precipitação pluvial

situam-se entre 1.100 e 2.500 mm (Mota, 1951; Cunha et al., 2001). Apesar de

ser bem distribuída ao longo do ano (verão 24%, outono 25%, inverno 25% e

primavera 26%), em virtude da maior demanda evaporativa da atmosfera no

verão, a precipitação pluvial normal neste período é, em geral, insuficiente para

atender as necessidades hídricas das culturas (Berlato, 1992).

A duração do brilho solar varia entre 2.200 e 2.500 horas por ano e a umidade

relativa do ar oscila entre 75 e 85% (Cunha et al., 2001). As classes de solos

predominantes na região são: Chernossolos, Latossolos, Neossolos,

Argissolos, Nitossolos, Cambissolos, Alissolos, Planossolos e Luvissolos

(Brasil, 1973), segundo a nova classificação brasileira (Prado, 2001).

Para facilitar a compreensão da metodologia, a Figura 3.3 exibe um fluxograma

das principais etapas que envolveram o trabalho.

98

FIGURA 3.3 - Fluxograma das Principais Etapas que Envolveram a

Metodologia do Trabalho.

3.4. Estimativa da Área Plantada

3.4.1. Estimativa Via Mapeamento das Imagens Landsat - Ano-safra 2000/01

A estimativa da área plantada foi realizada para o ano-safra 2000/01 através da

classificação automática e visual de imagens adquiridas pelos sensores TM e

ETM+. A classificação automática seguiu a metodologia de uma classificação

não-supervisionada (ISOSEG) descrita no Item 2.6.2.2. Para cada órbita/ponto

foram utilizadas imagens adquiridas em dois períodos distintos ao longo do

ciclo da cultura. As datas de obtenção das imagens foram selecionadas

levando em consideração o período de melhor separabilidade espectral da

99

cultura da soja em relação aos demais alvos (final de janeiro a meados de

março), bem como a ausência de cobertura de nuvens (Tabela 3.1).

TABELA 3.1 - Imagens Landsat Utilizadas na Estimativa de Área Plantada com Soja no Ano-safra 2000/01.

Órbita/ponto (deslocamento)

221/80 (4” N)

222/79 (3” S)

222/80 (3” S)

223/79 (2” S)

223/80 (2” S)

224/79 (5” S)

Classificação automática e Interpretação

visual

10-02-01** 05-03-01** 05-03-01** 04-03-01* 04-03-01* 03-03-01**

Interpretação visual 14-03-01* 25-02-01* 08-02-01** 08-02-01** 08-02-01** 07-02-01**

* Sensor TM ** Sensor ETM+ A classificação automática teve por base as imagens adquiridas em meados de

março (com exceção da órbita/ponto 221/80), por apresentarem a melhor

qualidade em relação ao problema de cobertura de nuvens. A primeira fase

envolveu o processo de segmentação. Para tanto, foi utilizado um algoritmo,

denominado crescimento de regiões (Item, 2.6.2.2.1), com limiares de área e

similaridade definidos em 64 pixels (≅ 4 ha) e sete níveis de cinza,

respectivamente. Para diminuir o tempo computacional exigido pelo grande

volume de dados, optou-se por utilizar apenas a banda 4 no processo de

segmentação, por ser a que possibilitou a melhor discriminação das áreas com

soja. Após a segmentação, foi realizada a extração das regiões utilizando-se as

bandas 3, 4 e 5 dos referidos sensores.

Posteriormente, as imagens foram classificadas através do algoritmo ISOSEG

(Item 2.6.2.2), com limiar de aceitação de 75%, que agrupou as regiões em

classes espectrais homogêneas. As diferentes classes espectrais foram

superpostas às imagens Landsat e analisadas individualmente, sendo então

associadas às classes temáticas de uso do solo, as quais se resumiram a soja

100

e não-soja. Como resultado, obteve-se um PI temático contendo apenas essas

duas classes.

Como os erros de omissão e inclusão são inerentes a uma classificação

baseada somente em um algoritmo computacional, fez-se necessário realizar a

interpretação visual (Item 2.6.2.4) como complemento à classificação

automática. Para aumentar a exatidão da classificação, esta fase do projeto

tomou por base as imagens adquiridas em ambos períodos (fevereiro e março).

Neste caso, o PI contendo as classes temáticas foi superposto às imagens

Landsat, sendo as duas classes temáticas criteriosamente analisadas, ora

sobre as imagens adquiridas em fevereiro, ora sobre as adquiridas em março.

As áreas erroneamente classificadas pelo ISOSEG foram então alteradas para

a classe temática correta.

O critério para definir uma área da imagem como pertencente a um

determinado tema de uso do solo é particularmente importante na interpretação

visual, pois irá definir se as classes temáticas resultantes irão representar a

realidade existente no campo. No presente estudo, o critério utilizado foi

apenas a análise visual das imagens, pelo fato da soja possuir boa

separabilidade espectral dos demais usos do solo presentes na região. Outra

característica da cultura na região em estudo é a relativa rigidez do calendário

agrícola. A semeadura da soja tem início no final de outubro, findando em

meados de dezembro. Isto faz com que no período compreendido entre final de

janeiro e início de março, a cultura esteja em pleno desenvolvimento vegetativo

ou reprodutivo, permitindo uma satisfatória identificação visual das áreas

cultivadas através das imagens utilizadas.

Como resultado, obteve-se um plano de informação (PI) para o mapa temático

contendo apenas duas classes, sejam elas, áreas com soja e áreas sem soja.

Através do cruzamento deste mapa com o PI cadastral contendo os limites

políticos municipais, calculou-se a área plantada com a cultura em cada um

dos 322 municípios, esta informação foi armazenada de forma tabular no banco

de dados.

101

A análise preliminar desta informação, bem como do mapa temático

classificado permitiu inferir sobre algumas características inerentes à área de

estudo. Uma pequena parcela de municípios (região central) agrupa a maior

parte dos talhões cultivados com soja. A concentração dos talhões de soja

diminui gradativamente à medida que se avança em direção à região mais

externa da área em estudo, a qual é formada por municípios onde a cultura

possui pouca expressão. Em função disso, optou-se por estratificar a área de

estudo (tanto a informação temática, quanto a tabular) considerando-se a

porcentagem de área plantada com soja em cada município, em relação à sua

área total. Para tanto, os limiares estabelecidos para a definição dos estratos

foram: 0-20% (estrato 1), 20-40% (estrato 2) e 40-67% (sendo 67% o limite

superior) (estrato 3). A estratificação visou estabelecer a exatidão da estimativa

de área plantada feita pelo levantamento subjetivo do IBGE, em relação à

porcentagem de área ocupada pela cultura no município. Deste modo,

determinou-se quão precisa foi a estimativa do IBGE para cada estrato.

3.4.2. Estimativa Via Método de Amostragem por Segmentos das Imagens Landsat - Ano-safra 2000/01

Nesta fase do projeto, objetivou-se avaliar o método de amostragem por

segmentos, proposto por Adami (2003), para a estimativa de área plantada

com soja no Rio Grande do Sul, em nível estadual. Assim sendo, o mapa

temático contendo a classificação das imagens Landsat foi dividido em

segmentos regulares de 1 x 1 km (unidades amostrais), os quais respeitaram

os limites geodésicos dos estratos citados no Item anterior, uma vez que o

método proposto sugere uma estratificação visando reduzir o número de

segmentos a serem amostrados. Sendo assim, obtiveram-se 111.628

segmentos, distribuídos em: 60.917 no estrato 1; 22.542 no estrato 2; e 28.169

no estrato 3.

102

Posteriormente, determinou-se o tamanho amostral necessário para gerar uma

estimativa com intervalo de confiança de 95%, com um erro amostral de 5%, de

acordo com a Equação 3.1, baseada em Cochran (1977).

2

22/ )(E

pqzn α= (3.1)

Onde:

n = número total de segmentos a serem amostrados;

z = distribuição normal padronizada;

α = nível de significância;

p = percentual da área cultivada com soja;

q = percentual da área utilizada para outros fins;

E = erro esperado para a estimativa.

O número amostral em cada estrato (subamostras), determinado pela Equação

3.2 (Cochran, 1977), é dado por:

n

pNqp

N

pNqp

Nn

L

hh

hhh

hh

hhh

h

∑=

)1/(

1/ (3.2)

onde:

hn = número amostral, em cada estrato;

hN = número total de segmentos no estrato;

hp = percentual da área do estrato cultivado com soja;

hq = percentual da área do estrato utilizado para outros fins;

103

L = número de estratos.

n = número total de segmentos a serem amostrados (Equação 3.1);

Deste modo, foram determinadas 26 subamostras para o estrato 1, 74

subamostras para o estrato 2 e 165 subamostras para o estrato 3, totalizando

265 amostras. Como o presente trabalho visa desenvolver uma metodologia

operacional para estimativa de área plantada, onde se busca minimizar o

trabalho em campo sem, entretanto, comprometer a precisão da estimativa,

optou-se por testar um número menor de subamostras em cada estrato, o qual

foi reduzido em 50 e 75%. Decidiu-se, também, duplicar o número amostral,

obtendo-se, assim, 4 conjuntos amostrais, de acordo com a Tabela 3.2.

TABELA 3.2 - Número de Subamostras Distribuídas por Estrato em Cada Conjunto Amostral.

CONJUNTO AMOSTRAL 1 2 3 4

ESTRATOS (NO DE MUNICÍPIOS) NÚMERO DE SUBAMOSTRAS (SUBAMOSTRAS/MUNICÍPIO)

ESTRATO 1 - 0-20% (176) 7 (0,04) 13 (0,07) 26 (0,15) 52 (0,30)

ESTRATO 2 - 20-40% (75) 18 (0,24) 37 (0,49) 74 (0,99) 148 (1,97)

ESTRATO 3 - 40-67% (71) 42 (0,59) 83 (1,17) 165 (2,32) 330 (4,65)

TOTAL 67 (0,21) 133 (0,41) 265 (0,82) 530 (1,65)

QUANTIDADE DE SEGMENTOS AMOSTRADOS 0,06% 0,12% 0,24% 0,48%

Para efeito de verificação do método, realizaram-se 100 sorteios aleatórios,

para cada conjunto amostral, visando obter a estimativa da área plantada com

soja em cada sorteio, totalizando 400 sorteios. Por exemplo, para o conjunto

amostral 1 foram escolhidos aleatoriamente 7 segmentos no estrato 1, 18

segmentos no estrato 2 e 42 segmentos no estrato 3, perfazendo 67

segmentos de um total de 111.628 (procedimento efetuado 100 vezes). A

Z

104

estimativa da área plantada foi realizada através do método de expansão

direta, na qual a área total estimada da cultura ( Z^

) é obtida pela Equação 3.3

(Cochran, 1977):

∑=

∑=

=in

k kizm

i ieZ1 ,1

^ (3.3)

A variância estimada é:

inis

iniNiNm

iZv

2)(

1)

^( −∑

== (3.4)

onde:

2is = variância estimada no estrato i;

i = índice para representar o estrato; i = 1, ...,m;

k = índice para representar o segmento escolhido; k = 1,..., ni;

m = número de estratos;

ni = número de segmentos escolhidos no i-ésimo estrato;

Ni = número total de segmentos no i-ésimo estrato;

ei = (ni/Ni)-1, fator de expansão ou inverso da probabilidade de que um

segmento tem de estar na amostra escolhida no i-ésimo estrato;

zi,k = valor da característica desejada, no k-ésimo segmento, no i-ésimo

estrato;

O Coeficiente de Variação (CV) estimado é dado pela Equação 3.5:

CV =

Z

Zv^

)^

( (3.5)

105

onde:

)^

(Zv = variância estimada da cultura, (eq. 3.4);

Z^

= área total estimada da cultura, (eq. 3.3);

3.4.3. Estimativa Via Método de Amostragem por Segmentos das Imagens Landsat - Ano-safra 2001/02

Para cada conjunto amostral foram determinados os 3 melhores sorteios, ou

seja, os 3 sorteios cujas amostras de segmentos retornaram as estimativas

mais próximas à obtida pelo mapeamento das imagens Landsat (Item 3.4.1),

totalizando 12 sorteios. Estes segmentos foram então sobrepostos às imagens

adquiridas durante o ano-safra 2001/02 (Tabela 3.3). Em cada segmento

escolhido realizou-se a interpretação visual utilizando-se os mesmos critérios

adotados no mapeamento das imagens do ano-safra 2000/01 (Item 3.4.1).

Neste caso, não foi executado o processo de classificação automática, pelo

fato de os segmentos amostrados representarem menos de 3% da área de

estudo. Em seguida à interpretação visual, calculou-se a área de soja em cada

segmento e, adotando-se a mesma metodologia descrita no Item 3.4.2, obteve-

se a estimativa da área plantada com a cultura, gerada a partir dos dados

obtidos em cada sorteio.

TABELA 3.3 - Imagens Landsat Utilizadas na Estimativa de Área Plantada com

a Cultura da Soja no Ano-safra 2001/02.

Órbita/ponto (deslocamento)

221/80 (4” N)

222/79 (3” S)

222/80 (3” S)

223/79 (2” S)

223/80 (2” S)

224/79 (5” S)

Interpretação visual

20-01-02*

09-03-02*

04-02-02**

08-03-02**

04-02-02**

08-03-02**

03-02-02*

15-03-02**

11-02-02**

15-03-02**

02-02-02**

26-02-02* * Sensor TM ** Sensor ETM+

106

Este procedimento foi adotado partindo do princípio que os segmentos contidos

nos 3 melhores sorteios de cada conjunto amostral sejam os que melhor

representem a população no ano-safra 2000/01 (pois foram os que retornaram

as estimativas mais próximas ao mapeamento). Soma-se a isto o fato de que a

área em estudo consiste de uma região particular, onde se adota a soja

praticamente sob um sistema de monocultura, cuja área e disposição dos

talhões pouco se alteram de uma safra para outra. Portanto, é de se esperar

que os sorteios que melhor representaram a população em determinada safra

possam retornar as estimativas mais exatas também na safra subseqüente.

3.5. Estimativa da Produtividade A estimativa da produtividade da cultura da soja foi realizada para os anos-

safra de 2000/01 a 2002/03. Para tal, foi utilizado o modelo agrometeorológico

AGROMET, proposto por Berka et al. (2003). Esse modelo foi desenvolvido

para a estimativa da produtividade de culturas agrícolas, particularmente a

soja, no Estado do Paraná e foi adaptado às condições agrometeorológicas do

Rio Grande do Sul. Todas as equações que envolvem o cálculo da

produtividade estão detalhadamente descritas em Doorembos e Kassam

(1979) e Sugawara (2002). Desta forma, este documento ficará restrito a relatar

os procedimentos que envolveram a sua adaptação à área de estudo, bem

como à introdução do termo espectral.

3.5.1. Definição das Variáveis Agrometeorológicas

Os elementos meteorológicos requeridos pelo modelo AGROMET para o

cálculo da produtividade são: temperatura média do ar (oC); velocidade do

vento a 2 metros de altura (km dia-1); umidade relativa do ar (%); insolação

(horas dia-1) e precipitação pluvial (mm dia-1). Estes dados foram coletados

pelas estações meteorológicas do Instituto Nacional de Meteorologia (INMET) e

da Fundação Estadual de Pesquisa Agropecuária do Rio Grande do Sul

(FEPAGRO/RS). A Tabela 3.4 relaciona as estações meteorológicas utilizadas

na estimativa da produtividade, cujas localizações espaciais podem ser

107

visualizadas na Figura 3.4. Nota-se que, além do reduzido número de estações

meteorológicas disponíveis, parte delas está localizada além dos limites físicos

da área de estudo. Contudo, acredita-se que a utilização destas possa fornecer

informações adicionais para a geração dos mapas interpolados. Ressalta-se

que nem sempre os dados das estações estavam disponíveis para todos os

anos-safra e para a totalidade dos elementos meteorológicos utilizados.

Entretanto, buscou-se utilizar a maior quantidade de dados meteorológicos

possível para cada estação, em cada quinzena.

TABELA 3.4 - Localização das Estações Meteorológicas Utilizadas na

Estimativa da Produtividade da Soja no Rio Grande do Sul.

Estação meteorológica Latitude (S) Longitude (W) Fonte de Dados Bom Jesus 28° 40´ 50° 26´ INMET Cachoeirinha 29° 57´ 51° 06´ FEPAGRO/RS Caxias do Sul 29° 10´ 51° 12´ INMET Cruz Alta 28° 38´ 53° 36´ INMET Encruzilhada do Sul 30° 32´ 52° 31´ INMET Erechim 27° 37´ 52° 16´ FEPAGRO/RS Farroupilha 29° 14´ 51° 26´ FEPAGRO/RS Ijuí 28° 23´ 53° 54´ INMET Iraí 27° 11´ 53° 14´ INMET Júlio de Castilhos 29° 13´ 53° 40´ FEPAGRO/RS Lagoa Vermelha 28° 25´ 51° 35´ INMET Passo Fundo 28° 15´ 52° 24´ INMET Porto Alegre 30° 01´ 51° 13´ INMET Quarai 30° 26´ 56° 27´ FEPAGRO/RS Santa Maria 29° 42´ 53° 42´ INMET Santa Rosa 27° 51´ 54° 25´ FEPAGRO/RS São Borja 28° 39´ 56° 00´ FEPAGRO/RS São Gabriel 30° 20´ 54° 14´ FEPAGRO/RS São Luiz Gonzaga 28° 23´ 54° 58´ INMET Taquari 29° 48´ 51° 49´ FEPAGRO/RS Uruguaiana 29° 45´ 57° 05´ INMET

108

FIGURA 3.4 - Distribuição Espacial das Estações Meteorológicas Utilizadas na Estimativa da Produtividade da Soja no Rio Grande do Sul.

A resolução espacial empregada no modelo foi de 1 x 1 km. Desta forma, todas

as variáveis são representadas por meio de uma grade regular (matriz) onde

cada ponto (pixel) corresponde a uma área de 1 x 1 km no terreno, sendo que

o modelo calcula a produtividade da soja para cada ponto. A escala temporal

utilizada foi quinzenal, ou seja, são calculadas produtividades parciais a cada

15 dias, desde a implantação da cultura até sua senescência. A produtividade

final é resultado do somatório das produtividades parciais. Em função disto, os

dados meteorológicos diários foram organizados em médias quinzenais, salvo

os dados referentes à precipitação pluvial, os quais foram somados

quinzenalmente. Após a importação, tais dados foram espacializados através

do algoritmo média ponderada por quadrante, recomendado quando as

amostras são do tipo ponto (INPE, 2003), pois a utilização de métodos

geoestatísticos incorreria em um acréscimo considerável no tempo de

execução da espacialização, dado o grande número de planos de informação

utilizados em cada estimativa.

109

São necessários, ainda, dados adicionais referentes à altitude e à capacidade

de armazenamento de água (CAD) dos solos da região. Para o dado de altitude

foi utilizado um modelo digital de elevação (DEM), com resolução espacial de 1

x 1 km, disponibilizado pelo Eros Data Center-USGS (www.usgs.gov). Para o

dado referente à CAD foi utilizado um mapa de classificação de solos (Brasil,

1973) previamente digitalizado, disponível em Kuhn, (2002). Neste caso, para

cada classe de solo foi atribuído um valor de CAD, adotando-se o critério

descrito na Tabela 3.5.

TABELA 3.5 - Capacidade de Armazenamento de Água (CAD) para as Diferentes Classes de Solo.

Classe pedológica do solo CAD (mm) Neossolo Quartzarênico, Neossolo Flúvico de textura arenosa, Planossolos

50

Latossolo Vermelho-Amarelo, Latossolo Vermelho (menos de 35% de argila), Neossolo Litólico, Chernossolos 70

Luvissolos, Argissolos, Nitossolos, Latossolos (exceto Latossolo Vermelho com menos de 35% de argila), Cambissolos e Neossolo Flúvico de textura média a argilosa.

100

FONTE: Adaptada de EMBRAPA (1999); Farias et al. (2000); Farias (2001).

3.5.2. Definição do Componente Espectral

Além das variáveis citadas anteriormente, o AGROMET requer a informação

referente ao IAF da cultura em cada quinzena. Neste caso, o modelo aceita a

entrada dos dados tanto sob a forma de parâmetros, quando um único valor é

utilizado para toda a área em estudo, quanto através de planos de informação,

quando cada ponto da grade regular (pixel) contém o valor correspondente ao

IAF da respectiva área do terreno. A segunda alternativa é a que possibilita a

inserção de parâmetros biofísicos de culturas extraídos das imagens de

sensoriamento remoto como componente espectral no modelo de estimativa da

produtividade.

110

A disponibilização por parte do EOS do produto IAF derivado das imagens

MODIS encorajou o uso desta variável no modelo AGROMET. Em função

disso, foram obtidas imagens compostas de IAF (MOD15A2 versão 4.0), desde

outubro de 2000 até abril de 2001. Entretanto, uma análise preliminar das

mesmas mostrou a existência de um erro na estimativa do IAF da soja. Apesar

de as imagens IAF retornarem valores aparentemente coerentes nas fases

inicial e final do ciclo da cultura, elas mostram valores inválidos no período de

pleno desenvolvimento (janeiro e fevereiro), conforme pode ser observado na

Figura 3.5.

FIGURA 3.5 - Imagens IAF do Sensor MODIS da 4a Semana de Fevereiro e 1a

Semana de Abril de 2001 e o Mapa Temático da Classificação das Imagens Landsat.

111

Em decorrência disto, optou-se pela utilização dos dados de índice de

vegetação como componente espectral do modelo. Assim, foram obtidos

compostos de imagens de 16 dias (composições) do sensor MODIS, sob a

forma dos índices de vegetação NDVI e EVI (MOD13Q1 versão 4.0), desde

outubro até abril, para os anos-safra de 2000/01 a 2002/03. Tais imagens

foram reamostradas para 1 x 1 km, visando compatibilizá-las à resolução

espacial empregada no AGROMET. Entretanto, a utilização de um termo

espectral no modelo de estimativa de produtividade compreendeu duas

questões que merecem destaque.

A primeira diz respeito à definição do IV a ser empregado, visto que se alguns

trabalhos e palestras oriundos de pesquisadores envolvidos diretamente no

desenvolvimento dos produtos MODIS apontavam para uma maior

sensibilidade às alterações da biomassa vegetal por parte do EVI em relação

ao NDVI (Huete et al., 1999, 2002; Huete, 2003), apesar de ainda serem

inexistentes os trabalhos relacionando tal índice às pesquisas agrícolas.

A segunda envolveu a definição do período mais adequado ao monitoramento

da soja pelo AGROMET. Conforme já mencionado, a época destinada à

implantação da cultura pode ocorrer desde a segunda quinzena de outubro até

meados de dezembro (embora o período preferencial seja novembro), sendo

que a colheita se estende de março ao início de maio. Em função disso, apesar

de o AGROMET promover o acompanhamento da cultura durante todo o ciclo

da soja, fez-se necessário adequá-lo às condições médias da região, em

relação à data de semeadura e colheita.

Tais questões puderam ser resolvidas determinando-se o perfil temporal dos

IVs sob as áreas de soja. Com isto, além de poder comparar o desempenho

dos dois índices, foi possível determinar o período mais adequado à utilização

do modelo AGROMET. Para tanto, as composições de imagens MODIS do

ano-safra 2000/01 foram associadas ao mapa temático referente à área

plantada com soja, visando determinar o perfil temporal dos índices de

vegetação (NDVI e EVI) para a média de toda a área de soja e dos demais

112

usos de solo, para toda a área em estudo. Neste caso, para serem compatíveis

à escala temporal do modelo AGROMET, os compostos de imagens de 16 dias

foram associados às quinzenas utilizadas na estimativa da produtividade, de

acordo com a Tabela 3.6.

TABELA 3.6 - Período Utilizado nas Composições de Imagens MODIS e as Quinzenas Correspondentes.

Composição Período utilizado na composição Quinzena considerada

1 15 de outubro a 30 de outubro Outubro 2

2 31 de outubro a 15 de novembro Novembro 1

3 16 de novembro a 01 de dezembro Novembro 2

4 02 de dezembro a 17 de dezembro Dezembro 1

5 18 de dezembro a 02 de janeiro Dezembro 2

6 01 de janeiro a 16 de janeiro Janeiro 1

7 17 de janeiro a 01 de fevereiro Janeiro 2

8 02 de fevereiro a 17 de fevereiro Fevereiro 1

9 18 de fevereiro a 05 de março Fevereiro 2

10 06 de março a 21 de março Março 1

11 22 de março a 06 de abril Março 2

12 07 de abril a 22 de abril Abril 1

Ainda assim, para ser utilizada no modelo AGROMET a informação espectral

deve, necessariamente, estar sob a forma de IAF. Para isso, as imagens de

índice de vegetação (IV) foram primeiramente transformadas em imagens

fração da cobertura do solo através do método proposto por Choudhury et al.

(1994), de acordo com a Equação 3.6:

Fc = 6,0

minmaxmax1

−−

−IVIV

IVIV (3.6)

onde,

Fc = fração do solo coberto pela cultura;

113

IVmax = valor máximo do IV da imagem; IVmin = valor mínimo do IV da imagem; IV = valor do IV de cada pixel da imagem.

O IAF é estimado pela Equação 3.7, seguindo a metodologia sugerida por

Norman et al. (2003).

IAF = -2ln(1-Fc) (3.7)

Neste caso, o modelo utiliza o IAF para o cálculo da produtividade através do

fator de compensação de crescimento (Fcc) (Equação 3.8) proposto por

Doorembos e Kassam (1979).

Fcc = 0,515-e(-0,664-(0,515*IAF) (3.8)

3.5.3. Parametrização do Modelo

De posse das variáveis de entrada (meteorológicas e agronômicas), o modelo

AGROMET exige a definição de alguns parâmetros específicos para cada

cultura agrícola. As relações desses parâmetros com a produtividade final

variam de acordo com o estádio de desenvolvimento das plantas e estão

detalhadamente descritas em Doorembos e Kassam (1979) e Sugawara

(2002).

O primeiro parâmetro a ser definido é o coeficiente de cultura (kc), que

expressa a relação entre a evapotranspiração máxima de uma cultura qualquer

e a evapotranspiração de referência, variando conforme o aumento da área

foliar e o estádio de desenvolvimento da cultura. Apesar de haver valores de kc

específicos para o Rio Grande do Sul, determinados em experimentos em

campo (Matzenauer et al., 2002), optou-se por utilizar valores baseados em

Doorembos e Kassan (1979), pois procura-se desenvolver um sistema de

114

estimativas passível de ser utilizado em nível nacional, sem a dependência de

parâmetros determinados localmente.

O segundo parâmetro, denominado fator de resposta à produtividade (ky), diz

respeito à resposta da vegetação à disponibilidade hídrica e relata a diminuição

relativa da produtividade em função da diminuição da evapotranspiração.

O último parâmetro é a profundidade do sistema radicular (D) da cultura, a qual

interfere na capacidade de aproveitamento da água disponível no solo e,

conseqüentemente, na produtividade final. A Tabela 3.7 descreve os valores

dos coeficientes utilizados na estimativa da produtividade da soja pelo

AGROMET.

TABELA 3.7 - Coeficiente de Cultura (kc), Fator de Resposta à Produtividade

(ky) e Profundidade do Sistema Radicular (D), Estimados para a Cultura da Soja e Utilizados no Modelo de Produtividade.

Quinzena kc ky D (m)

1 0,62 0,20 0,15

2 0,90 0,30 0,20

3 1,14 0,50 0,25

4 1,32 0,90 0,30

5 1,44 0,90 0,40

6 1,44 0,90 0,60

7 1,38 1,00 0,75

8 1,20 1,00 0,75

9 1,08 1,00 0,75

FONTE: Adaptada de Doorenbos e Kassam (1979, p. 25 e 39) para kc e ky e de UFSM (1996) para D.

Além dos parâmetros citados anteriormente, o fator de produtividade agrícola

(FPA) é o que mais tem influência no cálculo da produtividade final, apesar de

ser constante para todo o ciclo da cultura. O FPA está relacionado à

115

quantidade de matéria seca produzida pela planta que é contabilizada como

rendimento econômico. No caso da soja, são contabilizados apenas os grãos,

os quais correspondem entre 30 e 40% da planta. Como o AGROMET

determina a produtividade com base na matéria seca de toda a planta, o FPA é

multiplicado pelo valor da produtividade obtido em cada quinzena. Outra

característica própria ao FPA é que este é o principal fator utilizado na

parametrização do AGROMET (Item 2.9.3). No caso específico deste trabalho,

o FPA utilizado foi de 35,67%. Cabe lembrar que os valores de todos os

parâmetros utilizados permaneceram inalterados para os três anos-safra

estudados.

A parametrização do AGROMET envolveu, ainda, outro aspecto que merece

destaque. Para evitar que a subjetividade inerente aos dados oficiais tivesse

influência na parametrização do modelo, foram utilizados os dados referentes à

área plantada, estimados através da classificação das imagens Landsat, para

efetuar uma correção nos dados de produtividade oficiais fornecidos pelo

LSPA. Neste caso, supõe-se que para uma dada produção, erros na estimativa

da área plantada implicam diretamente em erros na estimativa da

produtividade. Desta forma, os dados de produtividade em nível estadual e

municipal foram recalculados aplicando-se um mesmo fator de correção,

definido a partir da diferença entre o valor de área plantada fornecido pelo

LSPA e o estimado pelo presente estudo, em nível estadual. Este processo foi

efetuado para o ano-safra 2000/01, sendo que para o ano 2001/02 foi utilizado

o valor do incremento encontrado através da estimativa de área pelo método

dos segmentos. Para o ano 2002/03 não foi efetuada a estimativa da área

plantada. Em função disso, adotou-se o incremento em relação ao ano-safra

2001/02, estimado pelo IBGE.

Após a parametrização do modelo, o cálculo da produtividade foi realizado para

os três anos-safra estudados. Cabe ressaltar que para o ano-safra 2002/03

foram utilizadas apenas as variáveis meteorológicas precipitação pluvial e

temperatura média do ar, disponíveis no portal AGRITEMPO

116

(www.agritempo.gov.br), além do IAF do referido ano. As demais variáveis

(umidade relativa do ar, insolação e velocidade do vento) não estavam

disponíveis e foram substituídas pelos dados referentes ao ano 2000/01, o qual

apresentou condições meteorológicas relativamente semelhantes.

3.5.4. Substituição da Variável Índice de Área Foliar

Objetivando avaliar a influência do termo espectral na estimativa da

produtividade, as imagens MODIS foram substituídas por valores de IAF de

soja obtidos por Fontana et al. (1992) através de um experimento a campo sem

irrigação. Neste caso, foi utilizado o mesmo valor de IAF para toda a área de

estudo, variando apenas de quinzena para quinzena, os quais estão descritos

na Tabela 3.8. As demais variáveis e parâmetros utilizados foram mantidos

inalterados, salvo o valor correspondente ao FPA, o qual foi definido em

30,02%. Posteriormente, realizou-se novamente o cálculo da produtividade

para os três anos-safra.

TABELA 3.8 - Índices de Área Foliar (IAF) Estimados para a Cultura da Soja,

Utilizados no Modelo de Produtividade.

Quinzena 1 2 3 4 5 6 7 8 9

IAF 0,11 0,77 2,20 3,30 5,50 6,90 5,50 3,85 1,10

FONTE: Adaptado de Fontana et al. (1992).

3.5.5. Cálculo da Produtividade em Nível Municipal e Estadual

Por fim, o cálculo da produtividade final retorna um PI contendo um valor para

cada ponto da grade regular, embora só alguns sejam representativos de áreas

com soja, já que toda a área de estudo é computada pelo modelo. Desta forma,

utilizou-se o PI temático de área plantada (classificação das imagens Landsat)

(Figura 4.7) para associar a variação espacial dos dados agrometeorológicos

às áreas de plantio de soja, de modo que somente as áreas com soja fossem

computadas no cálculo. Este mesmo PI foi utilizado para os 3 anos-safra, uma

117

vez que tais áreas pouco se alteram de uma safra para outra. Em seguida, a

produtividade média por município foi calculada através do mapa da divisão

política municipal. Neste procedimento, os municípios que o LSPA não

informou como sendo produtores de soja, assim como aqueles onde a cultura

não foi identificada através do mapeamento das imagens Landsat foram

descartados, restando 304 municípios. A média da produtividade em toda a

área em estudo foi calculada por meio de um mapa cadastral contendo seus

limites.

Através de um teste de comparação de pares de observação (teste t), os dados

de produtividade, em nível municipal, obtidos pelo modelo AGROMET foram

comparados estatisticamente aos fornecidos pelo LSPA e corrigidos em função

da área plantada. Para tanto, o dado de produtividade de cada município foi

ponderado pela sua percentagem de área plantada com soja, para evitar que

municípios pouco expressivos e de baixa produtividade, tivessem a mesma

influência na média das estimativas que municípios tradicionais no cultivo de

soja.

A produção da cultura da soja em nível estadual foi estimada pelo produto dos

valores referentes à área plantada e produtividade, estimados a partir do

presente trabalho.

3.5.6. Monitoramento Temporal da Soja

Além do cálculo da produtividade final, o modelo AGROMET gera PIs contendo

índices de penalização (IPs) e produtividades parciais calculados para cada

quinzena, através dos quais pode ser realizado o monitoramento da safra da

soja durante todo o ciclo fenológico da cultura, visualizando-se, de forma

espacial, a penalização ocorrida pelo déficit hídrico e a intensidade da perda na

produtividade em cada quinzena. O IP é calculado através da Equação 3.9:

118

IP =

−−

ETmETrky 11 (3.9)

onde, IP = Índice de Penalização;

ky = fator de resposta à produtividade (Tabela 3.7);

ETr = evapotranspiração atual;

ETm = evapotranspiração máxima.

Para calcular a média do IP e da produtividade parcial para toda a área de

estudo, em cada quinzena, utilizou-se a mesma metodologia descrita no Item

3.5.5.

119

CAPÍTULO 4

RESULTADOS E DISCUSSÃO

4.1. Estimativa de Área Plantada

4.1.1. Estimativa Via Mapeamento das Imagens Landsat - Ano-safra 2000/01

4.1.1.1. Mapeamento das Imagens Landsat

O mapeamento das áreas de soja através da classificação das imagens

Landsat envolveu diferentes etapas e os resultados alcançados devem ser

considerados individualmente. Quanto à segmentação das imagens, o

algoritmo empregado, os limiares estabelecidos e a banda utilizada mostraram-

se eficientes na demarcação dos limites dos talhões agrícolas e dos demais

alvos presentes na cena. Uma vez que até mesmo áreas de tamanho reduzido

(~ 4 ha) foram delimitadas de maneira aceitável para o estudo realizado.

Com relação ao algoritmo ISOSEG, este foi satisfatório na identificação dos

talhões onde a soja estava plenamente desenvolvida, muito embora existissem

algumas áreas onde a cultura foi confundida com outros alvos. Os erros por

omissão e inclusão ocorridos por ocasião da classificação automática para a

classe soja estão destacados (círculos vermelhos) nas Figuras 4.1 e 4.2,

respectivamente. Nota-se na Figura 4.1 que áreas visivelmente representadas

por talhões de soja não foram corretamente classificadas pelo ISOSEG. Essas

áreas geralmente representam pequenos talhões ou bordas de talhões

maiores, que foram omitidas pelo fato de sua resposta espectral diferir

ligeiramente de áreas onde a cultura está bem caracterizada. Da mesma forma,

o algoritmo classificou como áreas de soja regiões pertencentes a outros usos

de solo, como corpos d´agua, mata, solo exposto e outras culturas (Figura 4.2).

120

FIGURA 4.1 - Classe Temática Soja (Verde) Sobreposta à Imagem Landsat, Composição Colorida RGB453 e os Erros da Classificação por Omissão.

FIGURA 4.2 - Classe Temática Não-soja (azul) Sobreposta à Imagem Landsat,

Composição Colorida RGB453 e os Erros da Classificação por Inclusão.

121

Apesar dos erros observados por ocasião da classificação automática, estes

puderam ser corrigidos através da interpretação visual, dada a facilidade de

identificação das áreas com soja pelo intérprete. Na Figura 4.3, visualiza-se

uma porção de uma imagem Landsat onde as áreas com soja estão

representadas pela coloração amarelada. Percebe-se a facilidade na

identificação visual dessas áreas, função da diferença do comportamento

espectral da cultura em relação aos demais alvos presentes na cena.

FIGURA 4.3 - Imagem Landsat, Composição Colorida RGB453, Adquirida em 04-03-2001, Onde se Evidenciam as Áreas com Soja.

A facilidade na diferenciação visual das áreas com soja deve-se a algumas

características intrínsecas à cultura e à própria área em estudo. As condições

edáficas da região permitem o cultivo das mais variadas espécies de ciclo

anual. Entretanto, fatores de ordem climática e de mercado fazem com que a

área cultivada com soja tenha amplo destaque entre as demais. Conforme já

mencionado, além da soja, a única cultura que merece destaque na região em

122

questão é o milho. Contudo, a diferença entre a resposta espectral, função da

estrutura interna do dossel (Item 2.4.1.), aliada às diferenças no calendário

agrícola, permite diferenciar estas duas culturas nas imagens Landsat. A Figura

4.4 demonstra o comportamento espectral das culturas soja e milho para as

bandas 3, 4 e 5 do sensor ETM+, adquirida em 08-02-2001, nas quais foi

aplicado o contraste linear.

0

50

100

150

200

250

300

3 4 5Bandas

Nív

el d

e ci

nza

SojaMilho

FIGURA 4.4 - Comportamento Espectral das Culturas Soja (1) e Milho (2) na Imagem, Composição Colorida RGB453, de 08-02-2001.

Apesar da evidente caracterização das áreas cultivadas com soja nas imagens

Landsat, foram observados erros na classificação digital em determinados

talhões. Daí a necessidade de se utilizar pelo menos duas imagens de épocas

diferentes, pois as lavouras plantadas tardiamente ainda não alcançam o pleno

desenvolvimento quando da aquisição da primeira data da imagem, mas ficam

bem evidentes na segunda data de aquisição da imagem. Por outro lado, as

lavouras plantadas precocemente só ficam bem caracterizadas na primeira

data das imagens, pois já estão senescendo no momento da aquisição da

segunda imagem. É importante salientar que a classificação automática foi

realizada utilizando-se apenas uma data, portanto, é de se esperar que

ocorram erros na classificação.

1

2

1

2

123

A título de exemplo pode-se avaliar a Figura 4.5, a qual mostra áreas cultivadas

com soja em duas imagens Landsat adquiridas em datas distintas. Percebe-se,

nitidamente, que a área 1 seria corretamente classificada como pertencente à

classe soja se fossem utilizadas quaisquer imagens individualmente, pois tanto

na imagem a, quanto na imagem b essa área é formada por plantas

plenamente desenvolvidas, o que favorece sua identificação nas imagens

Landsat. Esta condição foi verificada na maioria das áreas presentes nas

imagens analisadas. Apesar disso, um estudo baseado somente na imagem

adquirida em 04-03-01 (Figura 4.5b) definiria a área 2 como pertencente à

classe não-soja. No entanto, na imagem de 08-02-01 (Figura 4.5a) esta área é

facilmente identificada, pois a soja está plenamente desenvolvida. Em

contrapartida, se fosse utilizada somente a imagem a, a área 3 seria definida

como não-soja e somente seria corretamente classificada com a utilização da

imagem b. Da mesma forma, na Figura 4.6 a delimitação correta do talhão 1 só

seria possível pela análise conjunta das imagens adquiridas em ambas as

datas. Ainda que pouco freqüentes, casos desta natureza foram observados de

maneira equivalente em ambas as datas analisadas durante a interpretação

visual.

FIGURA 4.5 - Composição Colorida RGB453 de Áreas com Soja em Imagens Adquiridas em: a) 08-02-2001 e b) 04-03-2001.

2

3

23

a b

1 1

85 ha

124

FIGURA 4.6 - Composição Colorida RGB453 de Áreas com Soja em Imagens Adquiridas em: a) 08-02-2001 e b) 04-03-2001.

A abordagem multitemporal e multiespectral facilitou a interpretação visual,

uma vez que o comportamento espectro-temporal típico da soja ficou bem

caracterizado em pelo menos uma das imagens. Isto permitiu a correta

identificação e delimitação das lavouras de soja durante a interpretação visual

a fim de corrigir os erros provenientes da classificação automática e gerar um

mapa temático da soja muito próximo da realidade.

A necessidade de mais de uma imagem em períodos específicos de aquisição

ao longo do ciclo da cultura, aliado ao já comentado problema relacionado à

cobertura de nuvens, reforça a importância da alta resolução temporal dos

satélites de sensoriamento remoto para viabilizar a utilização destas imagens

em um sistema rotineiro de levantamento de safras agrícolas.

4.1.1.2. Estimativa da Área Plantada por Município - Ano-Safra 2000/01

Dada a forma como foi conduzido o mapeamento das áreas com soja, mostrou-

se que o mesmo proporciona informações muito próximas à realidade. Além

disso, acredita-se que a resolução espacial das imagens Landsat permita a

medição das áreas identificadas com uma precisão satisfatória para uma

estimativa desta natureza. Assim, a título de discussão dos resultados, os

valores de área plantada com soja por município, obtidos através da

a b

200 ha

125

classificação das imagens Landsat, foram considerados como dado de

referência. Além disso, pelo fato de o estudo abranger mais de 90% da área

cultivada com soja no Rio Grande do Sul, os dados referentes ao somatório

dos 322 municípios analisados foram aqui denominados de nível estadual.

A Figura 4.7 apresenta o mapa temático da classificação das imagens Landsat

contendo as classes soja e não-soja e o mapa da divisão política dos

municípios compreendidos pelo estudo.

FIGURA 4.7 - Mapa Temático Referente ao Mapeamento das Áreas com Soja (ano-safra 2001) e a Divisão Política Municipal.

A Tabela 4.1 apresenta a área de soja obtida através da classificação das

imagens Landsat em comparação à obtida pelo LSPA, para alguns municípios

analisados e comentados no texto, bem como para o total da área em estudo.

A Tabela completa com os 322 municípios estudados encontra-se descrita no

Apêndice A.

Soja

Não soja

126

TABELA 4.1 - Área Plantada com a Cultura da Soja Fornecida pelo LSPA em

Comparação à Obtida Através da Classificação das Imagens Landsat para o Ano-safra 2000/01.

Área plantada (ha) Município LSPA Landsat (a) LSPA -

Landsat (b)

Diferença Relativa (%)

(bx100)/a

Carlos Gomes 1.800 194 1.606 827,8 Colorado 15.100 15.055 45 0,3 Giruá 56.500 47.239 9.261 19,6 Ijuí 42.200 32.257 9.943 30,8 Jóia 55.000 58.341 -3.341 -5,7 Júlio de Castilhos 50.000 60.315 -10.315 -17,1 Palmitinho 1.200 117 1.083 925,6 Santa Cruz do Sul 900 14 886 6328,6 São Miguel das Missões 40.500 40.912 -412 -1,0 São Martinho da Serra 7.500 7.549 -49 -0,6 Selbach 9.500 9.582 -82 -0,9 Soledade 6.400 11.637 -5.237 -45,0

Nível estadual 2.773.498 2.492.880 280.618 11,3

Em nível municipal, os resultados encontrados apontam grandes discrepâncias

entre as estimativas obtidas pelo presente estudo e as fornecidas pelo LSPA.

Na maioria dos municípios analisados (240 dos 322) o levantamento oficial

superestimou os valores de área plantada em relação aos obtidos pela

classificação das imagens Landsat.

As diferenças relativas mais acentuadas foram encontradas principalmente nos

municípios pertencentes ao estrato 1. Por exemplo, no município de Palmitinho,

observou-se uma diferença de 1.083 ha a menos para a estimativa do Landsat,

ou seja, o LSPA superestimou a área plantada em 9,2 vezes. Em Carlos

Gomes, a área plantada estimada pelo LSPA foi 1.606 ha maior que a

estimada pelo Landsat, uma superestimativa de 8,2 vezes. Em alguns casos, a

diferença relativa entre as duas estimativas é extremamente pronunciada,

127

como em Santa Cruz do Sul, onde a estimativa do LSPA (900 ha) superou a do

Landsat (14 ha) 63 vezes. Apesar das discrepâncias encontradas não

representarem grandes diferenças em termos absolutos ao avaliarmos os

municípios individualmente, estas promoveram considerável efeito na análise

conjunta dos 158 municípios pertencentes ao estrato 1.

Em contrapartida, em municípios onde a área plantada com soja é mais

expressiva (estratos 2 e 3), apesar de as diferenças relativas serem

consideravelmente menores, observou-se diferenças absolutas muito

pronunciadas. Por exemplo, em Júlio de Castilhos, a diferença entre Landsat

(60.315 ha) e LSPA (50.000 ha) foi de 10.315 ha, equivalendo a 17%. No

município de Jóia, a estimativa do Landsat (58.341 ha) foi 3.341 ha maior em

relação ao LSPA (55.000 ha). Em Giruá, observou-se uma diferença de 9.261

ha a menos para a estimativa do Landsat (47.239 ha) em relação ao LSPA

(56.500 ha), o que representa 19,6%. Em Soledade, a estimativa do LSPA

(6.400 ha) foi 45% menor à obtida pelo Landsat (11.637 ha). No município de

Ijuí, a estimativa do LSPA (42.200 ha) superou a do Landsat (32.257 ha) em

9.943 ha (30,8%). Ainda assim, houve municípios onde a diferença na

estimativa de área plantada, tanto em termos percentuais, quanto em números

absolutos, foi muito reduzida, vide Tabela 4.1 para os municípios de Colorado,

São Miguel das Missões, São Martinho da Serra e Selbach. Apesar da

dimensão das diferenças absolutas observadas, a análise dos estratos 2 e 3

mostrou uma diminuição na superestimativa por parte do LSPA em termos

percentuais em relação ao estrato 1 (Tabela 4.2).

128

TABELA 4.2 - Área Plantada com a Cultura da Soja Fornecida pelo LSPA em Comparação à Obtida Através da Classificação das Iimagens Landsat, para os Diferentes Estratos, no Ano-safra 2000/01.

Área plantada (ha) Estrato (no municípios)

LSPA Landsat (a) LSPA - Landsat

(b)


(bx100)/a

1 (176) 476.605 375.247 (15%) 101.358 27,0

2 (75) 826.828 695.154 (28%) 131.647 18,9

3 (71) 1.470.065 1.422.479 (57%) 47.586 3,3

Total (322) 2.773.498 2.492.880 (100%) 280.618 11,3

As discrepâncias encontradas em nível municipal convergem para o fato de

que o LSPA é mais eficiente na estimativa da área plantada em regiões

tradicionais de cultivo da soja. Isto ficou evidenciado quando analisada a

magnitude dos erros percentuais e absolutos nos diferentes estratos (Tabela

4.2). No estrato 1 a superestimativa do LSPA em relação ao Landsat foi de

27% (101.358 ha). Apesar de representar 55% da área de estudo, este estrato

contém somente 15% da área de soja. No estrato 2 está concentrada 28% da

área de soja, a qual corresponde a 20% da área em estudo. Neste caso, a

superestimativa do LSPA foi de 18,9% (131.647 ha). Já o estrato 3, apesar de

corresponder a somente 25% da área em estudo, concentra 57% da área

destinada ao cultivo de soja na região estudada. Neste estrato, a

superestimativa por parte do LSPA foi de 47.586 ha, correspondendo a apenas

3,4%. Em nível estadual, foi observado que a estimativa oficial, fornecida pelo

LSPA, foi superestimada em 280.618 ha (11,3%).

Ainda que as diferenças absolutas sejam marcantes em nível municipal, existe

um ligeiro equilíbrio quando são considerados vários municípios em uma

mesma região. Em outras palavras, a superestimativa da área plantada em

determinados municípios é compensada, em parte, pela subestimativa em

outros municípios. Este efeito é perceptível ao analisarmos a Figura 4.8, onde

são apresentadas, espacialmente, as diferenças absolutas entre as estimativas

129

do Landsat e do LSPA. Nota-se que na maioria dos municípios ocorreu uma

superestimativa por parte do LSPA (tonalidades avermelhadas), ainda que

houvesse regiões onde o valor da área plantada fornecido pelo LSPA foi

superado pela estimativa do Landsat (áreas em verde). As áreas onde a

diferença entre as estimativas foi muito reduzida (regiões em branco), em sua

maioria são representadas por municípios onde o plantio de soja é

praticamente inexistente.

FIGURA 4.8 - Diferença (ha), em Nível Municipal, Entre a Estimativa de Área Plantada Obtida pela Classificação das Imagens Landsat e a Estimativa Oficial Fornecida pelo LSPA no Ano-safra 2000/01.

130

4.1.2. Estimativa Via Método de Amostragem por Segmentos das Imagens Landsat - Ano-safra 2000/01.

A estratificação do mapa temático da soja correspondente à classificação das

imagens Landsat referente ao ano-safra 2000/01 (Figura 4.7) separou a área

de estudo em 3 regiões, conforme apresentado na Figura 4.9.

FIGURA 4.9 - Estratos Correspondentes à Porcentagem de Área Plantada com Soja por Município no Ano-safra 2000/01.

A Figura 4.10 ilustra uma porção da área de estudo dividida em segmentos

regulares de 1 x 1 km, a qual está representada pelos três estratos. As áreas

vermelhas com formato irregular representam os talhões de soja.

131

Unidade amostral (1 x 1 km) Talhões de soja

FIGURA 4.10 - Divisão de Parte da Área de Estudo em Segmentos Regulares de 1 x 1 km (Unidades Amostrais).

A Figura 4.11 mostra o resultado da estratificação da área de estudo e um

exemplo de um sorteio com 530 amostras, representado pelos pontos escuros.

132

FIGURA 4.11 - Estratos Correspondentes à Porcentagem de Área Plantada com Soja em Relação à Área do Município e Exemplo de Um Sorteio com 530 Amostras, no Ano-safra 2000/01.

As Figuras 4.12 a 4.15 apresentam os resultados das estimativas de área

plantada pelo método de amostragem, em ordem crescente de coeficiente de

variação (CV), e da diferença relativa em relação ao mapeamento das imagens

Landsat, além da média das estimativas, obtidos para cada um dos quatro

conjuntos amostrais (67, 133, 265 e 530 amostras) nos 100 sorteios realizados.

Os círculos azuis apontam os três sorteios (conjunto de segmentos)

selecionados para a estimativa da área plantada no ano-safra 2001/02. Os

dados referentes a esses três sorteios estão descritos na Tabela 4.3, os

demais se encontram descritos no Apêndice B.

133

-30-25-20-15-10-505

10152025303540

1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100Sorteios

Dife

renç

a re

lativ

a

Diferença (%)CV (%) Média

FIGURA 4.12 - Diferenças Percentuais da Estimativa Amostral em Relação ao Mapeamento das Imagens Landsat e Coeficientes de Variação Correspondentes aos 100 Sorteios Realizados para o Conjunto Amostral 1 (67 amostras).

-30

-25

-20

-15

-10

-5

0

5

10

15

20

25

30

35

40

1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100Sorteios

Dife

renç

a re

lativ

a



134

-30-25-20-15-10-505

10152025303540

1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100

Sorteios

Dife

renç

a re

lativ

a



-30

-25

-20

-15

-10

-5

0

5

10

15

20

25

30

35

40

1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100Sorteios

Dife

renç

a re

lativ

a



135

A Tabela 4.3 demonstra que a área estimada foi muito similar ao dado de

referência para os 3 sorteios escolhidos, variando, contudo, em relação ao CV.

Entretanto, tais sorteios foram selecionados em função de se almejar

estimativas mais próximas possíveis da realidade, independente do valor do

CV.

TABELA 4.3 - Área Plantada com a Cultura da Soja Estimada Através do Método de Amostragem nas Imagens Landsat para o Ano-safra 2000/01.

MMaappeeaammeennttoo -- 22000000//0011 LLaannddssaatt 22..449922..888800 hhaa Conjunto amostral Amostragem - 2000/01 Sorteio 1 Sorteio 2 Sorteio 3

Área (ha) 2.489.164 2.511.366 2.494.068 Diferença (ha) -3.716 18.486 1.188 Diferença (%) -0,15 0,74 0,14

1 (67 amostras)

CV (%) 11,98 9,58 10,98 Área (ha) 2.485.710 2.484.564 2.486.830 Diferença (ha) -7.170 -8.316 -6.050 Diferença (%) -0,29 -0,33 -0,24

2 (133 amostras)

CV (%) 9,12 11,23 10,10 Área (ha) 2.497.336 2.494.215 2.493.293 Diferença (ha) 4.486 1.335 413 Diferença (%) 0,18 0,05 0,02

3 (265 amostras)

CV (%) 7,09 7,23 6,76 Área (ha) 2.490.734 2.489.711 2.491.868 Diferença (ha) -2.146 -3.169 -1,012 Diferença (%) 0,09 -0,13 -0,04

4 (530 amostras)

CV (%) 6,00 4,99 4,58

A análise conjunta das Figuras 4.12 a 4.15 permite concluir que, à medida que

aumenta o número amostral, diminui a amplitude de variação e a magnitude

das diferenças relativas das estimativas em relação ao mapeamento das

imagens Landsat, o mesmo ocorrendo em relação aos valores e,

conseqüentemente, da média dos CVs. Observa-se ainda a grande variação

entre as estimativas dos diferentes sorteios em um mesmo conjunto amostral,

muito embora a média das estimativas dos 100 sorteios tenha se aproximado

muito da estimativa do Landsat, em todos os conjuntos amostrais (67, 133, 265

e 530 segmentos).

136

Ainda assim, não se constatou efeito do CV sobre a precisão das estimativas

para um mesmo conjunto amostral, já que as maiores diferenças (em módulo)

estiveram associadas tanto a altos, quanto a baixos valores de CV, o mesmo

ocorrendo com as menores diferenças. O que se verificou, de fato, foi uma

tendência dos menores valores de CV corresponderem às diferenças negativas

(subestimativas), enquanto que os maiores CVs estarem relacionados às

diferenças positivas (superestimativas). Sendo assim, é fácil compreender

porque as estimativas mais próximas ao mapeamento das imagens Landsat

estão associadas aos valores intermediários de CV.

Ainda em relação ao CV, cabe mencionar que o ângulo de inclinação da sua

reta de distribuição diminui do conjunto amostral 1 para o conjunto amostral 4

(Figura 4.16). Isto significa que a relação entre o valor máximo e o mínimo

diminui consideravelmente, o que provoca uma certa estabilização dos valores

à medida que se aumenta o número amostral, conforme visualizado na Tabela

4.4. Isto converge para o fato que o número amostral ideal para a estimativa

em questão pode estar em torno de 530. A Figura 4.16 exibe os coeficientes de

variação relativos aos 100 sorteios realizados para os conjuntos amostrais de 1

a 4 (67 a 530 amostras).

137

0

5

10

15

20

25

30

35

1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100

Sorteios

Coe

ficie

nte

de d

e Va

riaçã

o (%

)

67 amostras133 amostras265 amostras530 amostras

FIGURA 4.16 - Coeficientes de Variação Correspondentes aos 100 Sorteios Realizados para os Conjuntos Amostrais 1 a 4.

A despeito das assertivas anteriores, ao se adotar um sistema de amostragem

desta natureza visando à determinação da área plantada com determinada

cultura em uma região, a principal referência disponível para se inferir sobre a

precisão da estimativa é o CV, o qual está intimamente relacionado ao número

amostral utilizado. Contudo, a escolha do número amostral deve considerar,

primordialmente, a viabilidade da execução do método (ou seja, da avaliação

da área plantada nos segmentos escolhidos) de uma forma economicamente

viável e em tempo oportuno, o qual na maioria dos casos será realizado

através de visitas a campo, auxiliadas ou não, por imagens de sensoriamento

remoto.

No presente estudo, para o conjunto amostral contendo 530 amostras, as

diferenças relativas da estimativa via amostragem frente ao mapeamento do

Landsat variaram entre -10,53 e 10,28% (64% dos CVs ficaram entre -5 e 5%),

sendo que os CVs oscilaram entre 3,63 e 6,88% (43% dos CVs foram menores

138

que 5%) (Tabela 4.4). Além disso, os 530 segmentos representam tão somente

0,46% da área estudada, abrangida por 322 municípios, totalizando menos de

2 segmentos por município (Tabela 3.2), o que deve tornar viável a execução

prática do método. Para os demais conjuntos amostrais, a magnitude das

incertezas encontradas, tanto em termos de diferença relativa, quanto no que

se refere ao CV (principalmente para 67 e 133 amostras), torna sua aplicação

pouco indicada.

Por fim, o que fica evidenciado no sistema proposto ante os resultados

encontrados, particularmente no que se refere ao conjunto amostral 4, é que o

mesmo, além de proporcionar uma idéia da real área plantada, fornece o erro

associado à estimativa, o que não ocorre em se tratando dos dados oficiais

fornecidos pelo LSPA.

TABELA 4.4 - Variação das Diferenças e dos CVs e Média das Diferenças e dos CVs para os 100 Sorteios nos Diferentes Conjuntos Amostrais das Estimativas de Área Plantada Através do Método de Amostragem nas Imagens Landsat para o Ano-safra 2000/01.

Conjunto amostral

Variação das diferenças (%)

(% entre - 5 e 5%)

Média das diferenças

(%) Variação dos CVs

(%) (max/min) Média dos

CVs (%)

1 (67 amostras) -27,35 a 34,47 (20) 0,36 7,10 a 30,48 (4,3) 13,96

2 (133 amostras) -24,49 a 25,72 (33) 0,87 5,13 a 18,12 (3,5) 9,88

3 (265 amostras) -14,65 a 20,19 (51) -0,34 3,96 a 11,36 (2,9) 7,27

4 (530 amostras) -10,53 a 10,28 (64) -0,41 3,36 a 6,88 (1,9) 5,19

4.1.3. Estimativa Via Método de Amostragem por Segmentos das Imagens Landsat - Ano-safra 2001/02.

A Tabela 4.5 apresenta a estimativa da área plantada com soja, o respectivo

CV e o incremento em relação ao dado de referência, para cada conjunto

amostral, em cada um dos sorteios escolhidos no ano-safra 2001/02.

139

TABELA 4.5 - Área Plantada com a Cultura da Soja Estimada pelo Método de

Amostragem Sobre as Imagens Landsat Referentes ao Ano-safra 2001/02 e os Respectivos Incrementos em Relação ao Ano-safra 2000/01.

MMaappeeaammeennttoo -- 22000000//0011 LLaannddssaatt == 22..449922..888800 hhaa Conjunto amostral Amostragem - 2001/02 Sorteio 1 Sorteio 2 Sorteio 3 Média

Área (ha) 2.616.602 2.662.480 2.779.974 2.686.352 Incremento em relação a 2000/01 (ha) 123.722 169.600 287.094 193.498 Incremento em relação a 2000/01 (%) 4,96 6,80 11,52 7,76

1 (67 amostras)

CV (%) 10,62 10,13 10,52 10,43 Área (ha) 2.749.359 2.489.462 2.960.696 2.733.197 Incremento em relação a 2000/01 (ha) 256.479 -3.418 467.816 240.292 Incremento em relação a 2000/01 (%) 10,29 -0,14 18,76 9,64

2 (133 amostras)

CV (%) 8,87 11,23 12,32 10,81 Área (ha) 2.748.046 2.794.390 2.642.724 2.728.412 Incremento em relação a 2000/01 (ha) 255.166 301.510 149.844 235.507 Incremento em relação a 2000/01 (%) 10,23 12,09 6,01 9,45

3 (265 amostras)

CV (%) 6,98 6,98 6,71 6,89 Área (ha) 2.777.453 2.792.044 2.804.188 2.791.253 Incremento em relação a 2000/01 (ha) 284.573 299.164 311.308 298.348 Incremento em relação a 2000/01 (%) 11,41 12,00 12,49 11,97

4 (530 amostras)

CV (%) 5,57 5,11 4,84 5,17

A Tabela 4.5 exibe consideráveis variações na área plantada estimada através

do método de amostragem por segmentos. Para o conjunto amostral 1

observou-se que, apesar do CV ser praticamente constante entre os três

sorteios, o valor relativo ao incremento da área plantada em relação ao ano-

safra 2000/01 variou entre 4,96 e 11,52%. No entanto, a média das três

estimativas (7,76%) retornou um valor relativamente próximo àquele informado

pelo LSPA (8,76%). No conjunto amostral 2, além das diferenças observadas

140

nos valores dos CVs, houve grande variação entre as três estimativas, tanto

que o sorteio 2 apontou para uma redução na área plantada com soja em

0,14% (o único a apresentar este comportamento dentre os 12 sorteios). Para o

conjunto amostral contendo 265 amostras observou-se uma redução

considerável no valor do CV em relação aos conjuntos amostrais 1 e 2, além de

este ser praticamente constante para os três sorteios. Todavia, ainda

percebeu-se grande variação entre as estimativas, as quais oscilaram entre

6,01 e 12,09%.

Conforme esperado, o conjunto amostral contendo 530 amostras foi o que

proporcionou os melhores resultados. Neste caso, além da pouca variação

entre as estimativas do incremento na área plantada nos três sorteios (11,41 a

12,49%), os CVs apresentaram os menores valores. Em decorrência disto,

acredita-se que a média do incremento observado (11,97%) esteja próxima à

realidade ocorrida no campo. Tal suposição é reforçada pelo valor do

incremento fornecido pela empresa Cargill Agrícola S.A. complexo soja para o

mesmo período, avaliado em 11% (Moreira, 2003). Tal empresa possui ampla

experiência em estimativas de safras de soja no Brasil por meio de imagens de

SR e visitas em campo. Por este motivo, é de se esperar que o incremento

informado pela empresa seja mais confiável em relação ao LSPA. Apesar

disso, somente através de um dado de referência confiável (como um

mapeamento completo via imagens de SR) poder-se-ia avaliar a exatidão de

tais estimativas.

Ressalta-se, ainda, que em todos os 12 sorteios os CVs ficaram dentro dos

limites encontrados para os correspondentes conjuntos amostrais quando se

efetuaram os 400 sorteios (Tabela 4.4).

141

4.2. Estimativa da Produtividade

4.2.1. Geração do Mapa da Capacidade de Armazenamento de Água no Solo (CAD)

O mapa referente à capacidade de armazenamento de água dos solos (CAD)

da área em estudo é apresentado na Figura 4.17. Nota-se que a maior parte da

área de estudo (54%) possui boa capacidade de armazenamento de água (100

mm), refletindo a aptidão de tais solos ao cultivo da soja. Além disso, ao

analisarmos esse mapa juntamente com o mapa temático da classificação das

imagens Landsat (Figura 4.7), é possível perceber que existe certa

concordância entre a localização das áreas com soja e as regiões onde a CAD

é igual a 100 mm. As regiões com CAD igual a 70 mm representam 39% da

região em estudo, e somente uma porção ao sul e outra a oeste apresentam

uma menor capacidade de armazenamento de água (50 mm), as quais

correspondem a apenas 7% da área estudada.

FIGURA 4.17 - Mapa Referente à Capacidade de Armazenamento de Água dos

Solos da Área de Estudo.

142

4.2.2. Seleção do Componente Espectral e do Período a Ser Monitorado

A Figura 4.18 apresenta o perfil temporal dos índices de vegetação EVI e NDVI

do sensor MODIS para a média das áreas com soja e não-soja durante o ano-

safra 2000/01, bem como o período selecionado para a estimativa da

produtividade pelo modelo AGROMET.

0,20

0,30

0,40

0,50

0,60

0,70

0,80

0,90

1,00

Out 2 Nov 1 Nov 2 Dez 1 Dez 2 Jan 1 Jan 2 Fev 1 Fev 2 Mar 1 Mar 2 Abr 1Quinzenas

Índi

ce d

e Ve

geta

ção

Soja EVI

Não soja EVI

Soja NDVI

Não soja NDVI

FIGURA 4.18 - Perfil Temporal dos Índices de Vegetação EVI e NDVI do Sensor MODIS para a Média das Áreas com Soja e Não-soja Durante o Ano-safra 2000/01 e o Período Selecionado para a Estimativa da Produtividade pelo Modelo AGROMET.

A análise da Figura 4.18 demonstra que a evolução temporal dos índices de

vegetação esteve relacionada às diferentes fases do ciclo fenológico da cultura.

Baixos valores dos IVs foram observados durante os meses de novembro e

abril, coincidentes com o estabelecimento e senescência da soja,

respectivamente. O rápido incremento dos valores a partir de dezembro

demonstra a sensibilidade dos índices ao acréscimo da biomassa por ocasião

da fase inicial do ciclo da cultura. A tendência à estabilização manifestada a

Período utilizado no modelo AGROMET

143

partir de fevereiro, quando a soja ainda apresenta considerável incremento no

IAF, comprova a perda de sensibilidade de tais índices ao acréscimo de

biomassa em estádios mais avançados do ciclo fenológico (apesar dos valores

mais altos coincidirem com o período de maior desenvolvimento das plantas).

O decréscimo abrupto dos valores dos IVs a partir de março traduz a

diminuição de biomassa sofrida pela soja no final do ciclo. Assim sendo, o

período escolhido para o monitoramento da cultura compreende desde a

segunda quinzena de novembro até o final de março, totalizando 9 quinzenas

(135 dias) (Figura 4.18).

Além disso, percebe-se claramente o comportamento quase idêntico dos dois

IVs em respeito ao monitoramento da biomassa da soja (r2 = 0,97). Em

decorrência disto, optou-se pela utilização do NDVI como componente

espectral do modelo de estimativa de produtividade, por tratar-se de um índice

cujas relações com parâmetros biofísicos de culturas agrícolas já estarem

definidas na literatura.

É perceptível, também, que o contraste existente entre as classes soja e não-

soja (áreas em verde) é consideravelmente maior em se tratando do EVI. Isto

faz com que as áreas de soja sejam mais bem separadas espectralmente dos

demais alvos presentes na cena em relação ao NDVI, o que pode auxiliar na

identificação da cultura, especialmente em regiões onde o tamanho dos talhões

seja compatível com a resolução espacial do sensor MODIS, como o Centro-

oeste brasileiro.

4.2.3. Correção nos Dados Oficiais de Produtividade

A Tabela 4.6 descreve o efeito causado pela diferença na estimativa de área

sobre o valor de produtividade para a cultura da soja na área de estudo.

Ressalta-se que no caso específico do ano-safra 2000/01, as discrepâncias

encontradas na estimativa da área plantada em nível municipal impedem a

correção individual dos valores de produtividade nos municípios. Pois em

muitos casos o dado fornecido pelo LSPA referente à produção total do

144

município se torna incoerente com o valor da área plantada estimada através

do mapeamento das imagens Landsat. Por exemplo, no município de Iraí, seria

necessária uma produtividade de 6.906 kg ha-1 para que a produção total

informada pelo LSPA (5.760 ton.) pudesse ser produzida na área de soja

estimada pelo Landsat (834 ha).

TABELA 4.6 - Produção, Área Plantada e Produtividade, Estimados pelo LSPA, Área Plantada Estimada Através das Imagens Landsat e Produtividade Corrigida em Função da Produção, para a Cultura da Soja no Rio Grande do Sul.

Ano-safra 2000/01 2001/02 2002/03

Produção LSPA (ton.) 6.538.776 5.113.385 8.646.918

Área plantada LSPA (ha) 2.773.498 3.016.602 3.225.462

Produtividade LSPA (kg ha-1) 2.358 1.695 2.680

Área plantada Landsat (ha) 2.492.880 2.791.253 2.985.409

Produtividade Corrigida (kg ha-1) 2.623 1.832 2.896

4.2.4. Desempenho dos Modelos de Estimativa de Produtividade

A título de discussão dos resultados, o modelo de estimativa de produtividade

que utilizou os dados de IAF publicados por Fontana et al. (1992) (Item 3.5.4)

foi denominado de agrometeorológico e o modelo que empregou as imagens

oriundas do sensor MODIS de agrometeorológico-espectral. A Tabela 4.7 exibe

os valores de produtividade, em nível estadual, estimados por ambos os

modelos em comparação aos fornecidos pelo LSPA e corrigidos em função da

plantada. A Figura 4.19 exibe tais valores sob a forma de gráfico. Os valores de

produtividade em nível municipal estão transcritos no Apêndice C.

145

-1

TABELA 4.7 - Produtividade Estimada pelos Modelos Agrometeorológico-espectral e Agrometeorológico, em Comparação à produtividade corrigida, para a Cultura da Soja no Rio Grande do Sul, Anos-safra de 2000/01 a 2002/03.

Diferença Ano-safra Método de Estimativa

Produtividade(kg ha-1) (kg ha-1) (%)

Teste t

Produt. corrigida 2.623 - - -Agromet.-espectral 2.622 - 1 - 0,04 0,032000/01

agrometeorológico 2.622 - 1 - 0,04 0,03Produt. corrigida 1.832 - - -Agromet.-espectral 1.826 - 6 - 0,32 0,212001/02

agrometeorológico 1.771 - 61 - 3,33 1,90

Produt. corrigida 2.896 - - -

Agromet.-espectral 2.692 - 204 - 7,04 7,32*2002/03

agrometeorológico 2.668 - 228 - 7,87 8,21**Significativo para α = 0,05 (t = 1,96).

1000

1200

1400

1600

1800

2000

2200

2400

2600

2800

3000

2000/01 2001/02 2002/03Ano-safra

Prod

utiv

idad

e (k

g.ha

-1)

Produt. CorrigidaAgrom. espectralAgrometeorológico

FIGURA 4.19 - Produtividade (kg ha-1) Estimada pelos Modelos Agrometeorológico e Agrometeorológico-espectral e a

146

produtividade corrigida em função da área plantada para a Cultura da Soja no Rio Grande do Sul, para os Anos-safra de 2000/01 a 2002/03.

Ao analisar a Tabela 4.7 e a Figura 4.19 fica evidente a variação dos valores de

produtividade entre os 3 anos-safra estudados. O ano-safra 2000/01

apresentou condições meteorológicas propícias ao cultivo da soja, acarretando

no alto índice de produtividade alcançado. Em 2001/02, registraram-se

prolongados períodos de estiagem em estádios críticos do desenvolvimento

das plantas, o que implicou em perdas muito significativas na produtividade da

cultura. O ano-safra 2002/03 apresentou condições meteorológicas particulares

e extremamente mais favoráveis (principalmente a precipitação) à cultura em

relação ao que normalmente ocorre no Estado, sendo a maior produtividade

média já alcançada no Rio Grande do Sul.

No que tange ao desempenho dos modelos, no primeiro ano-safra analisado

(2000/01), tanto o modelo agrometeorológico, quanto o agrometeorológico-

espectral retornaram valores praticamente equivalentes à produtividade

corrigida, pois a produtividade estimada (2.622 kg ha-1) ficou apenas 0,04%

abaixo da estimativa oficial corrigida (2.623 kg ha-1). Nota-se que em 2000/01

não houve diferença significativa entre a estimativa dos modelos e a

produtividade corrigida (t = 0,03).

Em 2001/02, o modelo agrometeorológico-espectral também foi bastante

eficiente na estimativa da produtividade, subestimando a produtividade

corrigida em apenas 6 kg ha-1 (0,32%). Novamente, não houve diferença

significativa entre a média das duas estimativas (t = 0,21). Apesar de o modelo

agrometeorológico ter retornado um valor de produtividade 61 kg ha-1 inferior à

produtividade corrigida (3,33%), a diferença entre as duas estimativas não

diferiu significativamente (t = 1,90).

Para o ano-safra 2002/03, apesar de a produtividade média ter ultrapassado o

valor referente a 2000/01 ambos os modelos não conseguiram simular o valor

da produtividade oficial corrigida. O modelo agrometeorológico-espectral

retornou uma subestimativa de 7,04% (204 kg ha-1) (t = 7,32), mas mesmo

147

assim, foi mais eficiente que o modelo agrometeorológico, o qual retornou um

valor 7,87% (228 kg ha-1) (t = 8,21) inferior à produtividade corrigida. Neste

caso, diferenças significativas foram encontradas para a estimativa de ambos

os modelos em comparação à produtividade corrigida (Tabela 4.7).

Apesar das discrepâncias encontradas, ressalta-se que neste ano-safra foram

utilizados os dados de insolação, umidade relativa do ar e velocidade do vento

referentes a 2000/01, quando a produtividade estimada foi consideravelmente

menor em relação a 2002/03. Acredita-se, portanto, que o valor estimado pelos

modelos seria ligeiramente superior ao atual, se fossem utilizadas todas as

variáveis meteorológicas do respectivo ano-safra.

Além disso, existe a possibilidade de o LSPA ter subestimado o valor do

incremento da área plantada do ano-safra 2001/02 em relação a 2002/03, visto

que o mesmo ocorreu de 2000/01 para 2001/02, de acordo com a estimativa

realizada pelo sistema de amostragem (Item 4.1.3). Neste caso, um possível

aumento no valor do incremento e, conseqüentemente, da área plantada,

implicaria diretamente na diminuição do valor da produtividade oficial corrigida,

que estaria, assim, mais próximo daqueles estimados pelos modelos.

Ainda no que se refere ao ano-safra 2002/03, a maioria das lavouras foi

cultivada com o uso de sementes geneticamente modificadas (transgênicas),

prática que possivelmente será adotada em definitivo nos anos seguintes.

Como neste tipo de cultivo a eficiência do controle de plantas invasoras é muito

superior ao sistema tradicional, pode ter havido um incremento na

produtividade em relação aos anos anteriores, independentemente de

alterações nas condições meteorológicas. Se constatada a tendência à

subestimativa por parte dos modelos em anos subseqüentes, pode ser

introduzido um fator tecnológico, que irá ajustá-los às novas características de

cultivo da região.

O que deve ser ressaltado frente aos resultados encontrados é que ambos os

modelos conseguiram acompanhar a trajetória dos valores de produtividade

apesar do forte contraste observado entre os três anos-safra estudados. Isto

148

indica que, muito embora os modelos tenham subestimado a produtividade em

2002/03, estes têm boas chances de retornarem estimativas satisfatórias na

maioria dos anos-safra analisados caso tais modelos sejam implementados em

um sistema rotineiro de estimativa de safras.

As Figuras 4.20 a 4.25 apresentam os mapas de produtividade produzidos por

ambos os modelos para os anos-safra de 2000/01 a 2002/03 e a divisão

política municipal. Para facilitar a visualização e análise dos resultados, o

intervalo de valores de produtividade foi dividido em 6 níveis, cujos limiares

estão demonstrados nas figuras a seguir. Cabe lembrar que somente as áreas

com soja (Figura 4.7) foram computadas no cálculo da produtividade final, o

que explica as regiões em branco nos mapas de produtividade, as quais

referem-se às áreas pertencentes à classe não-soja.

149

FIGURA 4.20 - Mapa Temático Referente à Produtividade da Soja Estimada

pelo Modelo Agrometeorológico, Ano-safra 2000/01.


pelo Modelo Agrometeorológico-espectral, Ano-safra 2000/01.

150





151





152

Nas Figuras 4.20 a 4.25 ressaltam-se as diferenças nos níveis de produtividade

dos diferentes anos-safra estudados. Em 2000/01 (Figuras 4.20 e 4.21),

percebe-se que a maioria dos talhões de soja apresentou produtividade

superior a 2.400 kg ha-1. Apesar disso, na parte centro-sul da área de estudo,

observaram-se alguns talhões com produtividade variando entre 2.201 e 2.400

kg ha-1. Talhões com produtividade inferior a 2.201 kg ha-1 foram muito pouco

freqüentes neste ano-safra, dadas as favoráveis condições atmosféricas

apresentadas.

Para o ano-safra 2001/02 (Figuras 4.22 e 4.23) percebeu-se uma drástica

redução nos níveis de produtividade para toda a área de estudo em

comparação a 2000/01, provocada pela forte estiagem ocorrida no Estado.

Neste caso, foram constatados poucos talhões onde a produtividade esteve

acima de 1.901 kg ha-1. Na maioria das lavouras a produtividade da cultura

esteve entre 1.600 e 1.900 kg ha-1. Verificou-se, ainda, talhões onde a

produtividade foi extremamente prejudicada pelo estresse hídrico, não

alcançando 1.600 kg ha-1.

Em 2002/03 (Figuras 4.24 e 4.25), dadas as excelentes condições

meteorológicas ocorridas, a maioria dos talhões apresentou níveis de

produtividade superior a 2.400 kg ha-1, havendo um número considerável de

áreas apresentando valores acima de 2.800 kg ha-1. Contudo, foram verificadas

regiões onde tais valores estiveram entre 2.201 e 2.400 kg ha-1, sendo

inexpressivo o número de talhões com produtividade inferior a 2.201 kg ha-1.

No entanto, percebe-se uma diferença na distribuição espacial dos diferentes

níveis de produtividade entre os mapas gerados pelos dois modelos de

estimativa, para um mesmo ano-safra. No modelo agrometeorológico, os

talhões pertencentes aos mesmos níveis de produtividade tendem a estar

agrupados, delimitando regiões homogêneas. Essas regiões provavelmente

foram originadas pela existência de limites abruptos nos mapas das variáveis

meteorológicas interpoladas, provocados pelo número reduzido de estações

utilizadas.

153

Todavia, no modelo agrometeorológico-espectral, observa-se uma mistura dos

níveis de produtividade, até mesmo dentro de um determinado município.

Apesar de observado nos três anos-safra estudados, este fato ficou

evidenciado em 2001/02. Neste caso, o mapa de produtividade produzido pelo

modelo agrometeorológico apresenta quase que a totalidade dos talhões com

produtividade variando entre 1.601 e 1.900 kg ha-1. O mapa do modelo

agrometeorológico-espectral exibe talhões com produtividade chegando aos

2.400 kg ha-1. Além disso, constatam-se talhões cujo valor da produtividade

está abaixo dos 1.800 kg ha-1, principalmente na região sudoeste da área de

estudo. Nesta região, conforme relatado por Yi (2003), foram observadas

lavouras onde a cultura foi sequer colhida, tamanha a perda provocada pela

deficiência hídrica.

Ainda em relação ao ano-safra 2001/02, percebe-se no mapa gerado pelo

modelo agrometeorológico-espectral a existência de um aumento gradual nos

níveis de produtividade do sentido sudoeste para nordeste da área de estudo.

Ou seja, apesar dos baixos valores observados em toda a região estudada, as

maiores perdas na produtividade se concentraram na parte sudoeste,

comparativamente à parte nordeste da região (Figura 4.23). Este fato condiz

com o estudo realizado por Cunha et al. (1999) (Figura 2.4), que constatou

maiores índices de perda de potencial de produtividade da soja por deficiência

hídrica nas porções sul e sudeste, em relação às porções norte e nordeste do

Estado, para cultivares de ciclo médio semeadas em 15 de novembro (mesmas

especificações utilizadas no modelo AGROMET).

4.2.5. Estimativa da Produção

A Tabela 4.8 mostra a área plantada, produtividade e produção da cultura da

soja no Rio Grande do Sul, estimadas pelo presente estudo para os anos-safra

de 2000/01 a 2002/03, em comparação com os dados fornecidos pelo LSPA.

Nota-se que as diferenças encontradas entre os dados oficiais de produção e

os estimados refletem tão somente as discrepâncias encontradas entre as

154

estimativas de produtividade realizadas pelo modelo agrometeorológico-

espectral em relação à produtividade corrigida. Isto ocorre porque as diferenças

encontradas entre os valores oficiais e os estimados de área plantada

implicaram diretamente na correção dos dados de produtividade oficiais (Item

4.2.3).

TABELA 4.8 - Área Plantada, Produtividade e Produção, Estimados pelo Presente Estudo em Comparação à Produção Estimada pelo LSPA, para a Cultura da Soja no Rio Grande do Sul.

Ano-safra 2000/01 2001/02 2002/03

Área plantada Landsat (ha) 2.492.880 2.791.253 2.985.409*

Produtividade Modelo AE (kg ha-1) 2.622 1.826 2.692

Produção (ton.) 6.536.331 5.096.827 8.036.721

Produção LSPA (ton.) 6.538.776 5.113.385 8.646.918

Diferença (ton.) - 2.445 - 16.558 - 610.197

Diferença (%) - 0,04 - 0,32 - 7,05*Valor estimado a partir do incremento oficial.

4.2.6. Monitoramento da Soja

A Figura 4.26 mostra a trajetória da produtividade acumulada, estimada pelo

modelo agrometeorológico-espectral, para os três anos-safra estudados.

155

0

500

1000

1500

2000

2500

3000

Nov 2 Dez 1 Dez 2 Jan 1 Jan 2 Fev 1 Fev 2 Mar 1 Mar 2

Quinzenas

Prod

utiv

idad

e (k

g.ha

-1)

2000/012001/022002/03

FIGURA 4.26 - Produtividade Acumulada (kg ha-1) Estimada pelo Modelo

Agrometeorológico-espectral para a Cultura da Soja no Rio Grande do Sul, para os Anos-safra de 2000/01 a 2002/03.

Pela Figura 4.26 pode-se analisar que o incremento dos valores de

produtividade à medida que o modelo simula o ciclo fenológico da cultura é

praticamente constante e muito similar entre os anos-safra 2000/01 e 2002/03,

traduzindo as condições meteorológicas favoráveis para o crescimento e

desenvolvimento da cultura nestes períodos. Para 2001/02, o valor da

produtividade praticamente acompanhou os demais anos-safra nas três

primeiras quinzenas. Contudo, constatou-se uma perda significativa provocada

por adversidades climáticas na quarta quinzena (Jan 1), o que fez com que a

curva ficasse abaixo dos demais anos-safra, mesmo tendo sido observada uma

tendência à normalidade na quinta e sexta quinzenas (Jan 2 e Fev 1). Na

sétima quinzena (Fev 2), novamente ocorreu uma perda na produtividade, que

refletiu diretamente no valor final estimado. Os incrementos registrados na

oitava e nona quinzenas (Março) não foram suficientes para que a

produtividade final alcançasse os níveis dos demais anos-safra.

156

Em adição, salienta-se o caráter preditivo do modelo, pois além de o mesmo

informar o valor da produtividade final cerca de um mês antes do término da

colheita no Estado, as perdas de produtividade observadas em cada quinzena

já podem ser contabilizadas. Ou seja, ao ser constatada uma redução na

produtividade de determinada quinzena, esta já pode ser quantificada na

produtividade final da cultura, mesmo que por ventura as quinzenas restantes

apresentem condições meteorológicas favoráveis. Neste caso, o

monitoramento da produtividade pode se dar sempre de uma maneira

comparativa a anos-safra onde não houve perdas significativas na

produtividade.

A Figura 4.27 mostra a trajetória do índice de penalização para os três anos-

safra, para a média da área de estudo, onde os valores mais baixos indicam as

maiores perdas na produtividade em relação ao déficit hídrico. Salienta-se que

o IP somente indica as perdas por deficiência hídrica, sendo, portanto,

equivalente para os dois modelos de estimativa.

Percebe-se que são observadas perdas no potencial produtivo da cultura

mesmo nos anos-safra onde ocorreram os maiores valores de produtividade

(2000/01 e 2002/03), principalmente no mês de janeiro e na primeira quinzena

de fevereiro. Isto indica que, apesar destes anos-safra terem sido os que

historicamente apresentaram as produtividades mais altas, dadas as

excelentes condições meteorológicas ocorridas, foram observados períodos

onde a cultura não pode expressar todo seu potencial produtivo em virtude do

déficit na disponibilidade hídrica. Isto reforça as afirmativas anteriores de que o

regime de precipitação pluvial que ocorre no Rio Grande do Sul limita a

expressão da produtividade potencial da soja (Mota, 1996; Matzenauer et al.,

2003), sendo este o motivo provável da produtividade média da cultura no

Estado estar entre as mais baixas do país, já que quase a totalidade das

lavouras é conduzida sem suprimento hídrico adicional. As maiores perdas,

entretanto, são visualizadas durante o ano-safra 2001/02, as quais se mostram

acentuadas principalmente na primeira quinzena de janeiro e durante todo o

157

mês de fevereiro, comprometendo sensivelmente a produtividade final da

cultura.

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1

Nov 2 Dez 1 Dez 2 Jan 1 Jan 2 Fev 1 Fev 2 Mar 1 Mar 2

Quinzenas

Índi

ce d

e pe

naliz

ação

2000/012001/022002/03

FIGURA 4.27 - Índice de Penalização Estimado para a Cultura da Soja no Rio Grande do Sul, para os Anos-safra de 2000/01 a 2002/03.

Além de monitorar as condições médias da região em estudo, é possível

visualizar espacialmente as perdas no potencial produtivo da cultura

provocadas pelo déficit hídrico para cada quinzena, conforme as Figuras 4.28 a

4.30. Neste caso, percebe-se que tais perdas não são espacialmente uniformes

para toda a área em estudo. Por exemplo, no ano-safra 2000/01, percebe-se

pela Figura 4.27 que houve uma ligeira penalização nos valores de

produtividade durante a primeira quinzena de março. Contudo, através da

Figura 4.28, nota-se que tal penalização esteve concentrada principalmente na

região centro-sul da área de estudo, sendo as demais regiões pouco

comprometidas em relação ao déficit hídrico.

158

FIGURA 4.28 - Índices de Penalização Quinzenal para a Cultura da Soja, Ano-safra 2000/01.

Nov - 2 Dez - 1 Dez - 2

Jan - 1 Jan - 2 Fev - 1

Fev - 2 Mar - 1 Mar - 2

159


Nov - 2 Dez - 1 Dez - 2

Jan - 1 Jan - 2 Fev - 1

Fev - 2 Mar - 1 Mar - 2

160


Nov - 2 Dez - 1 Dez - 2

Jan - 1 Jan - 2 Fev - 1

Fev - 2 Mar - 1 Mar - 2

161

4.2.7. Sobre o Desenvolvimento do Sistema de Estimativa de Safras

Os métodos aqui apresentados para estimativa da área plantada e

produtividade da soja na região em estudo merecem algumas afirmativas

adicionais acerca da sua viabilidade de utilização em sistemas de estimativa de

safras agrícolas.

Em relação ao mapeamento das áreas com soja realizado via imagens Landsat

(Item 4.1.1), trata-se de um estudo sem precedentes no Brasil, dada a grande

extensão da área abrangida, aliada ao caráter multitemporal e à alta qualidade

das imagens (em relação ao problema de cobertura de nuvens) utilizadas na

classificação.

Contudo, a realização anual de um mapeamento desta ordem é limitada por

alguns fatores que devem ser enfatizados. O já comentado problema

relacionado à cobertura de nuvens exige que haja satélites adquirindo imagens

em uma resolução espacial compatível e em uma resolução temporal que

permita a obtenção de imagens úteis em pelo menos 2 períodos específicos do

ciclo da cultura, para toda a área em estudo.

Em adição, tal método não possui caráter preditivo, visto que as imagens a

serem utilizadas só serão adquiridas cerca de 2 meses antes da colheita,

sendo necessária, ainda, a realização dos procedimentos referentes à

classificação propriamente dita, o que retarda a disponibilidade e reduz

consideravelmente o valor das informações obtidas, para fins de previsão. Por

conseguinte, faz-se necessária a utilização de uma técnica que forneça

informações prévias a respeito da área plantada.

Apesar disso, dependendo da disponibilidade de imagens, o mapeamento

completo das áreas com soja pode ser realizado em intervalos regulares de 4-5

anos, servindo de referência para corrigir os dados do LSPA em nível municipal

(conforme visto no Item 4.1.1.2), melhorando a qualidade da previsão nos anos

subseqüentes. Ademais, o mapeamento serve de subsídio à estratificação da

região em estudo ao ser adotado um sistema de amostragem podendo ainda

162

detectar áreas de expansão da cultura em regiões de fronteira agrícola e

investigar possíveis alterações na dinâmica espacial da distribuição dos

talhões, interferindo, portanto, no processo de estratificação da área e na

possível realocação das amostras.

Particularmente em relação ao sistema de amostragem, a realização deste

método em imagens de fevereiro/março incorre nos mesmos problemas

relacionados à dependência de imagens úteis e à disponibilização dos

resultados em tempo hábil, anteriormente mencionados para o mapeamento

completo. No entanto, como a área das amostras é extremamente inferior à

área total da região considerada, os segmentos escolhidos podem ser

analisados através de visitas a campo por ocasião da implantação da cultura,

dando à estimativa um caráter preditivo. Neste procedimento, os técnicos

responsáveis podem ainda ser auxiliados por imagens adquiridas e

classificadas na safra passada, onde a delimitação e identificação dos talhões

apenas necessitarão ser atualizadas para a safra atual. Neste caso, uma vez

que as amostras são fixas para um certo intervalo de tempo, o processo de

avaliação da área plantada nas mesmas torna-se gradualmente facilitado a

partir do segundo ano, devido ao responsável pela avaliação ir se

familiarizando à localização da amostra e à distribuição e formato das

diferentes classes de uso do solo contidas na mesma.

Com relação à estimativa da produtividade, apesar de ambos os modelos

terem apresentado o mesmo desempenho quando se realizou a análise

estatística, em todos os anos-safra estudados a produtividade estimada pelo

modelo agrometeorológico-espectral esteve mais próxima à estimada pelo

LSPA e corrigida em função da área plantada, em comparação ao modelo

agrometeorológico. Além disso, a variação espacial dos valores de

produtividade é maior em se tratando do modelo agrometeorológico-espectral,

o qual reflete melhor as condições de variabilidade observadas no campo. Em

outras palavras, além desse modelo ter proporcionado melhor desempenho em

relação à estimativa da produtividade, o IAF estimado a partir das imagens

163

MODIS/NDVI compensou, em parte, a baixa densidade das estações

meteorológicas utilizadas, conseguindo traduzir as condições da vegetação.

Além de ser possível monitorar a perda na produtividade causada pelo déficit

hídrico em cada quinzena, são contabilizadas as perdas provocadas por fatores

que prejudicaram o desenvolvimento das plantas, independentemente da

ocorrência do déficit hídrico (falhas de manejo e/ou ataque de pragas e

doenças), desde que tal prejuízo tenha se manifestado através da variação do

comportamento espectral da cultura e tenha sido registrado nas imagens

MODIS/NDVI. Desta forma, as áreas mais prejudicadas podem ser vistoriadas

in situ para uma melhor quantificação das perdas ocorridas, fornecendo

informações adicionais acerca das condições de cultivo, as quais podem ser

introduzidas no modelo como parâmetros adicionais, na busca de melhorar a

exatidão das estimativas.

A disponibilidade gratuita de tais imagens, com alta acuidade radiométrica e

espacial por parte do EOS e a presença de uma estação de recepção dessas

imagens em Cuiabá, reforçam a idéia de que as mesmas podem ser utilizadas

em sistemas rotineiros de estimativa de safras agrícolas, inclusive os oficiais.

Além disso, o monitoramento quinzenal da produtividade confere um caráter

preditivo ao modelo, pois as perdas parciais da produtividade já podem ser

contabilizadas no seu valor final. Ainda nesta abordagem, cabem aqui os

comentários descritos no Item 2.9.4 sobre a utilização de dados meteorológicos

(e espectrais) históricos ou de anos onde as condições meteorológicas se

apresentaram similares às previstas para o ano-safra a ser monitorado, os

quais vêm a ser gradualmente substituídos pelos dados reais na medida em

que o ano-safra transcorre.

Contudo, apesar do desempenho apresentado pelos modelos de estimativa,

torna-se evidente o problema verificado em relação às variáveis meteorológicas

utilizadas neste estudo. Tanto no que diz respeito à baixa densidade das

estações disponíveis no Rio Grande do Sul, quanto no que se refere à

dificuldade de acesso aos dados produzidos pelas mesmas, já que é de se

164

esperar que quanto maior for a quantidade de estações meteorológicas

operando em uma dada área, melhor deverá ser a qualidade das estimativas

em modelos desta natureza. Além disso, é necessário que os dados

provenientes dessas estações sejam disponibilizados de uma forma integrada

(no mesmo momento, formato e local) e em tempo oportuno. Entretanto,

ressalta-se que o portal AGRITEMPO disponibiliza gratuitamente e em tempo

quase real parte dos dados requeridos pelo modelo AGROMET (precipitação e

temperatura do ar) oriundos de algumas estações localizadas no Rio Grande

do Sul.

Uma alternativa aos dados coletados pelas estações meteorológicas podem

ser as informações provenientes de modelos numéricos de previsão do tempo.

Desde 1996, o modelo regional Eta vem sendo utilizado pelo Centro de

Previsão do Tempo e Estudos Climáticos (CPTEC) do INPE para

complementar a previsão numérica de tempo realizada pelo modelo de

circulação geral da atmosféra (Chan, 1996). O modelo Eta fornece informações

diárias de elementos meteorológicos (precipitação pluvial, umidade relativa,

velocidade do vento etc.) em uma resolução espacial horizontal de 40 x 40 km,

para toda a América do Sul, as quais são compatíveis aos SIGs, dado o seu

caráter espacial.

Em suma, fica clara a contribuição dos métodos propostos ao atual sistema de

estimativa de safras. Pois a determinação da área plantada pouco tempo após

a implantação da cultura através do sistema de amostragem (a qual estará

invariavelmente associada a um erro de estimativa), aliada ao

acompanhamento quinzenal da produtividade por meio do modelo é capaz de

fornecer estimativas prévias a respeito da produção final da cultura no Estado.

A Figura 4.34 exibe um fluxograma resumido do sistema de estimativa da

produção da cultura da soja no Rio Grande do Sul.

165

FIGURA 4.34 - Fluxograma do Sistema de Estimativa da Produção da Cultura da Soja no Rio Grande do Sul.

167

CAPÍTULO 5

CONCLUSÕES

Foram observadas grandes discrepâncias entre a estimativa de área

plantada com soja em municípios do Rio Grande do Sul, obtida através da

classificação das imagens Landsat, em comparação à informada pelo

LSPA, as quais provocaram uma superestimativa de 11,3% por parte do

LSPA em relação às imagens Landsat, em nível estadual, para o ano-safra

2000/01;

O aspecto multiespectral e multitemporal das imagens de sensoriamento

remoto, aliado à interpretação visual e ao conhecimento prévio da área em

estudo mostrou-se fundamental para a correta identificação e delimitação

das áreas com soja;

A avaliação do método de amostragem por segmentos quadrados proposto

por Adami (2003) indicou que o mesmo pode fornecer informações a

respeito da área plantada com soja no Rio Grande do Sul com um baixo CV

desde que seja amostrado um número suficiente de segmentos por estrato.

No caso específico do presente estudo, foi observado que o número

amostral ideal para a estimativa em nível estadual pode estar em torno de

530.

O método de amostragem por segmentos quadrados retornou um

incremento de 11,97% na área plantada com soja no ano-safra 2001/02 em

relação a 2000/01, o qual foi superior ao incremento oficial estimado pelo

LSPA (8,76%);

A partir das discrepâncias encontradas na estimativa oficial da área

plantada foi possível corrigir as estimativas oficiais de produtividade média

da cultura da soja no Rio Grande do Sul;

Os modelos de produtividade foram satisfatórios na estimativa da

produtividade nos anos-safra 2000/01 e 2001/02 (t=0,03 para o MAE e MA

168

em 2000/01 e t=0,21 para o MAE e 1,90 para o MA em 2001/02) e a

subestimativa observada em 2002/03 (204 (t=7,32) e 228 kg ha-1 (t=8,21)

para os MAE e MA, respectivamente) pode ser explicada, em parte, pela

falta parcial de dados meteorológicos e, em parte, pela falta de informação

segura acerca dos dados oficiais de produtividade, os quais não foram

corrigidos através do valor da área plantada estimada via imagens Landsat,

para esse ano-safra;

O produto IAF gerado a partir das imagens MODIS e disponibilizado pelo

EOS apresenta valores inválidos para a soja em toda a fase de máximo

desenvolvimento da cultura (janeiro e fevereiro), o que inviabiliza sua

utilização para estimativa da produtividade da soja no Rio Grande do Sul.

Porém, o produto IAF gerado neste trabalho a partir das imagens

MODIS/NDVI mostrou-se viável para sua utilização no modelo AGROMET,

pois, além de melhorar o resultado das estimativas em relação ao modelo

agrometeorológico, traduziu melhor as condições de variabilidade da

produtividade existente no campo;

O modelo agrometeorológico-espectral permitiu o monitoramento temporal e

espacialmente da evolução da produtividade durante todo o ciclo da cultura,

promovendo a estimativa da produtividade final cerca de um mês antes do

término da colheita no Estado;

O sistema de estimativa proposto, que faz uso de imagens Landsat e um

método de amostragem por segmentos para a estimativa da área plantada,

aliado a um modelo agrometeorológico-espectral integrado num SIG para o

monitoramento e estimativa da produtividade, pode ser utilizado como

suporte ao método tradicional e subjetivo de estimativa da produção da

cultura da soja no Estado do Rio Grande do Sul.

169

REFERÊNCIAS BIBLIOGRÁFICAS

Adami, M. Estimativa de áreas agrícolas por meio de técnica de sensoriamento remoto, geoprocessamento e amostragem. 2003. 183 p. (INPE-10235-TDI/900). Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 2003. Adami, M. [email protected]. PREVS no Paraná. [mensagem pessoal]. Mensagem recebida por <[email protected]> em 12 jan. 2004. Allen, R.; Hanuschak, G.; Craig, M. Limited use of remotely sensed data for crop condition monitoring and crop yield forecasting in NASS. Remotely Sensed Data at NASS. 2002a. Disponível em: <www.usda.gov/nass/nassinfo/remoteuse.htm>. Acesso em: 20 dez. 2003. Allen, R.; Hanuschak, G.; Craig, M. History of remote Sensing for crop acreage in USDA's National Agricultural Statistics Service. Remotely Sensed Data at NASS. 2002b. Disponível em: <www.usda.gov/nass/nassinfo/remotehistory.htm>. Acesso em: 21 dez. 2003. Asrar, G.; Fuchs, M.; Kanemasu, E.T.; Hatfield, J.L. Estimating absorbed photosynthetic radiation and leaf area index from spectral reflectance in wheat. Agronomy Journal, v. 76, n. 2, p. 300-306, Mar./Apr.1984. Baier, W. Note on the terminology of crop-weather models. Agricultural Meteorology, v. 20, n. 2, p. 137-145, Apr. 1979. Bailey, T.C.; Gatrell, A.C. Interactive spatial data analysis. London: Editora Longman, 1995. 413 p. Baret, F.; Guyot, G.; Major, D.J. TSAVI: a vegetation index which minimizes soil brightness effects on LAI and APAR estimation. In: Canadian Symposium on Remote Sensing and IGARSS’90, 12., 1990, Vancouver. Proceedings… Vancouver. 1989. p. 1355-1358. Baret, F.; Jacquemoud, S.; Hanocq, J.F. The soil line concept in remote sensing. Remote Sensing Reviews, v. 7, n. 1, p. 65-82, Jan. 1993. Barros, M.G.M.; Luiz, A.J.B.; Epiphanio, J.C.N. Segmentação multitemporal de imagens em áreas agrícolas. In: Simpósio Brasileiro de Sensoriamento Remoto, 10., 2001, Foz do Iguaçu, 2001. Anais... São José dos Campos: INPE, 2001. p. 23-25. 1 CD-ROM. Ben-Dor, E.; Irons, J.R.; Epema, G.F. Soil reflectance. In: Rencz, A.N. Remote Sensing for the Earth Sciences. Manual of Remote Sensing. 3. ed. New York: John Willey, v. 3, 1999. 707 p. Berka, L.M.S.; Rudorff, B.F.T.; Shimabukuro, Y.E. Soybean yield estimation by an agrometeorological model in a GIS. Scientia Agricola, v. 60, n. 3, p. 433-440, July/Sept. 2003.

170

Berlato, M. A. Modelo de relação entre o rendimento de grãos de soja e o déficit hídrico para o Estado do Rio Grande do Sul. 1987. 94 p. (Não publicado). Tese (Doutorado em Meteorologia) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 1987. ___. As condições de precipitação pluvial no Estado do Rio Grande do Sul e os impactos das estiagens na produção agrícola. In: Bergamaschi, H.; Berlato, M. A.; Matzenauer, R.; Ffontana, D.C.; Cunha, G.R.; Santos, M.L.V.; Farias, J.R.B.; Barni, N.A. Agrometeorologia aplicada à irrigação. 2. ed. Porto Alegre, editora da Universidade, UFRGS, 1992, cap. 1, p. 11 – 23. Berlato, M.A.; Fontana, D.C. Variabilidade interanual da precipitação e variabilidade dos rendimentos da soja no Estado do Rio Grande do Sul. Revista Brasileira de Agrometeorologia, v. 7, n. 1, p. 119-125, 1999. Bins, L.S.; Fonseca, L.M.G.; Erthal, G. J.; Ii, F M. Satellite imagery segmentation: a region growing approach. In: Simpósio Brasileiro de Sensoriamento Remoto, 8., 1996, Salvador, Anais... São José dos Campos: INPE, 1996. p. 14 -16. Boogaard, H. [email protected]. Crop Growth Monitoring System - CGMS, [mensagem pessoal]. Mensagem recebida por < [email protected] > em: 18 dez. 2003. Braga, H.J. Previsão agrícola: uma nova abordagem. 1995. Tese (Doutorado em Engenharia de Produção). Universidade Federal de Santa Catarina, Florianópolis.1995. Disponível em: <www.eps.ufsc.br/teses/braga/index>. Acesso em: 22 Jul. 2002. Brasil . Ministério da Agricultura. Departamento Nacional de Pesquisa Agropecuária. Divisão de Pesquisa Pedológica. Levantamento de reconhecimento dos solos do Estado do Rio Grande do Sul. Recife, 1973, 431 p. (DNPEA. Boletim técnico n. 30). Buffet, D.; Dehem, D.; Wouters, K.; Tychon, B.; Oger, R.; Veroustraete, F. Adaptation of the European Crop Growth Monitoring System to the Belgian Conditions. Ministère des Classes noyennes et de I’Agriculture, Centre de Rechearches Agronomiques, 1999. Disponível em: <www.cragx.fgov.be/francais/dep8/b-cgms/b-cgmsuk.htm>. Acesso em: 16 dez. 2003. Câmara, G. Modelos, linguagens e arquiteturas para bancos de dados geográficos. 1995 281 p. Tese (Doutorado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. Disponível na biblioteca digital URib: <www.dpi.inpe.br/teses/gilberto/>1995. Câmara, G.; Davis, C. Introdução ao geoprocessamento In: Câmara, G.; Davis, C.; Monteiro, A.M.V. Introdução à Ciência da Geoinformação. São José dos Campos: INPE, 2001(INPE-8568-PRE/4312). Disponível na biblioteca digital URLib: <www.dpi.inpe.br/gilberto/livro/introd/cap1-introducao.pdf>. p Acesso em: 25 ago. 2003.

171

Câmara, G.; Medeiros, J.S. de; Princípios Básicos em Geoprocessamento. In: Assad, E.D.; Sano, E.E. Sistema de Informações Geográficas - Aplicações na Agricultura. Brasília: EMBRAPA-SPI/EMBRAPA Cerrados, p. 3-11, 2 ed. 1998, 434 p. Casady, W.W.; Harlan, I.P. Precision agriculture: remote sensing and ground truthing. 2002. Disponível em: <muextension.missouri.edu/explore/ Canada Centre for Remote Sensing (CCRS). Remote sensing tutorial. 2002. Disponível em: <www.ccrs.nrcan.gc.ca/ccrs/eduref/educate.html>. Acesso em: 14 jun. 2002. Chan, S.C. Modelo regional ETA. Climanálise especial, edição comemorativa de 10 anos. CPTEC/INPE , v. 10, out. 1996. Chen, S. C. Estimativas de rendimento de soja, baseadas na tendencia tecnologica e nas variaveis climaticas. In: Congresso Brasileiro de Agrometeorologia, 2., 05-10 jun. 1981, Pelotas, BR. Anais... 1981. p. 193-196. Publicado como: INPE-2055-RPE/301. Choudhury, B.J.; Ahamed, N.U.; Idso, S.B.; Reginato, R.J.; Daughtry, C.S.T. Relations between evaporation coefficients and vegetation indices studied by model simulations. Remote Sensing of Environment, v. 50, n. 1, p. 1-17, Ouc. 1994. Confederação da Agricultura e pecuária do Brasil ( CNA). Agropecuária brasileira. 2003. Disponível em: <www.cna.org.br>. Acesso em: 13 dez. 2003. Cochran, W. G. Técnicas de amostragem. 2 ed. Rio de Janeiro: fundo de Cultura, 1977. 555 p. CONAB - Companhia Nacional de Abastecimento. Acompanhamento da safra 2002/03. 2003. Disponível em: <www.conab.gov.br>. Acesso em: Dez. 2003. Costa, J.A. Cultura da soja. Porto Alegre: ed. Evangraf, 1996. 233 p. ___. [email protected]. Ciclo fenológico dos cultivares de soja para o Rio Grande do Sul. [mensagem pessoal]. Mensagem recebida por < [email protected] > em: 02 ago. 2002. Covey, R.J. Remote sensing in precision agriculture: an educational paper. 1999. Disponível em: <www.amesremote.com/contents.htm> Acesso em: 13 fev. 2004. Crósta, A.P. Processamento digital de imagens de sensoriamento remoto. Campinas: IG/UNICAMP, 1992. 170 p. Cunha, G.R.da; Barni, N.A.; Haas, J.C.; Maluf, J.R.T.; Matzenauer, R.; Pasinato. A.; Moreira. M.B. Zoneamento agrícola e calendário de semeadura para soja no Rio Grande do Sul, safra 2001/2002. 2001. Disponível em: <www.cnpt.embrapa.br/biblio/p_co80.htm#endereço>. Acesso em: 25 jul. 2002. Cunha, G. R. da; Hass, J.C.; Dalmago, G.A.; Pasinato, A. Cartas de perda de rendimento potencial em soja no Rio Grande do Sul por deficiência hídrica. Boletim de Pesquisa n. 1, Embrapa Trigo, Passo Fundo, 52p. 1999.

172

Curnel, Y.; Oger, R. Development of an agri-environmental system for the Chinese province of Heilongjiang. Results of Biométrie, Gestion des données et Agrométéorologie, 2003. Disponível em: <www.cragx.fgov.be/english/dep8/chine2.htm>. Acesso em: 12 nov. 2003. Dall´Agnol, A. Current status of soybean production and utilization in Brazil. In: World Soybean Research Conference, 7., Foz do Iguassu - PR, February 29 to March 5, 2004. Proceedings... Londrina: EMBRAPA, p. 10-18. Daughtry, C.S.T.; Gallo, K.P.; Biehl, L.L.; Kanemasu, E.T.; Asrar, G.; Blad, B.L.; Norman, J.M.; Gardner, B.R. Spectral estimates of agronomic characterisics of crops. Machine Processing of Remotely Sensed Data Symposium, 10., Purdue University, West Lafayette, IN, 1984. Proceedings... Purdue University, West Lafayette, IN: p. 348-356, 1984. Doorenbos, J.; Kassam, A. H. Yield response to water. Rome: Food and Agriculture Organization of the United Nations, 1979. 193 p. (FAO-Irrigation and Drainage Paper n. 33). Dutra, L. V.; Souza, R. C. M.; Mitsuo, F. A.; Moreira, J. C. Análise automática de imagens multiespectrais. São José dos Campos - INPE, 1981. 40p. (INPE-2212-MD/009). Eastman, J.R. IDRISI for windows: introdução e exercícios tutoriais. Porto Alegre, UFRGS - Centro de Recursos Idrisi, 1998. Disponível em: <www.ecologia.ufrgs.br/idrisi>. Acesso em: 06 jun. 2002. Empresa de Assistência Técnica e Extensão Rural (EMATER/RS ) . Estatísticas da cultura da soja por município. Rio Grande do Sul. 2003. Disponível em: <www.emater.tche.br>. Acesso em: 21 nov. 2003. Empresa Brasileira de Pesquisa Agropecuária( EMBRAPA). Programa nacional de pesquisa de soja. Brasília, 1981. 115 p. Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). Sistema brasileiro de classificação de solos. Brasília: Embrapa Produção de Informação, 1999. 412 p. EUROPA - European Commission - Agriculture. Frequently Asked Questions. Disponível em: <europa.eu.int/comm/agriculture/faq/index_en.htm>. Acesso em: 12 dez. 2003. Food and agriculture Organization of the United Nations (FAO). Early agrometeorological crop yield assessment. n. 73, 1986. 150 p. ___. Multiple frame agricultural surveys: Rome: FAO, v 1. Conducting agricultural censuses and surveys,1996a. (FAO Statistical Development Series, 6) ___. Multiple frame agricultural surveys. Rome: FAO,. v.1 Current surveys based on area and list sampling methods, 1996b 119 p. (FAO Statistical Development Series, 7)

173

___. Multiple frame agricultural surveys. Rome: FAO, v.2. Agricultural survey programmes based on area frame or dual frame (area and list) sample design. 1998. 242p. (FAO Statistical Development Series, 10) Farias, J. R. B. [email protected]. Zoneamento. [mensagem pessoal]. Mensagem recebida por < [email protected] > em: 13 mai. 2001. Farias, J. R. B.; Nepomuceno, A. F.; Neumaier, N.; Oya, T. Ecofisiologia. In: ). A cultura da soja no Brasil. Londrina: Embrapa Soja, 2000. 1 CD-ROM. Fonseca, L.M.G. Processamento digital de imagens. Notas de aulas da disciplina Processamento Digital de Imagens - INPE, jun. 2000. Fontana, D. C.; Berlato, M. A. Modelo agrometeorológico-espectral para a estimativa do rendimento de soja no Rio Grande do Sul: um estudo preliminar. In: Simpósio Brasileiro de Sensoriamento Remoto, 9., 1998, Santos. Anais... São José dos Campos: INPE, 1998. 1 CD ROM. Fontana, D. C.; Berlato, M. A.; Bergamaschi, H. Alterações micrometeorológicas na cultura da soja submetida a diferentes regimes hídricos. Pesquisa Agropecuária Brasileira, v. 27, n. 5, p. 661-669, mai. 1992. Fontana, D.C.; Ducati, J.R.; Weber, E.; Berlato, M.A.; Bergamaschi, H.; Figueiredo, D.C. Monitoramento e previsão da safra de soja 1999/2000 no Brasil. Porto Alegre: Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia, CEPSRM/UFRGS. 2001, 116 p. (Série D: Relatório Técnico - N° 005/01). Formaggio, A.R.; Epiphanio, J.C.N. Características espectrais de culturas e rendimento agrícola. São José dos Campos: INPE, 1990, 166 p. (INPE-5125-RPE/630). Gausman, H.W.; Rodriguez, R.R.; Richardson. A.J. Infinite reflectance of dead compared with live vegetation. Agronomy Journal, v. 68, n. 2, p. 295-296, Mar./Apr. 1976. Goodchild, M.F. Geographical data modeling. Computers & Geosciences. n. 18, v. 4, p. 401-408, May 1992. Hale, R.C.; Hanuschak, G.A.; Craig, M.E. The appropriate role of remote sensing in U.S. agricultural statistics. NASS/USDA. Seminar on Remote Sensing for Agricultural Statistics: Bangkok, Thailand, 1999. Disponível em: <www.nass.usda.gov/research/reports/99_04_AppropriateRoleRS_RCH.pdf>. Acesso em: 11 nov. 2003. Hartkamp, A.D.; White, J.W.; Hoogenboom, G. Interfacing geographic information systems with agronomic modellings: A review. Agronomy Journal, v. 91, n. 5, p. 761-722, Sept./Oct. 1999. Hoffer, R. M. Fundamentals of remote sensing: spectral reflectance of characteristics of vegetation. Indiana: Purdue University. 1976. 10 p. Hoogenboom, G. Contribution of agrometeorology to the simulation of crop production and its applications. Agricultural and Forest Meteorology, v. 103, n. 1-2, p. 137-157, jun. 2000.

174

Huete, A. Status of MODIS Biophysical and Land cover products for long term time series analysis (terra and aqua). In: Workshop sobre o Sensor MODIS: Possibilidades e Aplicações na Análise e Monitoramento Ambiental, 1., Goiânia, GO: UFG, 2003. (Seção Palestra). Huete, A.; Didan, K.; Miura, T.; Rodriguez, E.P.; Gao, X.; Ferreira, L.G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, v. 83, n. 1-2, p. 195-213, Nov. 2002. Huete, A.R.; Jackson, R.D.; Post, D.F. Spectral response of a plant canopy with different soil background. Remote Sensing of Environment, v. 17. n. 1, p. 37-53, Feb. 1985. Huete, A.R. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, v. 25, n. 3, p. 295-309, Aug. 1988. Huete, A.; Justice, C.; Leeuwen, W. V. Modis vegetation index (MOD 13) algorithm theoretical basis document, 1999. Disponível em: <modis.gsfc.nasa.gov/ data/atbd/atbd_mod13.pdf>. Acesso em: 8 fev. 2004. Huete, A.; Liu, H.; Batchily, K.; Van Leeuwen, W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment, v. 59, n. 3, p. 440-451, Mar. 1997. Instituto Brasileiro de Geografia e Estatística (IBGE). Levantamento sistemáico da produção agrícola. 2003. Disponível em: <www.ibge.gov.br/home/estatistica/indicadores/agropecuaria/lspa/>. Acesso em: 7 nov. 2003. Instituto Nacional de Pesquisas Espaciais (INPE). Teoria : modelagem digital de terreno, Disponível em: <www.dpi.inpe.br/spring/teoria/mnt/mnt.htm>. Acesso em: 23 jun. 2003. INPE - IBGE. Relatório final das atividades do grupo de estudos sobre previsão de safras. São José dos Campos: INPE, 1998. (INPE-6740-PRP/213). Ippoliti-Ramilo, G.A.; Epiphanio, J.C.N.; Shimabukuro, Y.E. Landsat-5 Thematic Mapper data for pre-planting crop area evaluation in tropical countries. International Journal of Remote Sensing, v. 24, n. 7, p. 1521-1534, jul. 2003. Ippoliti-Ramilo, G.A.; Epiphanio, J.C.N.; Shimabukuro, Y.E.; Formaggio, A. R. Sensoriamento remoto orbital como meio auxiliar na previsão de safras. Agricultura em São Paulo, v.46, n.1, p.89-101, jan. 1999. Jackson, R. D.; Huete, A. R. Interpreting vegetation indices. Preventive Veterinary Medicine, v.11, n. 3-4, p.185-200, 1991. Jackson, R. D.; Pinter Jr., P.J. Spectral response of architecturally different wheat canopies. Remote Sensing of Environment, v. 20, n. 1, p. 43-56, Aug. 1986. Jackson, R. D.; Reginato, R.J.; Pinter Jr, P.J.; Idso, S.B. Plant canopy information extraction from composite scene reflectance of row crops. Applied Optics, v. 18, n. 22, p. 3775-3782, Nov. 1979.

175

Jensen, J.R. Remote sensing of vegetation. In. _______. Remote sensing of the environment, an earth resource perspective. Upper Saddle River,NJ: Prentice Hall, 2000. 544 p, cap.10. p. 333-377. Kaufman, Y.J.; Tanré, D. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS. IEEE Transactions on Geoscience and Remote Sensing Symposium, v. 30, p. 261-270, 1992. Kauth, R.J.; Thomas, G.S. The Tasselled Cap - A graphic description of the spectral-temporal development of agricultural crops as seen by Landsat. in: Symposium on Machine Procesing of Remotely Sensed Data, Pardue, 1976. Proceedings… Purdue: Purdue University, 1976. p.4B41-4B51. Kimes, D. S. Dynamics of directional reflectance factor distributions for vegetation canopies. Applied Optics, v. 22, n. 9, p. 1364-1372, Apr. 1983. Knipling, E. B. Physical and physiological basis for the reflectance visible and near infrared radiation from vegetation. Remote Sensing of Environment, v. 1, n. 3, p.155-159, Summer 1970. Knyazikhin, Y.; Glassy, J.; Privette, J. L.; Tian, Y.; Lotsch, A.; Zhang, Y.; Wang, Y.; Morisette, J. T.; Votava, P.; Myneni, R.B.; Nemani, R. R.; Running, S. W. MODIS Leaf Area Index (LAI) and Fraction of Photosynthetically Active Radiation Absorbed by Vegetation (FPAR). Product (MOD15) Algorithm Theoretical Basis Document, NASA, 1999. Disponível em: <www.ntsg.umt.edu/modis/ATBD/ATBD_MOD15_v21.pdf>. Acesso em: Mai. 2003. Kollenkark, J.C.; Daughtry, C.S.T.; Bauer, M.E. Soybean canopy reflectance as influenced by cultural practices. West Lafayette, Indiana: AgRISTAR Purdue University, Laboratory for Applications of Remote Sensing,. 1981. 44 p. Kuhn, P.A.F. Um banco de dados georreferenciados para estudos agroclimatológicos de municípios do Rio Grande do Sul. 2002, 88 p. Tese (Doutorado em Agronomia), Faculdade de Agronomia Eliseu Maciel, Universidade Federal de Pelotas, Pelotas. 2002. Kuittinen, R.; Keskisarja, V.; Matikainen, L. Integration of geographic and administrative information in crop yield prediction. Bulletin of the International Statistical Institute. 52 Session. Finlândia, 1999. Anais… Disponível em: <www.stat.fi/isi99/proceedings/arkisto/varasto/kuit0475.pdf>. Acesso em: 11 dez. 2003. Lamb, D.W.; Brown, R.B. Remote-sensing and mapping of weeds in crops. Journal of Agricultural Engineering Research, v. 78, n. 2, p.117-125, 2001. LANDSAT. Landsat 7 - informações técnicas. 2003. Disponível em: <www.landsat.com.br>. Acesso em: 05 jul. 2003. Lillesand, T.M.; Kiefer, R.W. Remote sensing and image interpretation. 4. ed. Madison : University of Wisconsin, 1999, 750 p.

176

Liu, W.T.; Kogan, F. Monitoring Brasilian soybean production using NOAA/AVHRR based vegetation condition indices. International Journal of Remote Sensing, v. 23, n. 6, p. 1161-1179, May 2002. Luiz, A. J. B. Estatísticas agrícolas por amostragem auxiliadas pelo sensoriamento remoto. dez. 2003. 116 p. Tese (Doutorado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 2003. Luiz, A.J.B.; Epiphanio, J.C.N. Amostragem por pontos em imagens de sensoriamento remoto para estimativa de área plantada por município. In: Simpósio Brasileiro de Sensoriamento Remoto, 10., Foz do Iguaçu, 2001. Anais...São José dos Campos: INPE, 2001. p. 111-118. Disponível na biblioteca digital URLib < 150.163.34.2:1908/rep-/dpi.inpe.br/lise/2001/09.13.10.55 > Acesso em: 8 nov. 2002. Mather, P.M. Computer processing of remotely-sensed images: an introduction. 2 ed. London: John Wiley & Sons, 1999. 210 p. Matzenauer, R.; Barni, N.A.; Maluf, J.R.T. Estimativa do consumo relativo de água para a cultura da soja no Estado do Rio Grande do Sul. Ciência Rural, v. 33, n. 6, p. 1013-1019, nov./dez. 2003. Matzenauer, R.; Bergamaschi, H.; Berlato, M. A.; Maluf, J. R. T.; Barni, N. A.; Bueno, A. C.; Didoné, I. A.; Anjos, C. A.; Machado, F. A.; Sampaio, M. R. Consumo de água e disponibilidade hídrica para milho e soja no Rio Grande do Sul. Porto Alegre : FEPAGRO, 2002. 105 p. (Boletim FEPAGRO, 10). Medeiros, A. M. P.; Rudorff, B. F. T.; Shimabukuro, Y. E. Imagens Landsat na estimativa de áreas de cana-de-açúcar, milho e soja. In: Simpósio Brasileiro de Sensoriamento Remoto, 8, Salvador, 1996. Anais... São José dos Campos: INPE, 1996. 1 CD-ROM. Melo, R.W.; Fontana, D.C.; Berlato, M.A. Modelo agrometeorológico-espectral de estimativa de rendimento da soja para o Estado do Rio Grande do Sul. In: Simpósio Brasileiro de Sensoriamento Remoto, 11., 2003, Belo Horizonte. Anais... São José dos Campos: INPE, 2003. p. 173 -179. Disponível na biblioteca digital URLib < 150.163.34.2:1908/rep-/ltid.inpe.br/sbsr/2002/11.13.11.52 > Acesso em: 15 jun. 2003. Mendonça, F.J.; FUNCATE. CANASATE - mapeamento da cana-de-açúcar por satélite. São José dos Campos, INPE, 1986. 60 p. (INPE 3843-RPE/503). Menosso, O. G. Descrição Botânica. In: Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). A cultura da soja no Brasil. Londrina: Embrapa Soja, 2000. 1 CD-ROM. MODIS - Moderate Resolution Imaging Spectroradiometer. Technical specifications, 2003. Disponível em: <modis.gsfc.nasa.gov/about/specs.html> Acesso em: 14 mai. 2003. Moreira, M.A. Fundamentos do Sensoriamento Remoto e Metodologias de Aplicação. 1. ed. São José dos Campos – SP, INPE, 2001. 250 p.

177

Moreira, M. Incremento da área plantada com soja no Rio Grande do Sul entre os anos-safra 2000/01 e 2001/02. Cargill Agrícola S.A. Complexo soja, 2003. Comunicação Pessoal Mota, F.S. Estudos do clima do Estado do Rio Grande do Sul segundo o sistema de Köeppen. Revista Brasileira de Geografia, v.13, n. 1, p. 275-284, abr./jun. 1951.

Mota, F. S. da; Agendes, M. O. de O.; Alves, E. G. P.; Signorini, E. Análise agroclimatológica da necessidade de irrigação da soja no Rio Grande do Sul. Revista Brasileira de Agrometeorologia, Santa Maria, v. 4, n. 1, p. 133-138, jul. 1996.

Mota, F.S. da. Influência do clima sobre o rendimento do trigo no Rio Grande do Sul. In: Congresso Brasileiro de Agrometeorologia, 10., Piracicaba, 1997. Anais....Piracicaba: SBA, 1997. Motta, J.L.G.; Fontana, D.C.; Weber, E. Verificação da acurácia da estimativa de área cultivada com soja através de classificação digital em imagens Landsat. In: Simpósio Brasileiro de Sensoriamento Remoto, 10., Foz do Iguaçu. 2001. Anais... São José dos Campos: INPE, 2001. p. 123-129. Disponível na biblioteca digital URLib < 150.163.34.2:1908/rep-/dpi.inpe.br/lise/2001/09.13.11.01> Acesso em: 4 set. 2002. Motta, J.L.G.; Fontana, D.C.; Weber, E. Análise da evolução temporal do NDVI/NOAA em região de soja no Rio Grande do Sul. In: Simpósio Brasileiro de Sensoriamento Remoto, 11., Belo Horizonte. 2003. Anais... São José dos Campos: INPE, 2003. p. 197-204. Disponível na biblioteca digital URLib < //iris.sid.inpe.br:1908/rep-/ltid.inpe.br/sbsr/2002/11.13.13.01> Acesso em: 7 jan. 2004. Myneni, R.B.; Asrar, G. Atmospheric effects and spectral vegetation indices Remote Sensing of Environment, v. 47, n. 3, p. 390-402, Mar. 1994. Nagler, P.L.; Daughtry, C.S.T.; Goward, S.N. Plant litter and soil reflectance. Remote Sensing of Environment, v.71, n. 2, p. 207-215, Feb. 2000. Nakasu, B. H. Desafios tecnológicos para garantir a sustentabilidade e competitividade do agronegócio brasileiro. Simpósio Internacional de Agricultura de Precisão, 2, Viçosa,2002. Anais... Viçosa: UFV, 2002. National Aeronautics and Space Administration (NASA ). 40+ Years of Earth Science, Landsat-6. 2004. Disponível em: <www.earth.nasa.gov/history/landsat/landsat6.html>. Acesso em: 05 jan. 2004. Nascimento, P.S.R.; Almeida Filho, R. Utilização da técnica de segmentação em Imagens TM/Landsat visando otimizar a técnica de interpretação visual. In: Simpósio Brasileiro de Sensoriamento Remoto, 8., Salvador, 1996. Anais... São José dos Campos: INPE, 1996.

178

Norman, J.M.; Anderson, M.C.; Kustas, W.P.; French, A.N.; Mecikalski, J.; Torn, R.; Diak, G.R.; Schmugge, T.J. Remote sensing of evapotranspiration for precision-farming applications. International Geoscience and Remote Sensing Symposium, Tolouse, France, July 21-25, 2003. Novo, E.M.L.M. Sensoriamento remoto - princípios e aplicações. São Paulo: Edgard Blucher, 1989. 308p. Oetter, D.R.; Cohen, W.B.; Berterretche, M.; Maiersperger, T.K.; Kennedy, R.E. Land cover mapping in an agricultural setting using multiseasonal Thematic Mapper data. Remote Sensing of Environment, v.76, n. 2, p. 139-155, May 2000. Pax-Lenney, M.; Woodcock, C.E. The effect of spatial resolution on the ability to monitor the status of agricultural lands. Remote Sensing of Environment, v.61, n. 2, p. 210-220, Aug. 1997. Pino, F.A. Estatísticas agrícolas para o século XXI. Agricultura em São Paulo, v. 46, n. 2, p. 71-105, 1999. Pino, F.A. Estimação subjetiva de safras agrícolas. Informações Econômicas, v. 31, n. 6, p. 55-58 São Paulo, Jun. 2001a. ___. Tendências em informações agropecuárias. Palestra apresentada no X Simpósio Brasileiro de Sensoriamento Remoto, Foz do Iguaçu, 2001b. Prado, H. do; Solos do Brasil: gênese, morfologia, classificação e levantamento. 2 ed. Piracicaba, H. Do Prado, 2001, 220p. Price, J.C. How unique are spectral signatures? Remote Sensing of Environment, v. 49, n. 3, p. 181-186, Sept. 1994. Qi, J.; Chehbouni, A.; Huete, A.R.; Kerr, Y.H.; Sorooshian, S. A modified Soil Adjusted Vegetation Index. Remote Sensing of Environment, v. 48, n. 2, p. 119-126, May 1994. Ray, T.W. A FAQ on Vegetation in Remote Sensing, 1994. Disponível em: <149.170.199.144/new_gis/data/rsvegfaq.htm>. Acesso em: 22 jan. 2002. Richards, J.A.; Jia, X. Remote sensing digital image analysis. 3 ed. Berlin: Springer-Verlag, 1999. 365p. Richardson, A. J.; Wiegand, C. L. Distinguishing vegetation from soil background information. Photogrammetric Engineering and Remote Sensing, v. 43, p. 1541-1552, 1977. Rizzi, R.; Rudorff, B. F. T. Imagens Landsat na estimativa da área plantada com soja em municípios do Rio Grande do Sul. In: Simpósio Brasileiro de Sensoriamento Remoto, 11., 2003, Belo Horizonte. Anais... São José dos Campos: INPE, 2003. p. 231 -238. Disponível na biblioteca digital URLib < 150.163.34.2:1908/rep-/ltid.inpe.br/sbsr/2002/11.18.16.47 > Acesso em: 23 jun. 2003. Rondeaux, G.; Steven, M.; Baret, F. Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment, v. 55, n. 2, p. 95-107, Feb. 1996.

179

Rudorff, B. F. T. Dados Landsat na estimativa da produtividade agrícola da cana-de-açúcar. 1985. 100p. (INPE-3744-TDL/202). Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 1985. Rudorff, B. F. T.; Batista, G.T. Yield estimation of sugarcane based on Agrometeorological-spectral models. Remote Sensing of Environment, v. 33, n. 3, p. 183-192, Sept. 1990. ___. Wheat yield estimation at the farm level using TM Landsat and agrometeorological data. International Journal of Remote Sensing, v. 12, n. 12, p. 2477-2484, Dec. 1991. Sano, E.E.; Assad, E.D.; Orioli, A.L. Monitoramento da ocupação agrícola. In: Assad, E. D.; Sano, E. E. Sistemas de informação geográfica: aplicações na agricultura. 2 ed. Brasília. Embrapa-CPAC, 1998, Cap. 10, p. 179-190. Schowengerdt, R.A. Models and methods for image processing. 2. ed. 1997, 522p. Sediyama, T.; Pereira, M. G.; Sedyiama, C.S.; Gomes, J.L.L. Cultura da soja: I Parte. Viçosa: Universidade Federal de Viçosa Viçosa - Minas Gerais, 1996. 96p Stoner, E.R.; Baumgardner, M.F. Characteristic variations in reflectance of surface soils. Soil Science Society of America Journal, v.45, p. 1161-1165, 1981. Sugawara, L. M. Avaliação de modelo agrometeorológico e imagens NOAA/AVHRR no acompanhamento e estimativa de produtividade da soja no Estado do Paraná. 2002. 181p. (INPE-8702-TDI/794). Dissertação (Mestrado em Sensoriamento Remoto). Instituto Nacional de Pesquisas Espaciais, São José dos Campos. 2002. Supit, I.; van der Goot, E. Updated system description of the WOFOST crop growth simulation model as implemented in the Crop Growth Monitoring System applied by the European Commission. Treemail Publishers, Heelsum, The Netherlands. Jan. 2003. 120p. Disponível em: <www.treemail.nl/download/treebook7/index.htm>. Acesso em: 18 dez. 2003. Terres, J. M.; Delince, J.; Van de Steene, M.; Hawkins, A. The use of remote sensing and GIS capabilities to support the reform of the common agricultural policy of the European Community. Remote Sensing Reviews, v. 12, n. 1-2. p. 53-60, Jan. 1995. Universidade Federal de Santa Maria (UFSM) . A cultura da soja. Santa Maria: Faculdade de Agronomia, 1996. 35p. United States Department of Agriculture (USDA ). USDA foreign agricultural service: production, suply & distribuction, 2004. Disponível em: <www.fas.usda.gov/psd/complete_tables/OIL-table11-184.htm>. Acesso em: 18 jan. 2004.

180

United States Departament of Survey (USGS). Landsat 4-5 TM band designations. 2003. Disponível em: <edc.usgs.gov/products/satellite/ band.html>. Acesso em: 23 out. 2003. Venturieri, A.; Santos, J. R. Técnicas de classificação de imagens para análise de cobertura vegetal. In: Assad, E. D.; Sano, E. E. ed. Sistemas de informação geográfica: aplicações na agricultura. 2 ed. Brasília. Embrapa-CPAC, 1998. cap. 2, p. 13-29. Vermote, E. F.; Vermeulen, A. Atmospheric correction algorithm: spectral reflectances (MOD09). AlgorithmTheoretical Background, version 4.0. NASA, 1999. Disponível em: <modis-land.gsfc.nasa.gov/pdfs/atbd_ mod08.pdf> Acesso em: Jan. 2004. Wigton, W. [email protected]. CASS. [mensagem pessoal]. Mensagem recebida por < [email protected] >2004. Acesso em: 12 jan. 2004. Yi, J.L.R. Impacto da estiagem nas lavouras de soja no Rio Grande do Sul, ano-safra 20001/02. Cargil Agrícola S/A .Complexo Soja, 2003. Comunicação Pessoal.

181

APÊNDICE A – DADOS DE ÁREA PLANTADA – MAPEAMENTO

TABELA A.1 - Área Plantada com a Cultura da Soja Obtida Através da Classificação das Imagens Landsat em Comparação à Obtida pelo LSPA.

Área plantada (ha) Município

LSPA Landsat (a) LSPA - Landsat (b)


(bx100)/a

Água Santa 9.800 9.319 481 5,2 Ajuricaba 17.000 19.526 -2.526 -12,9 Alecrim 6.000 3.111 2.889 92,9 Alegria 8.500 5.967 2.533 42,5 Almirante Tamandaré do Sul 13.700 10.494 3.206 30,6 Alpestre 500 269 231 85,9 Alto Alegre 5.000 5.645 -645 -11,4 Ametista do Sul 1.000 25 975 3900,0 André da Rocha 2.500 1.958 542 27,7 Anta Gorda 220 59 161 272,9 Antonio Prado 0 0 0 0 Aratiba 300 13 287 2207,7 Arroio do Meio 1.400 880 520 59,1 Arroio do Tigre 2.100 1.316 784 59,6 Arvorezinha 40 35 5 14,3 Augusto Pestana 19.000 18.105 895 4,9 Áurea 3.400 3.378 22 0,7 Barão de Cotegipe 1.550 1.803 -253 -14,0 Barra do Guarita 2.600 1.360 1.240 91,2 Barra do Rio Azul 150 37 113 305,4 Barra Funda 3.300 2.630 670 25,5 Barracão 12.000 6.873 5.127 74,6 Barros Cassal 850 933 -83 -8,9 Benjamin Constant do Sul 300 154 146 94,8 Boa Vista das Missões 12.000 10.028 1.972 19,7 Boa Vista do Buricá 6.500 1.818 4.682 257,5 Boa Vista do Cadeado 22.780 38.411 -15.631 -40,7 Boa Vista do Incra 23.300 26.525 -3.225 -12,2 Bom Progresso 4.600 3.005 1.595 53,1 Bom Retiro do Sul 0 0 0 0 Boqueirao do Leão 0 0 0 0 Bossoroca 28.000 25.680 2.320 9,0 Bozano 10.200 14.242 -4.042 -28,4 Braga 7.000 5.362 1.638 30,5 Cacique Doble 5.300 3.217 2.083 64,7 Caibaté 12.200 9.083 3.117 34,3 Caiçara 2.400 936 1.464 156,4 Camargo 3.200 2.673 527 19,7 Campestre da Serra 800 1.201 -401 -33,4 Campina das Missões 7.000 4.915 2.085 42,4 Continua

182

TABELA A.1 (Continuação) Campinas do Sul 12.600 10.578 2.022 19,1 Campo Novo 12.500 12.008 492 4,1 Campos Borges 6.200 5.638 562 10,0 Candelária 9.800 7.174 2.626 36,6 Candido Godói 11.500 9.406 2.094 22,3 Canudos do Vale 0 0 0 0 Capão Bonito do Sul 7.000 9.987 -2.987 -29,9 Capão do Cipó 26.000 23.981 2.019 8,4 Capitão 18 0 18 - Carazinho 33.300 28.409 4.891 17,2 Carlos Gomes 1.800 194 1.606 827,8 Casca 1.800 2.036 -236 -11,6 Caseiros 4.500 4.594 -94 -2,0 Catuípe 33.000 36.150 -3.150 -8,7 Centenário 3.650 1.826 1.824 99,9 Cerro Grande 2.700 804 1.896 235,8 Cerro Largo 5.000 4.153 847 20,4 Chapada 34.500 33.030 1.470 4,5 Charrua 4.500 4.683 -183 -3,9 Chiapeta 23.000 21.770 1.230 5,6 Ciríaco 5.600 4.849 751 15,5 Colinas 350 379 -29 -7,7 Colorado 15.100 15.055 45 0,3 Condor 26.100 25.243 857 3,4 Constantina 7.700 5.617 2.083 37,1 Coqueiro de Baixo 1 0 1 - Coqueiros do Sul 11.000 9.889 1.111 11,2 Coronel Barros 10.800 8.770 2.030 23,1 Coronel Bicaco 30.000 28.817 1.183 4,1 Cotiporã 10 35 -25 -71,4 Coxilha 22.000 19.423 2.577 13,3 Crissiumal 13.000 8.478 4.522 53,3 Cristal do Sul 3.800 1.272 2.528 198,7 Cruz Alta 67.000 70.939 -3.939 -5,6 Cruzaltense 5.400 6.655 -1.255 -18,9 Cruzeiro do Sul 2.200 588 1.612 274,1 David Canabarro 1.000 1.265 -265 -20,9 Derrubadas 8.900 8.029 871 10,8 Dezesseis de Novembro 900 383 517 135,0 Dilermando de Aguiar 1.400 2.174 -774 -35,6 Dois Irmãos das Missões 14.200 13.679 521 3,8 Dois Lageados 110 0 110 - Dona Francisca 30 20 10 50,0 Doutor Mauricio Cardoso 12.300 12.833 -533 -4,2 Doutor Ricardo 52 27 25 92,6 Encantado 360 177 183 103,4 Engenho Velho 3.500 2.665 835 31,3 Entre Rios do Sul 4.711 2.658 2.053 77,2 Continua

183

TABELA A.1 (Continuação) Entre-Ijuís 29.000 24.895 4.105 16,5 Erebango 5.500 6.622 -1.122 -16,9 Erechim 4.500 7.423 -2.923 -39,4 Ernestina 14.256 12.246 2.010 16,4 Erval Grande 2.000 1.213 787 64,9 Erval Seco 14.500 7.838 6.662 85,0 Esmeralda 6.000 3.868 2.132 55,1 Esperança do Sul 6.500 3.926 2.574 65,6 Espumoso 31.000 29.235 1.765 6,0 Estação 3.800 3.655 145 4,0 Estrela 400 615 -215 -35,0 Estrela Velha 10.200 9.712 488 5,0 Eugênio de Castro 21.000 19.993 1.007 5,0 Fagundes Varela 40 104 -64 -61,5 Faxinal do Soturno 500 313 187 59,7 Faxinalzinho 4.000 3.941 59 1,5 Fazenda Vila Nova 150 290 -140 -48,3 Floriano Peixoto 1.500 2.224 -724 -32,6 Fontoura Xavier 150 212 -62 -29,2 Forquetinha 198 28 170 607,1 Fortaleza dos Valos 27.000 28.218 -1.218 -4,3 Frederico Westphalen 3.500 2.219 1.281 57,7 Garruchos 12.000 7.554 4.446 58,9 Gaurama 2.500 2.085 415 19,9 Gentil 6.700 5.269 1.431 27,2 Getúlio Vargas 8.700 10.539 -1.839 -17,4 Giruá 56.500 47.239 9.261 19,6 Gramado dos Loureiros 4.500 3.106 1.394 44,9 Gramado Xavier 0 0 0 0 Guabijú 600 697 -97 -13,9 Guaporé 450 75 375 500,0 Guarani das Missões 18.500 10.226 8.274 80,9 Herveiras 0 0 0 0 Horizontina 12.150 8.724 3.426 39,3 Humaitá 7.500 6.377 1.123 17,6 Ibarama 0 5 -5 -100,0 Ibiaçá 13.800 14.205 -405 -2,9 Ibiraiaras 2.400 3.995 -1.595 -39,9 Ibirapuitã 6.466 8.850 -2.384 -26,9 Ibirubá 36.250 34.534 1.716 5,0 Ijuí 42.200 32.257 9.943 30,8 Ilópolis 0 0 0 0 Independência 25.000 17.407 7.593 43,6 Inhacorã 7.000 6.681 319 4,8 Ipê 1.200 394 806 204,6 Ipiranga do Sul 6.800 6.989 -189 -2,7 Iraí 3.000 834 2.166 259,7 Itaara 1.400 1.635 -235 -14,4 Continua

184

TABELA A.1 (Continuação) Itacurubi 3.000 1.788 1.212 67,8 Itapuca 130 61 69 113,1 Itatiba do Sul 400 75 325 433,3 Ivorá 650 1.019 -369 -36,2 Jaboticaba 3.995 2.184 1.811 82,9 Jacuizinho 13.000 8.183 4.817 58,9 Jacutinga 10.300 9.094 1.206 13,3 Jaguari 2.500 1.327 1.173 88,4 Jarí 12.000 8.439 3.561 42,2 Jóia 55.000 58.341 -3.341 -5,7 Júlio de Castilhos 50.000 60.315 -10.315 -17,1 Lagoa Bonita do Sul 270 325 -55 -16,9 Lagoa Dos Três Cantos 7.500 7.184 316 4,4 Lagoa Vermelha 18.000 20.749 -2.749 -13,2 Lagoão 0 0 0 0 Lajeado 120 218 -98 -45,0 Lajeado do Bugre 5.000 1.972 3.028 153,5 Liberato Salzano 5.000 1.983 3.017 152,1 Machadinho 5.000 4.530 470 10,4 Marau 25.000 20.707 4.293 20,7 Marcelino Ramos 1.500 77 1.423 1848,1 Mariano Moro 10 5 5 100,0 Marques de Souza 50 205 -155 -75,6 Mata 600 64 536 837,5 Mato Castelhano 12.800 8.658 4.142 47,8 Mato Leitão 30 80 -50 -62,5 Mato Queimado 5.800 4.297 1.503 35,0 Maximiliano de Almeida 1.000 560 440 78,6 Miraguaí 3.500 2.305 1.195 51,8 Montauri 400 338 62 18,3 Monte Alegre dos Campos 200 114 86 75,4 Mormaço 6.500 5.419 1.081 19,9 Muçum 200 292 -92 -31,5 Muitos Capões 25.000 13.965 11.035 79,0 Muliterno 950 1.420 -470 -33,1 Não-Me-Toque 18.000 17.113 887 5,2 Nicolau Vergueiro 7.500 6.847 653 9,5 Nonoai 15.000 11.196 3.804 34,0 Nova Alvorada 1.200 763 437 57,3 Nova Araçá 0 0 0 0 Nova Bassano 10 68 -58 -85,3 Nova Boa Vista 4.100 3.962 138 3,5 Nova Candelária 3.600 1.983 1.617 81,5 Nova Esperança do Sul 3.300 2.011 1.289 64,1 Nova Palma 4.000 4.024 -24 -0,6 Nova Prata 300 612 -312 -51,0 Nova Ramada 13.200 14.814 -1.614 -10,9 Nova Roma do Sul 0 0 0 0 Continua

185

TABELA A.1 (Continuação) Novo Barreiro 4.500 3.765 735 19,5 Novo Cabrais 2.000 2.364 -364 -15,4 Novo Machado 11.000 10.701 299 2,8 Novo Tiradentes 4.700 427 4.273 1000,7 Novo Xingu 3.300 2.351 949 40,4 Paim Filho 1.000 929 71 7,6 Palmeira das Missões 78.000 82.129 -4.129 -5,0 Palmitinho 1.200 117 1.083 925,6 Panambi 26.400 22.361 4.039 18,1 Parai 8 6 2 33,3 Paraiso do Sul 160 191 -31 -16,2 Passa Sete 900 679 221 32,5 Passo do Sobrado 510 500 10 2,0 Passo Fundo 34.000 28.448 5.552 19,5 Paulo Bento 3.910 3.087 823 26,7 Pejuçara 26.000 25.744 256 1,0 Pinhal 1.700 517 1.183 228,8 Pinhal da Serra 3.000 1.737 1.263 72,7 Pinhal Grande 10.500 11.655 -1.155 -9,9 Pinheirinho do Vale 800 352 448 127,3 Pirapó 2.800 2.465 335 13,6 Planalto 1.800 635 1.165 183,5 Pontão 21.000 25.964 -4.964 -19,1 Ponte Preta 3.115 2.857 258 9,0 Porto Lucena 5.500 3.444 2.056 59,7 Porto Mauá 4.000 3.523 477 13,5 Porto Vera Cruz 1.850 570 1.280 224,6 Porto Xavier 3.500 918 2.582 281,3 Pouso Novo 30 0 30 - Progresso 8 0 8 - Protásio Alves 150 303 -153 -50,5 Quatro Irmãos 11.175 7.542 3.633 48,2 Quevedos 13.000 7.051 5.949 84,4 Quinze de Novembro 10.750 9.533 1.217 12,8 Redentora 13.000 8.659 4.341 50,1 Relvado 25 24 1 4,2 Restinga Seca 3.500 5.599 -2.099 -37,5 Rio dos Índios 9.000 6.427 2.573 40,0 Roca Sales 1.500 657 843 128,3 Rodeio Bonito 4.500 896 3.604 402,2 Rolador 11.000 7.755 3.245 41,8 Ronda Alta 22.000 21.753 247 1,1 Rondinha 10.000 9.743 257 2,6 Roque Gonzales 8.000 5.359 2.641 49,3 Sagrada Família 2.400 1.428 972 68,1 Saldanha Marinho 12.350 12.130 220 1,8 Salto do Jacuí 17.000 20.513 -3.513 -17,1 Salvador das Missões 4.500 3.758 742 19,7 Continua

186

TABELA A.1 (Continuação) Sananduva 10.000 13.073 -3.073 -23,5 Santa Bárbara do Sul 60.000 54.446 5.554 10,2 Santa Cecília do Sul 5.160 6.632 -1.472 -22,2 Santa Clara do Sul 500 272 228 83,8 Santa Cruz do Sul 900 14 886 6328,6 Santa Maria 6.500 8.828 -2.328 -26,4 Santa Rosa 30.000 22.017 7.983 36,3 Santiago 9.500 10.865 -1.365 -12,6 Santo Ângelo 34.000 29.097 4.903 16,9 Santo Antônio das Missões 25.000 15.256 9.744 63,9 Santo Antônio do Palma 2.000 1.113 887 79,7 Santo Antônio do Planalto 10.000 8.895 1.105 12,4 Santo Augusto 28.500 24.257 4.243 17,5 Santo Cristo 20.000 8.614 11.386 132,2 Santo Expedito do Sul 3.800 2.870 930 32,4 São Borja 30.000 38.695 -8.695 -22,5 São Domingos do Sul 130 231 -101 -43,7 São João da Urtiga 1.400 786 614 78,1 São João do Polêsine 200 137 63 46,0 São Jorge 300 367 -67 -18,3 São José das Missões 4.500 2.591 1.909 73,7 São José do Herval 80 37 43 116,2 São José do Inhacora 2.382 1.287 1.095 85,1 São José do Ouro 10.000 6.718 3.282 48,9 São Luiz Gonzaga 44.000 40.315 3.685 9,1 São Marcos 0 0 0 0 São Martinho 7.800 7.851 -51 -0,6 São Martinho da Serra 7.500 7.549 -49 -0,6 São Miguel das Missões 40.500 40.912 -412 -1,0 São Nicolau 8.000 7.094 906 12,8 São Paulo das Missões 4.000 3.305 695 21,0 São Pedro das Missões 2.000 4.395 -2.395 -54,5 São Pedro do Butiá 4.800 3.411 1.389 40,7 São Pedro do Sul 700 257 443 172,4 São Valentim 1.000 664 336 50,6 São Valentim do Sul 52 54 -2 -3,7 São Valério do Sul 5.900 5.034 866 17,2 São Vicente do Sul 1.500 1.227 273 22,2 Sarandi 14.400 13.334 1.066 8,0 Seberi 9.500 5.885 3.615 61,4 Sede Nova 5.000 6.557 -1.557 -23,7 Segredo 700 573 127 22,2 Selbach 9.500 9.582 -82 -0,9 Senador Salgado Filho 6.500 7.602 -1.102 -14,5 Serafina Corrêa 500 130 370 284,6 Sério 10 1 9 900,0 Sertão 26.000 19.981 6.019 30,1 Sete de Setembro 7.500 5.343 2.157 40,4 Continua

187

TABELA A.1 (Conclusão) Severiano de Almeida 500 83 417 502,4 Silveira Martins 500 1.058 -558 -52,7 Sinimbú 0 0 0 - Sobradinho 200 419 -219 -52,3 Soledade 6.400 11.637 -5.237 -45,0 Tapejara 11.000 9.543 1.457 15,3 Tapera 10.200 9.496 704 7,4 Taquaruçú do Sul 1.600 779 821 105,4 Tenente Portela 13.000 9.276 3.724 40,1 Tio Hugo 6.000 4.633 1.367 29,5 Tiradentes do Sul 10.500 5.804 4.696 80,9 Toropí 500 95 405 426,3 Travesseiro 300 112 188 167,9 Três Arroios 600 123 477 387,8 Três de Maio 24.000 19.266 4.734 24,6 Três Palmeiras 7.500 4.615 2.885 62,5 Três Passos 10.000 5.823 4.177 71,7 Trindade do Sul 10.000 6.445 3.555 55,2 Tucunduva 10.500 9.004 1.496 16,6 Tunas 1.500 1.315 185 14,1 Tupanci do Sul 4.000 2.585 1.415 54,7 Tupanciretã 80.000 91.437 -11.437 -12,5 Tuparendi 15.000 12.049 2.951 24,5 Ubiretama 6.000 5.004 996 19,9 União da Serra 150 51 99 194,1 Vacaria 20.000 15.282 4.718 30,9 Vale do Sol 110 121 -11 -9,1 Vale Verde 700 416 284 68,3 Vanini 180 307 -127 -41,4 Venâncio Aires 60 87 -27 -31,0 Veranópolis 4 37 -33 -89,2 Vespasiano Corrêa 750 692 58 8,4 Viadutos 1.000 561 439 78,3 Vicente Dutra 900 736 164 22,3 Victor Graeff 15.307 12.291 3.016 24,5 Vila Flores 60 147 -87 -59,2 Vila Langarô 7.000 5.919 1.081 18,3 Vila Maria 4.500 3.846 654 17,0 Vista Alegre 1.800 633 1.167 184,4 Vista Alegre do Prata 15 17 -2 -11,8 Vista Gaúcha 3.600 1.850 1.750 94,6

Vitória das Missões 10.000 8.087 1.913 23,7

Total Estimado 2.773.498 2.492.880 280.618 11,3

189

APÊNDICE B - DADOS DE ÁREA PLANTADA – AMOSTRAGEM

TABELA B.1 - Área Plantada com a Cultura da Soja Obtida Através do Método dos Segmentos nas Imagens Landsat para o Ano-safra 2000/01, Conjuntos Amostrais 1 e 2.

Conjunto amostral

1 (67 segmentos) 2 (133 segmentos)

Sorteio Área (ha)

Diferença (ha)

Diferença (%)

CV (%)

Área (ha)

Diferença (ha)

Diferença (%)

CV (%)

1 2.648.838 155.958 6,26 7,10 2.414.225 -78.655 -3,16 5,13 2 1.906.502 -586.378 -23,52 7,36 2.255.325 -237.555 -9,53 5,16 3 2.094.772 -398.108 -15,97 7,38 2.335.240 -157.640 -6,32 5,28 4 2.352.402 -140.478 -5,64 7,39 2.079.757 -413.123 -16,57 5,43 5 2.258.942 -233.938 -9,39 7,44 2.341.728 -151.152 -6,06 5,46 6 2.114.370 -378.510 -15,18 7,55 2.342.937 -149.943 -6,02 5,66 7 2.185.593 -307.287 -12,33 7,56 2.304.302 -188.578 -7,57 5,71 8 2.050.650 -442.230 -17,74 7,66 2.211.158 -281.722 -11,30 5,81 9 2.266.673 -226.207 -9,08 7,89 2.271.544 -221.336 -8,88 5,84

10 2.043.448 -449.432 -18,03 7,91 2.048.120 -444.760 -17,84 5,92 11 2.244.809 -248.071 -9,95 7,96 2.102.114 -390.766 -15,68 5,97 12 2.153.757 -339.123 -13,60 8,16 1.882.272 -610.608 -24,49 6,00 13 2.216.397 -276.483 -11,09 8,18 2.025.459 -467.421 -18,75 6,06 14 2.081.171 -411.709 -16,52 8,21 2.279.539 -213.341 -8,56 6,10 15 2.181.819 -311.061 -12,48 8,31 2.178.345 -314.535 -12,62 6,13 16 2.118.004 -374.876 -15,04 8,33 2.204.438 -288.442 -11,57 6,27 17 2.031.237 -461.643 -18,52 8,33 2.160.137 -332.743 -13,35 6,28 18 2.230.256 -262.624 -10,54 8,39 2.181.470 -311.410 -12,49 6,29 19 2.337.592 -155.288 -6,23 8,48 2.148.641 -344.239 -13,81 6,42 20 2.139.728 -353.152 -14,17 8,76 2.306.011 -186.869 -7,50 6,47 21 1.815.528 -677.352 -27,17 8,77 2.318.928 -173.952 -6,98 6,50 22 2.739.667 246.787 9,90 8,93 2.157.987 -334.893 -13,43 6,53 23 2.422.631 -70.249 -2,82 9,24 1.969.408 -523.472 -21,00 6,59 24 1.811.062 -681.818 -27,35 9,38 2.090.485 -402.395 -16,14 6,67 25 1.916.545 -576.335 -23,12 9,52 2.253.936 -238.944 -9,59 6,73 26 2.511.366 18.486 0,74 9,58 2.434.659 -58.221 -2,34 6,86 27 2.099.473 -393.407 -15,78 9,66 2.085.275 -407.605 -16,35 6,87 28 2.357.172 -135.708 -5,44 9,82 2.305.102 -187.778 -7,53 7,17 29 1.910.249 -582.631 -23,37 9,94 2.616.161 123.281 4,94 7,34 30 2.314.428 -178.452 -7,16 9,99 2.439.188 -53.692 -2,15 7,42 31 2.174.435 -318.445 -12,78 10,03 2.198.530 -294.350 -11,81 7,47

Continua TABELA B.1 (Continuação)

32 2.066.030 -426.850 -17,12 10,07 2.566.546 73.666 2,95 7,53 33 2.430.212 -62.668 -2,51 10,08 2.421.259 -71.621 -2,87 7,67 34 1.960.026 -532.854 -21,38 10,10 2.578.063 85.183 3,42 7,70 35 2.200.412 -292.468 -11,73 10,21 2.793.058 300.178 12,04 8,08 36 2.264.732 -228.148 -9,15 10,24 2.460.228 -32.652 -1,31 8,32 37 2.317.950 -174.930 -7,02 10,43 2.755.510 262.630 10,53 8,35 38 2.833.379 340.499 13,66 10,60 2.739.714 246.834 9,90 8,55 39 2.263.377 -229.503 -9,21 10,61 2.339.279 -153.601 -6,16 8,56 40 3.061.954 569.074 22,83 10,86 2.631.335 138.455 5,55 8,56 41 2.404.995 -87.885 -3,53 10,89 2.308.465 -184.415 -7,40 8,75 42 2.494.068 1.188 0,14 10,98 2.574.126 81.246 3,26 8,91 43 2.323.982 -168.898 -6,78 11,04 2.420.946 -71.934 -2,89 8,92 44 2.091.737 -401.143 -16,09 11,08 2.702.830 209.950 8,42 9,00 45 2.339.249 -153.631 -6,16 11,31 2.485.710 -7.170 -0,29 9,12 46 2.069.456 -423.424 -16,99 11,63 2.469.277 -23.603 -0,95 9,12 47 2.789.532 296.652 11,90 11,77 2.599.832 106.952 4,29 9,20 48 2.243.491 -249.389 -10,00 11,81 2.738.763 245.883 9,86 9,29 49 2.489.164 -3.716 -0,15 11,98 2.712.494 219.614 8,81 9,47 50 2.383.857 -109.023 -4,37 12,28 2.608.924 116.044 4,65 9,66 51 2.626.628 133.748 5,36 12,37 2.995.797 502.917 20,17 9,72

190

52 2.562.835 69.955 2,81 12,95 2.607.000 114.120 4,58 9,93 53 2.718.613 225.733 9,05 13,34 2.486.830 -6.050 -0,24 10,10 54 2.454.173 -38.707 -1,55 13,50 2.315.241 -177.639 -7,13 10,12 55 2.515.255 22.375 0,90 13,56 2.528.107 35.227 1,41 10,14 56 2.379.665 -113.215 -4,54 13,73 2.424.201 -68.679 -2,76 10,15 57 2.507.684 14.804 0,59 13,97 2.294.853 -198.027 -7,94 10,49 58 2.978.590 485.710 19,48 15,15 2.474.073 -18.807 -0,76 10,56 59 2.505.605 12.725 0,51 15,21 2.445.525 -47.355 -1,90 10,65 60 2.475.036 -17.844 -0,72 15,22 2.518.900 26.020 1,04 10,69 61 2.830.567 337.687 13,54 15,50 2.744.811 251.931 10,10 11,08 62 2.859.426 366.546 14,70 15,51 2.363.160 -129.720 -5,20 11,16 63 2.704.259 211.379 8,48 15,60 2.484.564 -8.316 -0,33 11,23 64 2.298.689 -194.191 -7,79 15,73 2.420.583 -72.297 -2,90 11,41 65 2.802.629 309.749 12,42 15,92 2.635.582 142.702 5,72 11,44 66 3.028.308 535.428 21,48 16,12 2.382.712 -110.168 -4,42 11,49 67 2.648.023 155.143 6,22 16,13 2.807.637 314.757 12,63 11,66 68 2.552.982 60.102 2,41 16,22 2.982.358 489.478 19,63 11,77 69 2.891.161 398.281 15,98 16,45 2.948.811 455.931 18,29 11,79 70 2.256.980 -235.900 -9,46 16,49 2.852.020 359.140 14,41 11,86 71 2.072.181 -420.699 -16,88 16,56 2.473.988 -18.892 -0,76 11,89

Continua TABELA B.1 (Conclusão)

72 2.536.326 43.446 1,74 16,90 2.679.886 187.006 7,50 11,93 73 3.082.050 589.170 23,63 16,91 2.588.861 95.981 3,85 12,05 74 3.070.648 577.768 23,18 17,02 3.105.827 612.947 24,59 12,13 75 2.790.477 297.597 11,94 17,46 3.134.120 641.240 25,72 12,19 76 2.960.357 467.477 18,75 17,56 3.064.479 571.599 22,93 12,24 77 2.796.250 303.370 12,17 17,62 2.530.775 37.895 1,52 12,27 78 2.881.045 388.165 15,57 17,64 2.663.127 170.247 6,83 12,65 79 2.758.481 265.601 10,65 17,67 2.839.296 346.416 13,90 12,73 80 2.368.641 -124.239 -4,98 17,68 2.581.427 88.547 3,55 12,74 81 2.891.679 398.799 16,00 18,38 2.631.226 138.346 5,55 12,78 82 3.009.559 516.679 20,72 19,10 3.007.545 514.665 20,64 12,82 83 2.931.020 438.140 17,57 19,16 2.778.990 286.110 11,48 12,88 84 2.735.637 242.757 9,74 20,16 2.812.125 319.245 12,81 13,02 85 2.929.331 436.451 17,51 20,68 2.461.438 -31.442 -1,26 13,09 86 2.642.339 149.459 5,99 20,74 2.798.101 305.221 12,24 13,27 87 2.461.061 -31.819 -1,28 21,78 2.519.011 26.131 1,05 13,97 88 3.085.611 592.731 23,78 21,94 2.448.176 -44.704 -1,79 14,19 89 2.424.226 -68.654 -2,75 22,19 2.716.346 223.466 8,96 14,20 90 2.892.132 399.252 16,01 22,22 3.098.218 605.338 24,28 14,27 91 2.701.584 208.704 8,37 22,24 2.678.882 186.002 7,46 14,35 92 2.974.507 481.627 19,32 22,39 2.666.068 173.188 6,95 14,42 93 3.077.045 584.165 23,43 23,39 2.643.921 151.041 6,06 14,84 94 3.352.164 859.284 34,47 23,82 2.784.060 291.180 11,68 14,85 95 3.050.867 557.987 22,38 24,25 2.654.630 161.750 6,49 14,90 96 2.598.084 105.204 4,22 24,46 2.572.614 79.734 3,20 15,17 97 2.898.765 405.885 16,28 24,67 2.696.964 204.084 8,19 15,44 98 2.836.063 343.183 13,77 25,01 3.105.826 612.946 24,59 15,99 99 3.146.063 653.183 26,20 26,04 2.497.121 4.241 0,17 17,13

100 2.889.392 396.512 15,90 30,48 2.662.283 169.403 6,79 18,12

Média 2.501.978 9.098 0,36 13,96 2.514.569 21.688 0,87 9.88

191

TABELA B.2 - Área Plantada com a Cultura da Soja Obtida Através do Método dos Segmentos nas Imagens Landsat para o Ano-safra 2000/01, Conjuntos Amostrais 3 e 4.

Conjunto amostral

3 (265 segmentos) 4 (530 segmentos)

Sorteio Área (ha)

Diferença (ha)

Diferença (%)

CV (%)

Área (ha)

Diferença (ha)

Diferença (%)

CV (%)

1 2.190.760 -302.120 -12,12 3,96 2.230.304 -262.576 -10,53 3,63 2 2.223.527 -269.353 -10,81 4,01 2.269.343 -223.537 -8,97 3,70 3 2.291.993 -200.887 -8,06 4,29 2.335.857 -157.023 -6,3 3,76 4 2.199.529 -293.351 -11,77 4,4 2.283.739 -209.141 -8,39 3,82 5 2.449.191 -43.689 -1,75 4,45 2.259.993 -232.887 -9,34 3,85 6 2.228.454 -264.426 -10,61 4,49 2.480.441 -12.439 -0,5 3,87 7 2.127.695 -365.185 -14,65 4,61 2.350.159 -142.721 -5,73 3,89 8 2.376.537 -116.343 -4,67 4,87 2.306.485 -186.395 -7,48 3,93 9 2.433.386 -59.494 -2,39 5,13 2.360.662 -132.218 -5,3 3,93

10 2.353.981 -138.899 -5,57 5,19 2.306.641 -186.239 -7,47 3,94 11 2.201.193 -291.687 -11,7 5,23 2.276.716 -216.164 -8,67 3,96 12 2.272.472 -220.408 -8,84 5,34 2.357.229 -135.651 -5,44 4,00 13 2.140.305 -352.575 -14,14 5,35 2.297.497 -195.383 -7,84 4,00 14 2.346.277 -146.603 -5,88 5,40 2.475.358 -17.522 -0,7 4,01 15 2.507.543 14.663 0,59 5,51 2.312.598 -180.282 -7,23 4,04 16 2.426.885 -65.995 -2,65 5,60 2.446.524 -46.356 -1,86 4,06 17 2.421.623 -71.257 -2,86 5,77 2.433.441 -59.439 -2,39 4,06 18 2.311.287 -181.593 -7,29 5,80 2.347.434 -145.446 -5,84 4,14 19 2.474.608 -18.272 -0,73 5,80 2.456.216 -36.664 -1,47 4,33 20 2.486.533 -6.347 -0,26 5,99 2.444.601 -48.279 -1,94 4,33 21 2.400.536 -92.344 -3,71 6,02 2.426.202 -66.678 -2,68 4,48 22 2.239.501 -253.379 -10,16 6,04 2.389.880 -103.000 -4,13 4,5 23 2.395.719 -97.161 -3,9 6,04 2.450.329 -42.551 -1,71 4,52 24 2.298.300 -194.580 -7,81 6,08 2.593.405 100.525 4,03 4,55 25 2.435.174 -57.706 -2,32 6,08 2.351.101 -141.779 -5,69 4,56 26 2.532.767 39.887 1,6 6,12 2.491.868 -1.012 -0,04 4,58 27 2.343.104 -149.776 -6,01 6,13 2.560.459 67.579 2,71 4,59 28 2.476.974 -15.906 -0,64 6,3 2.480.676 -12.204 -0,49 4,6 29 2.297.361 -195.519 -7,84 6,3 2.268.124 -224.756 -9,02 4,63 30 2.520.272 27.392 1,1 6,33 2.556.345 63.465 2,54 4,65 31 2.430.616 -62.264 -2,5 6,41 2.366.986 -125.894 -5,05 4,69 32 2.530.227 37.347 1,5 6,42 2.449.670 -43.210 -1,73 4,70

Continua TABELA B.2 (Continuação)

33 2.556.126 63.246 2,54 6,51 2.411.168 -81.712 -3,28 4,75 34 2.476.176 -16.704 -0,67 6,58 2.472.110 -20.770 -0,83 4,79 35 2.607.624 114.744 4,6 6,67 2.401.651 -91.229 -3,66 4,81 36 2.299.496 -193.384 -7,76 6,76 2.577.569 84.689 3,4 4,82 37 2.493.293 413 0,02 6,76 2.498.387 5.507 0,22 4,87 38 2.275.898 -216.982 -8,7 6,78 2.554.173 61.293 2,46 4,91 39 2.500.516 7.636 0,31 6,80 2.529.714 36.834 1,48 4,91 40 2.340.645 -152.235 -6,11 6,85 2.526.552 33.672 1,35 4,93 41 2.454.636 -38.244 -1,54 6,87 2.725.378 232.498 9,33 4,94 42 2.628.918 136.038 5,46 6,95 2.524.089 31.209 1,25 4,99 43 2.352.640 -140.240 -5,63 6,97 2.489.711 -3.169 -0,13 4,99 44 2.370.301 -122.579 -4,92 7,00 2.557.942 65.062 2,61 5,02 45 2.427.354 -65.526 -2,63 7,04 2.503.319 10.439 0,42 5,03 46 2.497.366 4.486 0,18 7,09 2.327.087 -165.793 -6,65 5,04 47 2.571.988 79.108 3,17 7,12 2.427.802 -65.078 -2,61 5,21 48 2.443.632 -49.248 -1,98 7,14 2.459.186 -33.694 -1,35 5,22 49 2.397.012 -95.868 -3,85 7,16 2.311.129 -181.751 -7,29 5,23 50 2.231.701 -261.179 -10,48 7,17 2.442.317 -50.563 -2,03 5,24 51 2.494.215 1.335 0,05 7,23 2.445.865 -47.015 -1,89 5,24 52 2.672.562 179.682 7,21 7,34 2.528.652 35.772 1,43 5,25 53 2.352.349 -140.531 -5,64 7,34 2.333.631 -159.249 -6,39 5,26 54 2.466.017 -26.863 -1,08 7,38 2.556.446 63.566 2,55 5,27

192

55 2.364.222 -128.658 -5,16 7,41 2.595.844 102.964 4,13 5,29 56 2.586.461 93.581 3,75 7,45 2.507.660 14.780 0,59 5,35 57 2.395.231 -97.649 -3,92 7,51 2.603.239 110.359 4,43 5,36 58 2.838.967 346.087 13,88 7,55 2.475.662 -17.218 -0,69 5,38 59 2.341.851 -151.029 -6,06 7,56 2.466.622 -26.258 -1,05 5,41 60 2.446.466 -46.414 -1,86 7,65 2.622.009 129.129 5,18 5,42 61 2.648.909 156.029 6,26 7,71 2.275.185 -217.695 -8,73 5,42 62 2.597.520 104.640 4,2 7,83 2.475.261 -17.619 -0,71 5,46 63 2.417.382 -75.498 -3,03 7,84 2.457.051 -35.829 -1,44 5,47 64 2.486.108 -6.772 -0,27 7,85 2.573.921 81.041 3,25 5,48 65 2.512.412 19.532 0,78 7,86 2.427.023 -65.857 -2,64 5,49 66 2.696.297 203.417 8,16 7,89 2.551.583 58.703 2,35 5,53 67 2.286.352 -206.528 -8,29 7,89 2.424.732 -68.148 -2,73 5,54 68 2.728.389 235.509 9,45 7,89 2.587.699 94.819 3,8 5,58 69 2.431.687 -61.193 -2,46 7,9 2.400.500 -92.380 -3,71 5,58 70 2.443.130 -49.750 -2 7,97 2.697.076 204.196 8,19 5,58 71 2.580.004 87.124 3,49 8,00 2.476.195 -16.685 -0,67 5,61 72 2.470.204 -22.676 -0,91 8,02 2.740.223 247.343 9,92 5,63

Continua TABELA B.2 (Conclusão)

73 2.716.143 223.263 8,95 8,22 2.598.829 105.949 4,25 5,66 74 2.553.694 60.814 2,44 8,33 2.527.582 34.702 1,39 5,68 75 2.714.936 222.056 8,91 8,38 2.510.355 17.475 0,7 5,85 76 2.342.133 -150.747 -6,05 8,46 2.697.156 204.276 8,19 5,87 77 2.637.627 144.747 5,81 8,54 2.664.133 171.253 6,87 5,89 78 2.320.827 -172.053 -6,9 8,74 2.556.968 64.088 2,57 5,91 79 2.418.546 -74.334 -2,98 8,75 2.464.631 -28.249 -1,13 5,91 80 2.400.276 -92.604 -3,72 8,83 2.657.442 164.562 6,6 5,93 81 2.648.076 155.196 6,22 8,85 2.526.658 33.778 1,35 5,98 82 2.729.886 237.006 9,51 8,87 2.490.734 -2.146 -0,09 6,00 83 2.727.788 234.908 9,42 9,00 2.467.045 -25.835 -1,04 6,06 84 2.868.489 375.609 15,07 9,03 2.575.702 82.822 3,32 6,16 85 2.859.892 367.012 14,72 9,05 2.522.876 29.996 1,2 6,18 86 2.996.115 503.235 20,19 9,23 2.320.115 -172.765 -6,93 6,25 87 2.490.114 -2.766 -0,11 9,24 2.416.449 -76.431 -3,07 6,25 88 2.403.023 -89.857 -3,61 9,25 2.599.092 106.212 4,26 6,26 89 2.486.110 -6.770 -0,27 9,28 2.706.263 213.383 8,56 6,35 90 2.616.622 123.742 4,96 9,3 2.497.723 4.843 0,19 6,39 91 2.728.773 235.893 9,46 9,35 2.689.743 196.863 7,9 6,45 92 2.390.802 -102.078 -4,1 9,37 2.609.594 116.714 4,68 6,47 93 2.635.020 142.140 5,7 9,52 2.645.602 152.722 6,13 6,51 94 2.575.798 82.918 3,33 9,56 2.689.510 196.630 7,89 6,51 95 2.892.305 399.425 16,02 9,60 2.504.192 11.312 0,45 6,59 96 2.940.996 448.116 17,97 9,62 2.474.041 -18.839 -0,76 6,66 97 2.466.258 -26.622 -1,07 9,92 2.636.059 143.179 5,74 6,75 98 2.663.455 170.575 6,84 10,17 2.420.146 -72.734 -2,92 6,80 99 2.845.276 352.396 14,13 10,26 2.749.277 256.397 10,28 6,81

100 2.832.095 339.215 13,61 11,36 2.673.050 180.170 7,23 6,88

Média 2.484.475 -8.405 -0,34 7,27 2.482.686 -10.194 -0,41 5.19

193

APÊNDICE C - DADOS DE PRODUTIVIDADE

TABELA C.1 - Produtividade Estimada pelos Modelos Agrometeorológico (MA) e Agrometeorológico-espectral (MAE) em Comparação à Estimada pelo LSPA e Corrigida em Função da Área Plantada, para a Cultura da Soja no Rio Grande do Sul, Ano-safra 2000/01.

Município MA (kg ha-1)

MAE (kg ha-1)

LSPA (kg ha-1)

MA - LSPA

(kg ha-1)

MA - LSPA (%)

MAE - LSPA

(kg ha-1)

MAE - LSPA (%)

% Soja

Água Santa 2.607 2.582 3.204 -597 -18,62 -622 -19,41 0,35 Ajuricaba 2.533 2.495 2.670 -138 -5,15 -175 -6,56 0,59

Alecrim 2.263 2.547 1.669 594 35,60 878 52,61 0,10

Alegria 2.393 2.372 1.602 791 49,37 770 48,05 0,35

Almirante Tamandaré do Sul 2.679 2.754 3.338 -659 -19,74 -583 -17,48 0,41

Alpestre 2.347 2.349 2.136 211 9,88 213 9,99 0,01

Alto Alegre 2.720 2.702 3.004 -284 -9,46 -302 -10,06 0,52

Ametista do Sul 2.318 2.320 1.558 761 48,83 763 48,98 0,00

André da Rocha 2.468 2.756 2.003 465 23,24 753 37,62 0,06

Anta Gorda 2.163 2.512 2.200 -36 -1,65 313 14,21 0,00

Aratiba 2.205 2.611 2.003 203 10,12 608 30,37 0,00

Arroio do Meio 2.494 2.621 2.336 158 6,75 285 12,18 0,06

Arroio do Tigre 2.443 2.832 2.336 107 4,59 496 21,22 0,04

Arvorezinha 2.760 3.117 1.224 1.536 125,50 1.893 154,70 0,00

Augusto Pestana 2.529 2.481 2.537 -7 -0,29 -56 -2,19 0,55

Áurea 2.293 2.386 2.670 -377 -14,11 -284 -10,64 0,22

Barão de Cotegipe 2.267 2.269 2.670 -403 -15,11 -401 -15,02 0,06

Barra do Guarita 2.321 2.757 1.936 385 19,89 821 42,43 0,21

Barra do Rio Azul 2.190 2.430 2.114 76 3,60 316 14,94 0,00

Barra Funda 2.392 2.323 2.670 -278 -10,43 -347 -13,00 0,42

Barracão 2.596 2.661 3.004 -408 -13,58 -343 -11,40 0,13

Barros Cassal 2.663 2.665 2.537 126 4,98 129 5,08 0,01

Benjamin Constant do Sul 2.238 2.681 1.535 703 45,78 1.146 74,66 0,01

Boa Vista das Missões 2.681 2.672 2.559 122 4,78 113 4,43 0,55

Boa Vista do Buricá 2.278 2.514 2.003 276 13,78 512 25,55 0,17

Boa Vista do Cadeado 2.580 2.542 2.870 -290 -10,10 -328 -11,44 0,56

Boa Vista do Incra 2.420 2.387 2.804 -383 -13,67 -417 -14,86 0,50

Bom Progresso 2.895 2.857 2.336 559 23,91 520 22,27 0,37

Bossoroca 2.470 2.540 2.270 200 8,82 271 11,93 0,16

Bozano 2.561 2.429 2.670 -109 -4,10 -241 -9,03 0,67

Braga 2.861 2.781 2.114 747 35,34 667 31,56 0,42

Cacique Doble 2.283 2.461 3.004 -720 -23,98 -542 -18,06 0,16

Caibaté 2.648 2.614 2.203 446 20,24 412 18,68 0,35

Caiçara 2.306 2.729 2.436 -130 -5,36 292 12,00 0,05

Continua

194

TABELA C.1 (Continuação)

Camargo 2.459 2.623 2.804 -345 -12,30 -180 -6,42 0,20

Campestre da Serra 2.646 2.832 2.559 87 3,39 273 10,69 0,02

Campina das Missões 2.352 2.501 2.336 16 0,69 164 7,04 0,22

Campinas do Sul 2.762 2.650 3.115 -353 -11,35 -465 -14,91 0,40

Campo Novo 2.858 2.825 2.670 188 7,06 155 5,82 0,55

Campos Borges 2.670 2.777 2.804 -133 -4,76 -27 -0,95 0,25

Candelária 2.230 2.345 1.869 361 19,29 476 25,45 0,08

Candido Godói 2.624 2.569 2.670 -46 -1,73 -101 -3,80 0,39

Capão Bonito do Sul 2.604 2.692 3.004 -399 -13,29 -312 -10,38 0,20

Capão do Cipó 2.353 2.355 2.336 16 0,70 18 0,78 0,24

Carazinho 2.781 2.808 3.004 -223 -7,43 -196 -6,53 0,44

Carlos Gomes 2.232 2.235 2.336 -104 -4,45 -102 -4,35 0,02

Casca 2.343 2.622 3.059 -716 -23,41 -438 -14,31 0,08

Caseiros 2.556 2.747 2.670 -114 -4,27 77 2,87 0,19

Catuípe 2.696 2.739 2.537 160 6,30 202 7,98 0,60

Centenário 2.421 2.538 2.670 -249 -9,32 -132 -4,94 0,14

Cerro Grande 2.522 2.524 1.780 742 41,67 744 41,81 0,11

Cerro Largo 2.638 2.670 2.203 436 19,78 467 21,20 0,24

Chapada 2.716 2.646 3.004 -288 -9,57 -358 -11,91 0,48

Charrua 2.183 2.266 3.071 -887 -28,90 -804 -26,19 0,24

Chiapeta 2.609 2.661 2.670 -61 -2,29 -9 -0,33 0,56

Ciríaco 2.463 2.622 3.004 -541 -18,00 -381 -12,70 0,18

Colinas 2.523 2.646 2.336 187 7,98 309 13,24 0,07

Colorado 2.704 2.645 3.338 -633 -18,98 -693 -20,75 0,54

Condor 2.712 2.602 3.004 -292 -9,72 -401 -13,36 0,55

Constantina 2.539 2.529 2.403 136 5,67 126 5,25 0,30

Coqueiros do Sul 2.735 2.781 2.336 398 17,06 445 19,05 0,39

Coronel Barros 2.644 2.581 2.670 -26 -0,98 -89 -3,32 0,55

Coronel Bicaco 2.854 2.776 2.253 601 26,69 523 23,23 0,59

Cotiporã 2.680 3.059 2.670 10 0,39 389 14,56 0,00

Coxilha 2.610 2.582 3.004 -394 -13,12 -422 -14,03 0,47

Crissiumal 2.375 2.550 1.836 540 29,40 715 38,93 0,24

Cristal do Sul 2.323 2.455 2.537 -214 -8,42 -81 -3,20 0,13

Cruz Alta 2.460 2.414 3.004 -544 -18,11 -589 -19,62 0,53

Cruzaltense 2.667 2.596 2.670 -3 -0,12 -74 -2,78 0,38

Cruzeiro do Sul 2.794 2.919 2.003 791 39,51 916 45,76 0,04

David Canabarro 2.115 2.305 2.893 -778 -26,89 -588 -20,32 0,07

Derrubadas 2.323 2.480 2.690 -367 -13,66 -210 -7,82 0,23

Dezesseis de Novembro 2.139 2.141 1.335 804 60,24 806 60,40 0,02

Dilermando de Aguiar 1.774 1.958 2.003 -229 -11,42 -44 -2,20 0,04

Dois Irmãos das Missões 2.912 2.906 2.225 687 30,85 681 30,62 0,56

Dona Francisca 2.703 3.253 2.448 256 10,44 806 32,93 0,00

Doutor Mauricio Cardoso 2.575 2.575 2.092 483 23,11 484 23,14 0,52

Doutor Ricardo 2.210 2.212 2.332 -122 -5,23 -120 -5,14 0,00

Continua

195


Encantado 2.343 2.464 2.003 341 17,01 462 23,06 0,01

Engenho Velho 2.736 2.622 2.670 66 2,48 -48 -1,78 0,37

Entre Rios do Sul 2.802 2.829 3.036 -233 -7,69 -207 -6,83 0,23

Entre-Ijuís 2.643 2.633 2.203 440 19,97 430 19,53 0,46

Erebango 2.577 2.643 3.004 -427 -14,20 -361 -12,00 0,43

Erechim 2.545 2.577 3.204 -659 -20,57 -627 -19,55 0,18

Ernestina 2.733 2.682 3.004 -271 -9,02 -322 -10,73 0,49

Erval Grande 2.241 2.493 2.670 -429 -16,06 -177 -6,62 0,04

Erval Seco 2.701 2.769 2.252 450 19,98 517 22,96 0,23

Esmeralda 2.713 2.782 3.004 -290 -9,67 -221 -7,37 0,04

Esperança do Sul 2.319 2.534 1.936 383 19,79 598 30,91 0,27

Espumoso 2.761 2.770 2.870 -109 -3,80 -101 -3,51 0,36

Estação 2.631 2.740 3.004 -373 -12,41 -264 -8,79 0,38

Estrela 2.107 2.543 2.537 -430 -16,94 6 0,24 0,03

Estrela Velha 2.672 2.728 2.781 -110 -3,94 -54 -1,93 0,34

Eugênio de Castro 2.665 2.674 2.270 395 17,43 405 17,83 0,48

Fagundes Varela 2.410 2.413 1.780 630 35,40 633 35,54 0,01

Faxinal do Soturno 2.079 2.081 2.003 77 3,84 79 3,94 0,02

Faxinalzinho 2.245 2.425 3.004 -759 -25,27 -578 -19,25 0,28

Fazenda Vila Nova 2.911 3.179 2.003 908 45,36 1.176 58,74 0,03

Floriano Peixoto 2.166 2.380 3.004 -838 -27,89 -624 -20,76 0,14

Fontoura Xavier 2.731 3.047 2.670 61 2,29 377 14,11 0,00

Forquetinha 2.189 2.191 2.000 189 9,44 191 9,55 0,00

Fortaleza dos Valos 2.468 2.461 3.204 -736 -22,97 -743 -23,18 0,44

Frederico Westphalen 2.213 2.554 2.003 210 10,51 551 27,54 0,09

Garruchos 2.540 2.639 2.270 270 11,91 370 16,30 0,09

Gaurama 2.209 2.419 2.670 -461 -17,25 -251 -9,41 0,11

Gentil 2.606 2.634 3.004 -398 -13,26 -370 -12,31 0,29

Getúlio Vargas 2.422 2.519 3.137 -715 -22,78 -618 -19,70 0,38

Giruá 2.809 2.750 2.136 673 31,51 614 28,73 0,58

Gramado dos Loureiros 2.903 2.942 2.559 344 13,46 383 14,97 0,22

Guabijú 2.481 2.697 3.338 -856 -25,66 -640 -19,18 0,05

Guaporé 2.254 2.256 2.003 252 12,56 254 12,68 0,00

Guarani das Missões 2.628 2.556 2.003 626 31,26 554 27,66 0,35

Horizontina 2.767 2.671 2.100 667 31,74 571 27,17 0,39

Humaitá 2.790 2.761 2.670 120 4,48 91 3,40 0,46

Ibiaçá 2.519 2.546 3.004 -485 -16,13 -457 -15,23 0,42

Ibiraiaras 2.111 2.237 3.471 -1.360 -39,19 -1.234 -35,54 0,13

Ibirapuitã 2.728 2.862 2.670 58 2,17 192 7,20 0,27

Ibirubá 2.602 2.537 3.004 -402 -13,37 -467 -15,55 0,56

Ijuí 2.660 2.618 2.470 191 7,71 148 6,00 0,51

Independência 2.769 2.743 2.336 433 18,52 406 17,40 0,50

Inhacorã 2.489 2.489 2.603 -114 -4,39 -114 -4,38 0,60

Ipê 2.197 2.577 2.225 -28 -1,28 352 15,83 0,01

Continua

196


Ipiranga do Sul 2.639 2.665 3.004 -364 -12,13 -339 -11,28 0,44

Irai 2.189 2.659 2.136 53 2,46 523 24,47 0,04

Itaara 2.782 3.327 3.204 -422 -13,17 123 3,83 0,09

Itacurubi 2.420 2.638 2.003 418 20,86 635 31,73 0,02

Itapuca 2.476 2.479 1.609 867 53,91 870 54,07 0,00

Itatiba do Sul 2.891 2.908 2.670 221 8,26 238 8,92 0,00

Ivorá 2.758 2.906 2.336 422 18,07 569 24,37 0,08

Jaboticaba 2.771 2.800 2.670 101 3,78 130 4,89 0,17

Jacuizinho 2.659 2.697 2.670 -11 -0,41 27 1,00 0,25

Jacutinga 2.765 2.705 3.004 -239 -7,94 -299 -9,94 0,41

Jaguari 2.443 2.633 2.336 107 4,57 297 12,71 0,02

Jarí 2.227 2.435 2.336 -109 -4,68 99 4,23 0,10

Jóia 2.518 2.611 2.804 -286 -10,20 -192 -6,85 0,47

Júlio de Castilhos 2.525 2.565 2.670 -145 -5,43 -105 -3,93 0,33

Lagoa Bonita do Sul 2.653 3.198 2.868 -215 -7,50 330 11,51 0,03

Lagoa Dos Três Cantos 2.804 2.745 3.004 -199 -6,63 -259 -8,62 0,54

Lagoa Vermelha 2.526 2.721 2.537 -11 -0,43 185 7,28 0,17

Lajeado 2.481 2.483 1.001 1.480 147,79 1.482 148,04 0,02

Lajeado do Bugre 2.861 2.689 2.225 636 28,60 464 20,86 0,27

Liberato Salzano 2.292 2.573 2.225 67 2,99 348 15,66 0,08

Machadinho 2.508 2.685 3.004 -496 -16,52 -319 -10,61 0,14

Marau 2.632 2.738 2.670 -38 -1,43 68 2,53 0,34

Marcelino Ramos 2.198 2.629 1.335 863 64,65 1.294 96,91 0,00

Mariano Moro 2.221 2.223 1.335 886 66,34 888 66,51 0,00

Marques de Souza 2.206 2.660 2.003 203 10,15 658 32,85 0,02

Mata 2.019 2.464 1.335 684 51,23 1.129 84,56 0,00

Mato Castelhano 2.604 2.560 3.004 -400 -13,32 -444 -14,77 0,36

Mato Leitão 2.691 2.693 1.595 1.096 68,74 1.099 68,91 0,02

Mato Queimado 2.695 2.718 2.203 492 22,34 515 23,39 0,40

Maximiliano de Almeida 2.183 2.440 2.670 -487 -18,23 -230 -8,62 0,03

Miraguaí 2.904 2.865 2.103 802 38,13 762 36,25 0,18

Montauri 2.208 2.546 2.670 -462 -17,32 -124 -4,63 0,05

Monte Alegre dos Campos 2.491 2.494 2.403 88 3,67 91 3,77 0,00

Mormaço 2.762 2.810 2.670 92 3,45 140 5,23 0,37

Muçum 2.282 2.781 2.670 -388 -14,52 111 4,14 0,03

Muitos Capões 2.534 2.642 2.670 -136 -5,09 -29 -1,07 0,12

Muliterno 2.394 2.635 2.670 -276 -10,35 -35 -1,32 0,13

Não-Me-Toque 2.813 2.813 2.670 143 5,34 143 5,35 0,46

Nicolau Vergueiro 2.752 2.819 3.004 -252 -8,38 -185 -6,15 0,44

Nonoai 2.703 2.806 2.670 33 1,23 136 5,10 0,25

Nova Alvorada 2.309 2.776 3.004 -695 -23,12 -227 -7,57 0,05

Nova Bassano 2.300 2.569 2.003 297 14,84 567 28,30 0,00

Nova Boa Vista 2.323 2.318 2.670 -347 -13,00 -352 -13,17 0,42

Nova Candelária 2.331 2.482 1.736 595 34,30 746 43,01 0,21

Continua

197


Nova Esperança do Sul 2.382 2.512 3.004 -621 -20,68 -491 -16,36 0,11

Nova Palma 2.665 2.753 2.670 -5 -0,18 83 3,09 0,11

Nova Prata 2.557 2.744 2.448 109 4,47 296 12,11 0,02

Nova Ramada 2.612 2.592 2.670 -58 -2,19 -78 -2,91 0,59

Novo Barreiro 2.788 2.643 2.225 563 25,31 418 18,77 0,31

Novo Cabrais 2.463 2.488 2.403 60 2,48 85 3,54 0,12

Novo Machado 2.652 2.591 2.503 148 5,93 88 3,50 0,49

Novo Tiradentes 2.295 2.298 1.891 404 21,37 407 21,50 0,06

Novo Xingu 2.447 2.549 2.470 -22 -0,91 79 3,20 0,28

Paim Filho 2.185 2.395 2.670 -485 -18,18 -275 -10,29 0,05

Palmeira das Missões 2.846 2.765 2.448 398 16,27 317 12,97 0,57

Palmitinho 2.321 2.712 1.335 986 73,84 1.377 103,18 0,01

Panambi 2.578 2.570 3.004 -426 -14,19 -434 -14,45 0,46

Parai 2.136 2.138 1.947 189 9,70 191 9,81 0,00

Paraiso do Sul 2.315 2.318 2.336 -21 -0,89 -19 -0,79 0,01

Passa Sete 2.620 3.310 3.605 -985 -27,32 -294 -8,16 0,02

Passo do Sobrado 2.709 2.859 2.003 707 35,29 857 42,79 0,02

Passo Fundo 2.676 2.623 3.004 -328 -10,93 -381 -12,68 0,38

Paulo Bento 2.682 2.896 2.670 12 0,46 226 8,46 0,27

Pejuçara 2.715 2.662 3.004 -289 -9,60 -342 -11,38 0,63

Pinhal 2.452 2.454 2.336 116 4,95 118 5,05 0,07

Pinhal da Serra 2.620 2.749 2.781 -162 -5,81 -32 -1,15 0,04

Pinhal Grande 2.385 2.484 2.670 -285 -10,68 -186 -6,97 0,25

Pinheirinho do Vale 2.361 2.363 2.225 136 6,09 138 6,20 0,03

Pirapó 2.605 2.765 1.869 736 39,38 896 47,96 0,09

Planalto 2.321 2.714 2.003 319 15,93 711 35,52 0,03

Pontão 2.740 2.751 2.670 70 2,62 81 3,05 0,50

Ponte Preta 2.218 2.349 2.225 -7 -0,30 124 5,57 0,27

Porto Lucena 2.771 2.778 1.802 969 53,76 976 54,14 0,15

Porto Mauá 2.263 2.405 2.169 94 4,33 235 10,86 0,34

Porto Vera Cruz 2.394 2.397 1.729 665 38,45 667 38,59 0,05

Porto Xavier 2.265 2.268 1.535 730 47,55 732 47,70 0,03

Protásio Alves 2.584 2.859 2.003 582 29,05 857 42,78 0,02

Quatro Irmãos 2.621 2.618 3.338 -716 -21,46 -720 -21,57 0,35

Quevedos 2.603 2.741 2.670 -67 -2,51 71 2,65 0,13

Quinze de Novembro 2.686 2.649 2.670 16 0,60 -21 -0,80 0,42

Redentora 2.874 2.799 2.448 426 17,41 352 14,38 0,29

Relvado 2.227 2.229 2.314 -87 -3,77 -85 -3,68 0,00

Restinga Seca 1.719 1.837 2.336 -617 -26,42 -499 -21,36 0,06

Rio dos Índios 2.616 2.651 2.336 280 11,97 315 13,47 0,28

Roca Sales 2.246 2.545 2.336 -90 -3,87 209 8,95 0,03

Rodeio Bonito 2.322 2.567 2.670 -348 -13,04 -103 -3,86 0,11

Rolador 2.473 2.455 2.336 137 5,85 119 5,10 0,26

Ronda Alta 2.816 2.759 2.670 146 5,45 89 3,35 0,53

Continua

198


Rondinha 2.763 2.768 2.670 92 3,46 98 3,68 0,38

Roque Gonzales 2.362 2.524 2.136 226 10,57 388 18,15 0,15

Sagrada Família 2.592 2.669 2.114 478 22,63 556 26,28 0,19

Saldanha Marinho 2.732 2.703 2.870 -138 -4,82 -167 -5,82 0,56

Salto do Jacuí 2.451 2.518 2.670 -219 -8,22 -152 -5,69 0,39

Salvador das Missões 2.699 2.706 2.537 163 6,41 170 6,70 0,39

Sananduva 2.520 2.615 3.338 -818 -24,51 -723 -21,65 0,26

Santa Bárbara do Sul 2.629 2.606 3.004 -375 -12,49 -398 -13,24 0,58

Santa Cecília do Sul 2.616 2.696 3.004 -387 -12,90 -308 -10,25 0,32

Santa Clara do Sul 2.219 2.498 2.336 -118 -5,04 161 6,91 0,03

Santa Cruz do Sul 2.190 2.762 2.003 187 9,35 760 37,94 0,00

Santa Maria 2.044 2.205 2.670 -626 -23,46 -465 -17,40 0,05

Santa Rosa 2.671 2.642 2.670 1 0,04 -28 -1,04 0,46

Santiago 2.095 2.198 2.270 -175 -7,71 -72 -3,15 0,05

Santo Ângelo 2.700 2.713 2.470 230 9,32 244 9,86 0,44

Santo Antônio das Missões 2.517 2.585 2.270 247 10,88 315 13,89 0,09

Santo Antônio do Palma 2.564 2.676 2.336 228 9,75 340 14,54 0,09

Santo Antônio do Planalto 2.745 2.773 3.004 -258 -8,60 -231 -7,68 0,43

Santo Augusto 2.823 2.775 2.804 20 0,70 -28 -1,00 0,59

Santo Cristo 2.546 2.583 2.537 10 0,39 46 1,83 0,24

Santo Expedito do Sul 2.589 2.830 2.737 -148 -5,41 93 3,40 0,23

São Borja 2.370 2.306 2.225 145 6,52 81 3,63 0,11

São Domingos do Sul 2.137 2.596 2.670 -533 -19,95 -74 -2,78 0,03

São João da Urtiga 2.202 2.204 2.670 -468 -17,53 -466 -17,44 0,05

São João do Polêsine 1.898 1.900 2.893 -994 -34,37 -992 -34,30 0,02

São Jorge 2.058 2.574 3.338 -1.279 -38,33 -764 -22,89 0,03

São José das Missões 2.814 2.755 2.336 478 20,44 419 17,94 0,27

São José do Herval 2.498 2.500 2.336 161 6,91 164 7,02 0,00

São José do Inhacora 2.368 2.566 2.070 298 14,41 496 23,98 0,17

São José do Ouro 2.610 2.747 3.004 -394 -13,11 -256 -8,53 0,22

São Luiz Gonzaga 2.443 2.507 2.570 -127 -4,93 -63 -2,45 0,32

São Martinho 2.665 2.583 2.670 -5 -0,18 -87 -3,25 0,48

São Martinho da Serra 2.555 2.695 3.137 -582 -18,54 -442 -14,08 0,11

São Miguel das Missões 2.555 2.554 2.336 219 9,36 217 9,30 0,33

São Nicolau 2.410 2.500 2.136 274 12,85 364 17,03 0,14

São Paulo das Missões 2.297 2.498 2.003 295 14,73 495 24,73 0,14

São Pedro das Missões 2.867 2.737 2.225 642 28,85 512 23,02 0,47

São Pedro do Butiá 2.618 2.690 2.336 282 12,06 353 15,12 0,33

São Pedro do Sul 2.031 2.303 2.336 -306 -13,09 -33 -1,42 0,00

São Valentim 2.839 2.834 3.338 -498 -14,93 -504 -15,09 0,04

São Valentim do Sul 2.327 2.329 2.653 -326 -12,28 -323 -12,19 0,01

São Valério do Sul 2.597 2.604 2.537 60 2,37 68 2,67 0,44

São Vicente do Sul 1.697 2.088 1.891 -194 -10,26 197 10,42 0,01

Sarandi 2.673 2.741 2.870 -198 -6,89 -129 -4,49 0,40

Continua

199


Seberi 2.783 2.877 2.853 -71 -2,47 24 0,84 0,20

Sede Nova 2.660 2.641 2.670 -10 -0,36 -29 -1,10 0,57

Segredo 2.360 2.363 2.225 135 6,07 137 6,18 0,02

Selbach 2.751 2.631 2.804 -53 -1,87 -173 -6,17 0,55

Senador Salgado Filho 2.750 2.587 2.336 414 17,70 251 10,74 0,53

Serafina Corrêa 2.157 2.449 3.004 -847 -28,18 -555 -18,47 0,01

Sério 2.197 2.199 2.003 194 9,70 196 9,81 0,00

Sertão 2.626 2.616 3.204 -578 -18,05 -588 -18,35 0,46

Sete de Setembro 2.656 2.580 2.203 453 20,57 377 17,13 0,37

Severiano de Almeida 2.201 2.557 2.003 199 9,93 555 27,70 0,01

Silveira Martins 2.622 2.988 2.336 286 12,23 651 27,88 0,09

Sobradinho 2.305 2.307 2.804 -498 -17,78 -496 -17,70 0,03

Soledade 2.733 2.879 2.670 63 2,35 209 7,83 0,10

Tapejara 2.421 2.455 3.004 -582 -19,39 -549 -18,28 0,40

Tapera 2.784 2.705 3.004 -219 -7,30 -299 -9,95 0,53

Taquaruçú do Sul 2.927 2.868 2.336 591 25,29 532 22,75 0,10

Tenente Portela 2.697 2.761 2.336 361 15,44 425 18,19 0,28

Tio Hugo 2.813 2.817 3.115 -302 -9,70 -298 -9,56 0,39

Tiradentes do Sul 2.321 2.510 1.585 736 46,42 925 58,33 0,25

Toropí 2.187 2.473 1.669 518 31,06 804 48,19 0,01

Travesseiro 1.799 2.566 2.336 -537 -23,00 230 9,85 0,01

Três Arroios 2.214 2.609 2.003 211 10,56 607 30,30 0,01

Três de Maio 2.697 2.655 2.470 228 9,22 185 7,50 0,46

Três Palmeiras 2.819 2.741 2.670 149 5,59 71 2,67 0,27

Três Passos 2.541 2.689 2.559 -18 -0,69 130 5,08 0,22

Trindade do Sul 2.906 2.896 2.670 236 8,85 226 8,46 0,24

Tucunduva 2.694 2.622 2.325 369 15,89 297 12,78 0,52

Tunas 2.394 2.602 2.336 57 2,45 266 11,39 0,06

Tupanci do Sul 2.655 2.883 2.670 -15 -0,57 213 7,97 0,19

Tupanciretã 2.434 2.472 2.670 -236 -8,84 -198 -7,43 0,41

Tuparendi 2.428 2.490 2.670 -242 -9,06 -180 -6,75 0,40

Ubiretama 2.716 2.584 1.681 1.035 61,55 903 53,73 0,40

União da Serra 2.149 2.687 2.336 -187 -8,02 351 15,03 0,00

Vacaria 2.606 2.635 2.781 -175 -6,29 -146 -5,26 0,07

Vale do Sol 2.031 2.033 2.448 -417 -17,02 -414 -16,94 0,00

Vale Verde 2.781 2.714 2.003 779 38,88 711 35,52 0,01

Vanini 2.135 2.606 3.115 -980 -31,47 -509 -16,36 0,05

Venâncio Aires 2.018 2.388 2.003 15 0,75 386 19,25 0,00

Veranópolis 2.759 3.111 2.225 534 24,01 886 39,83 0,00

Vespasiano Corrêa 2.227 2.703 3.004 -777 -25,85 -300 -10,00 0,06

Viadutos 2.314 2.612 2.336 -22 -0,95 276 11,80 0,02

Vicente Dutra 2.202 2.582 2.336 -134 -5,75 246 10,53 0,04

Victor Graeff 2.811 2.769 3.004 -192 -6,41 -234 -7,81 0,54

Vila Flores 2.403 2.770 2.800 -397 -14,18 -29 -1,05 0,01

Continua

200

TABELA C.1 (Conclusão)

Vila Langarô 2.301 2.308 2.670 -369 -13,82 -362 -13,56 0,39

Vila Maria 2.366 2.541 3.004 -638 -21,23 -463 -15,40 0,21

Vista Alegre 2.809 3.047 2.158 651 30,16 889 41,17 0,08

Vista Alegre do Prata 2.373 2.375 2.670 -297 -11,14 -295 -11,05 0,00

Vista Gaúcha 2.321 2.477 2.804 -483 -17,22 -326 -11,63 0,23

Vitória das Missões 2.661 2.673 1.001 1.660 165,82 1.672 166,96 0,31

201


Município MA

(kg ha-1) MAE

(kg ha-1)LSPA

(kg ha-1)

MA - LSPA

(kg ha-1)

MA - LSPA

(%)

MAE - LSPA

(kg ha-1)

MAE - LSPA (%)

% Soja

Água Santa 1.835 1.986 2.687 -852 -31,72 -701 -26,09 0,35 Ajuricaba 1.710 1.729 1.814 -104 -5,75 -85 -4,67 0,59 Alecrim 1.655 1.832 1.008 647 64,23 824 81,81 0,10 Alegria 1.619 1.582 1.094 525 47,98 488 44,62 0,35 Almirante Tamandaré do Sul 1.795 1.958 2.486 -691 -27,81 -527 -21,22 0,41 Alpestre 1.519 1.566 941 578 61,47 625 66,49 0,01 Alto Alegre 1.909 2.049 2.754 -845 -30,69 -705 -25,60 0,52 Ametista do Sul 1.504 1.550 1.411 93 6,58 140 9,89 0,00 André da Rocha 1.935 2.276 2.553 -618 -24,22 -277 -10,86 0,06 Anta Gorda 1.833 2.393 1.915 -81 -4,26 478 24,98 0,00 Aratiba 1.745 2.203 1.310 435 33,23 893 68,13 0,00 Arroio do Meio 1.834 2.088 2.351 -517 -21,99 -263 -11,21 0,06 Arroio do Tigre 1.801 2.275 2.687 -886 -32,96 -413 -15,35 0,04 Arvorezinha 1.931 2.324 2.015 -85 -4,20 308 15,29 0,00 Augusto Pestana 1.700 1.699 1.791 -92 -5,11 -93 -5,18 0,55 Áurea 1.755 2.015 1.680 76 4,50 335 19,98 0,22 Barão de Cotegipe 1.698 1.751 1.612 86 5,31 138 8,58 0,06 Barra do Guarita 1.542 1.865 1.547 -5 -0,35 318 20,57 0,21 Barra do Rio Azul 1.732 1.912 1.680 52 3,12 232 13,84 0,00 Barra Funda 1.590 1.729 2.015 -425 -21,10 -286 -14,20 0,42 Barracão 1.956 2.085 2.015 -59 -2,94 69 3,44 0,13 Barros Cassal 1.875 1.933 2.239 -364 -16,28 -306 -13,68 0,01 Benjamin Constant do Sul 1.632 2.102 672 960 142,97 1.430 212,84 0,01 Boa Vista das Missões 1.756 1.885 1.803 -47 -2,59 82 4,56 0,55 Boa Vista do Buricá 1.599 1.864 1.855 -256 -13,80 9 0,49 0,17 Boa Vista do Cadeado 1.795 1.809 1.680 115 6,85 130 7,72 0,56 Boa Vista do Incra 1.818 1.858 2.351 -533 -22,67 -493 -20,96 0,50 Bom Progresso 1.705 1.697 1.293 412 31,86 404 31,23 0,37 Bossoroca 1.675 1.575 1.209 466 38,55 366 30,28 0,16 Bozano 1.744 1.742 1.680 64 3,81 62 3,71 0,67 Braga 1.701 1.645 941 760 80,85 704 74,88 0,42 Cacique Doble 1.752 1.931 1.881 -129 -6,87 50 2,68 0,16 Caibaté 1.691 1.632 1.209 482 39,87 423 34,94 0,35 Caiçara 1.486 1.840 851 635 74,62 989 116,20 0,05 Camargo 1.843 2.089 2.687 -844 -31,42 -598 -22,26 0,20 Campestre da Serra 2.079 2.401 3.023 -944 -31,24 -622 -20,58 0,02 Campina das Missões 1.592 1.742 1.411 181 12,85 332 23,51 0,22 Campinas do Sul 1.781 1.882 2.015 -234 -11,62 -134 -6,63 0,40 Campo Novo 1.752 1.830 2.015 -264 -13,08 -185 -9,19 0,55 Campos Borges 1.849 2.024 2.351 -502 -21,36 -327 -13,92 0,25 Continua

202

TABELA C.2 (Continuação) Candelária 1.680 1.858 2.015 -335 -16,64 -158 -7,82 0,08 Candido Godói 1.762 1.717 1.814 -52 -2,87 -96 -5,32 0,39 Capão Bonito do Sul 1.942 2.182 2.351 -409 -17,40 -169 -7,20 0,20 Capão do Cipó 1.667 1.620 1.478 189 12,78 142 9,59 0,24 Carazinho 1.898 2.001 2.351 -454 -19,30 -350 -14,89 0,44 Carlos Gomes 1.773 1.828 2.234 -460 -20,61 -405 -18,15 0,02 Casca 1.845 2.230 3.359 -1.514 -45,07 -1.129 -33,62 0,08 Caseiros 1.788 2.133 2.418 -630 -26,05 -286 -11,82 0,19 Catuípe 1.686 1.769 2.015 -329 -16,34 -246 -12,22 0,60 Centenário 1.779 2.027 1.881 -102 -5,45 146 7,75 0,14 Cerro Grande 1.671 1.723 672 999 148,76 1.051 156,49 0,11 Cerro Largo 1.630 1.721 1.747 -117 -6,67 -26 -1,47 0,24 Chapada 1.758 1.828 2.351 -593 -25,24 -523 -22,25 0,48 Charrua 1.712 1.790 2.015 -304 -15,07 -226 -11,21 0,24 Chiapeta 1.651 1.747 1.814 -163 -8,98 -67 -3,70 0,56 Ciríaco 1.821 2.130 1.832 -11 -0,63 298 16,24 0,18 Colinas 1.833 2.044 1.881 -48 -2,57 163 8,69 0,07 Colorado 1.843 1.902 2.687 -844 -31,42 -785 -29,20 0,54 Condor 1.796 1.879 2.284 -488 -21,35 -405 -17,73 0,55 Constantina 1.737 1.814 1.209 528 43,66 605 50,03 0,30 Coqueiros do Sul 1.882 2.059 2.351 -469 -19,95 -293 -12,45 0,39 Coronel Barros 1.708 1.782 2.295 -587 -25,57 -513 -22,37 0,55 Coronel Bicaco 1.811 1.910 1.171 640 54,64 739 63,06 0,59 Cotiporã 1.916 2.503 2.687 -771 -28,71 -185 -6,87 0,00 Coxilha 1.760 1.899 2.351 -591 -25,15 -452 -19,23 0,47 Crissiumal 1.582 1.805 1.383 199 14,37 423 30,56 0,24 Cristal do Sul 1.530 1.695 1.659 -129 -7,76 36 2,15 0,13 Cruz Alta 1.854 1.856 2.575 -722 -28,02 -720 -27,95 0,53 Cruzaltense 1.732 1.706 1.456 277 19,01 251 17,21 0,38 Cruzeiro do Sul 1.841 2.166 2.351 -510 -21,69 -185 -7,87 0,04 David Canabarro 1.708 1.939 2.911 -1.203 -41,33 -972 -33,40 0,07 Derrubadas 1.543 1.603 1.760 -217 -12,33 -157 -8,94 0,23 Dezesseis de Novembro 1.548 1.596 1.075 473 43,97 521 48,44 0,02 Dilermando de Aguiar 1.426 1.564 1.881 -455 -24,17 -317 -16,84 0,04 Dois Irmãos das Missões 1.812 1.957 1.411 401 28,44 546 38,69 0,56 Dona Francisca 1.794 2.470 2.146 -353 -16,43 324 15,09 0,00 Doutor Mauricio Cardoso 1.721 1.850 1.881 -160 -8,53 -31 -1,66 0,52 Doutor Ricardo 1.825 1.882 2.351 -526 -22,38 -469 -19,97 0,00 Encantado 1.831 2.038 2.015 -185 -9,17 23 1,14 0,01 Engenho Velho 1.805 1.846 1.680 126 7,49 166 9,90 0,37 Entre Rios do Sul 1.731 1.868 1.058 673 63,61 810 76,55 0,23 Entre-Ijuís 1.633 1.571 1.007 626 62,16 564 56,00 0,46 Erebango 1.776 1.940 2.150 -374 -17,40 -209 -9,74 0,43 Erechim 1.681 1.902 2.150 -469 -21,83 -248 -11,53 0,18 Ernestina 1.812 1.900 2.150 -338 -15,73 -249 -11,60 0,49 Erval Grande 1.623 1.881 672 951 141,57 1.209 179,93 0,04 Erval Seco 1.690 1.910 1.344 346 25,79 566 42,16 0,23 Esmeralda 1.782 2.071 2.239 -457 -20,41 -168 -7,52 0,04 Esperança do Sul 1.545 1.770 1.344 201 14,99 426 31,72 0,27 Continua

203

TABELA C.2 (Continuação) Espumoso 1.923 2.017 2.351 -429 -18,23 -335 -14,24 0,36 Estação 1.826 1.910 1.814 13 0,69 96 5,28 0,38 Estrela 1.679 2.055 2.239 -560 -25,00 -185 -8,24 0,03 Estrela Velha 1.812 1.802 2.015 -203 -10,08 -213 -10,57 0,34 Eugênio de Castro 1.659 1.586 1.344 315 23,45 243 18,07 0,48 Fagundes Varela 1.869 1.927 2.799 -930 -33,23 -872 -31,16 0,01 Faxinal do Soturno 1.669 1.721 1.791 -123 -6,85 -71 -3,95 0,02 Faxinalzinho 1.614 1.759 941 673 71,59 819 87,04 0,28 Fazenda Vila Nova 1.806 2.111 2.351 -545 -23,17 -240 -10,22 0,03 Floriano Peixoto 1.762 2.019 1.646 117 7,08 373 22,69 0,14 Fontoura Xavier 1.849 2.329 2.217 -368 -16,59 112 5,04 0,00 Forquetinha 1.733 1.786 2.013 -281 -13,94 -227 -11,27 0,00 Fortaleza dos Valos 1.772 1.824 2.351 -579 -24,64 -528 -22,44 0,44 Frederico Westphalen 1.450 1.757 1.209 240 19,89 548 45,28 0,09 Garruchos 1.624 1.619 1.456 168 11,55 163 11,20 0,09 Gaurama 1.657 2.015 2.150 -493 -22,94 -135 -6,26 0,11 Gentil 1.819 2.074 2.687 -868 -32,31 -613 -22,83 0,29 Getúlio Vargas 1.770 1.968 2.015 -245 -12,17 -48 -2,37 0,38 Giruá 1.785 1.809 1.881 -96 -5,08 -72 -3,82 0,58 Gramado dos Loureiros 1.740 1.878 1.142 598 52,37 736 64,44 0,22 Guabijú 1.801 2.113 2.687 -886 -32,98 -574 -21,36 0,05 Guaporé 1.852 1.909 2.687 -835 -31,08 -778 -28,94 0,00 Guarani das Missões 1.678 1.664 1.478 200 13,50 186 12,57 0,35 Horizontina 1.802 1.922 1.899 -97 -5,12 23 1,23 0,39 Humaitá 1.693 1.683 1.881 -188 -10,01 -198 -10,51 0,46 Ibiaçá 1.814 1.934 2.015 -202 -10,02 -81 -4,04 0,42 Ibiraiaras 1.605 1.949 3.023 -1.419 -46,92 -1.074 -35,51 0,13 Ibirapuitã 1.932 2.156 2.150 -218 -10,12 6 0,28 0,27 Ibirubá 1.825 1.866 2.418 -593 -24,53 -553 -22,86 0,56 Ijuí 1.736 1.813 2.015 -279 -13,85 -203 -10,05 0,51 Independência 1.773 1.850 2.015 -242 -12,02 -166 -8,22 0,50 Inhacorã 1.602 1.680 2.015 -413 -20,50 -336 -16,65 0,60 Ipê 1.973 2.482 2.015 -42 -2,08 467 23,15 0,01 Ipiranga do Sul 1.777 1.899 2.015 -238 -11,81 -116 -5,77 0,44 Irai 1.449 1.798 1.142 307 26,85 656 57,47 0,04 Itaara 1.724 1.964 3.157 -1.433 -45,39 -1.194 -37,81 0,09 Itacurubi 1.567 1.607 1.075 492 45,77 532 49,48 0,02 Itapuca 1.884 1.943 2.015 -131 -6,50 -72 -3,60 0,00 Itatiba do Sul 2.097 2.245 672 1.426 212,20 1.573 234,19 0,00 Ivorá 1.779 1.932 2.553 -773 -30,29 -621 -24,33 0,08 Jaboticaba 1.759 1.970 1.612 146 9,08 358 22,18 0,17 Jacuizinho 1.849 1.904 2.351 -502 -21,34 -447 -19,01 0,25 Jacutinga 1.770 1.901 1.965 -195 -9,93 -64 -3,26 0,41 Jaguari 1.766 1.948 1.881 -115 -6,10 67 3,54 0,02 Jarí 1.675 1.810 2.351 -676 -28,77 -541 -23,03 0,10 Jóia 1.718 1.662 1.612 106 6,56 50 3,11 0,47 Júlio de Castilhos 1.832 1.866 2.150 -318 -14,78 -283 -13,18 0,33 Lagoa Bonita do Sul 1.836 2.311 2.887 -1.051 -36,40 -576 -19,96 0,03 Lagoa Dos Três Cantos 1.901 1.891 2.351 -450 -19,13 -461 -19,60 0,54 Continua

204

TABELA C.2 (Continuação) Lagoa Vermelha 1.891 2.179 2.530 -640 -25,29 -351 -13,88 0,17 Lajeado 1.776 1.831 1.911 -135 -7,05 -80 -4,16 0,02 Lajeado do Bugre 1.814 1.707 1.209 605 50,04 498 41,17 0,27 Liberato Salzano 1.545 1.894 1.411 134 9,52 484 34,28 0,08 Machadinho 1.838 2.021 2.015 -178 -8,83 5 0,27 0,14 Marau 1.777 2.039 2.687 -910 -33,87 -648 -24,12 0,34 Marcelino Ramos 1.822 2.316 806 1.016 125,97 1.510 187,33 0,00 Mariano Moro 1.802 1.858 970 832 85,74 888 91,51 0,00 Marques de Souza 1.738 2.276 2.015 -278 -13,78 261 12,94 0,02 Mata 1.584 1.987 941 643 68,39 1.047 111,31 0,00 Mato Castelhano 1.757 1.978 2.620 -863 -32,93 -642 -24,49 0,36 Mato Leitão 1.820 1.877 2.349 -529 -22,51 -472 -20,10 0,02 Mato Queimado 1.676 1.684 1.232 444 36,04 453 36,75 0,40 Maximiliano de Almeida 1.766 2.025 1.680 86 5,15 345 20,57 0,03 Miraguaí 1.691 1.668 941 750 79,76 727 77,30 0,18 Montauri 1.813 2.354 2.687 -874 -32,52 -333 -12,39 0,05 Monte Alegre dos Campos 2.157 2.224 2.351 -195 -8,27 -128 -5,43 0,00 Mormaço 1.930 2.040 2.015 -85 -4,21 25 1,22 0,37 Muçum 1.837 2.385 2.015 -178 -8,85 369 18,33 0,03 Muitos Capões 1.971 2.164 2.351 -380 -16,17 -187 -7,95 0,12 Muliterno 1.824 2.197 2.687 -863 -32,11 -490 -18,24 0,13 Não-Me-Toque 1.932 2.053 2.418 -487 -20,12 -366 -15,13 0,46 Nicolau Vergueiro 1.895 2.034 2.418 -523 -21,63 -384 -15,89 0,44 Nonoai 1.688 1.820 806 882 109,38 1.014 125,74 0,25 Nova Alvorada 1.841 2.392 2.687 -846 -31,48 -295 -10,99 0,05 Nova Bassano 1.844 2.270 2.687 -843 -31,37 -417 -15,53 0,00 Nova Boa Vista 1.638 1.786 2.418 -780 -32,26 -633 -26,17 0,42 Nova Candelária 1.595 1.826 1.397 198 14,19 428 30,67 0,21 Nova Esperança do Sul 1.731 1.894 1.881 -150 -7,97 13 0,68 0,11 Nova Palma 1.801 1.958 2.351 -551 -23,42 -393 -16,73 0,11 Nova Prata 1.996 2.444 2.687 -691 -25,71 -243 -9,05 0,02 Nova Ramada 1.718 1.774 1.747 -29 -1,65 27 1,56 0,59 Novo Barreiro 1.785 1.852 1.612 172 10,69 240 14,86 0,31 Novo Cabrais 1.768 1.902 2.015 -247 -12,26 -114 -5,64 0,12 Novo Machado 1.784 1.808 1.959 -175 -8,96 -151 -7,72 0,49 Novo Tiradentes 1.547 1.595 806 741 91,88 789 97,84 0,06 Novo Xingu 1.725 1.908 1.344 381 28,36 564 42,00 0,28 Paim Filho 1.759 2.154 2.351 -592 -25,19 -198 -8,40 0,05 Palmeira das Missões 1.829 1.880 1.814 15 0,85 66 3,66 0,57 Palmitinho 1.516 1.947 1.427 89 6,25 520 36,41 0,01 Panambi 1.832 1.881 2.284 -452 -19,79 -403 -17,65 0,46 Parai 1.827 1.884 1.959 -132 -6,74 -75 -3,84 0,00 Paraiso do Sul 1.730 1.784 2.351 -621 -26,42 -567 -24,13 0,01 Passa Sete 1.837 2.596 2.616 -779 -29,79 -20 -0,76 0,02 Passo do Sobrado 1.670 1.892 2.687 -1.017 -37,84 -795 -29,58 0,02 Passo Fundo 1.782 1.932 2.575 -793 -30,81 -643 -24,98 0,38 Paulo Bento 1.674 2.107 1.881 -207 -10,98 226 12,03 0,27 Pejuçara 1.876 1.869 2.015 -140 -6,94 -146 -7,24 0,63 Pinhal 1.579 1.628 1.176 403 34,27 452 38,44 0,07 Continua

205

TABELA C.2 (Continuação) Pinhal da Serra 1.995 2.121 2.015 -21 -1,04 106 5,26 0,04 Pinhal Grande 1.758 1.878 2.351 -593 -25,23 -473 -20,14 0,25 Pinheirinho do Vale 1.558 1.607 1.209 349 28,87 398 32,88 0,03 Pirapó 1.640 1.647 1.209 431 35,65 438 36,22 0,09 Planalto 1.530 1.930 672 859 127,80 1.258 187,22 0,03 Pontão 1.817 1.982 2.150 -333 -15,49 -167 -7,78 0,50 Ponte Preta 1.734 1.988 2.015 -282 -13,98 -28 -1,37 0,27 Porto Lucena 1.738 1.722 1.209 529 43,75 513 42,41 0,15 Porto Mauá 1.642 1.712 1.310 332 25,31 402 30,72 0,34 Porto Vera Cruz 1.684 1.736 1.209 474 39,24 527 43,56 0,05 Porto Xavier 1.575 1.624 1.008 568 56,34 617 61,20 0,03 Protásio Alves 1.986 2.441 2.015 -29 -1,44 425 21,11 0,02 Quatro Irmãos 1.747 1.941 2.351 -605 -25,72 -410 -17,44 0,35 Quevedos 1.736 1.800 2.351 -615 -26,15 -552 -23,46 0,13 Quinze de Novembro 1.829 1.916 2.284 -456 -19,94 -368 -16,10 0,42 Redentora 1.760 1.751 779 981 125,87 972 124,73 0,29 Relvado 1.812 1.868 1.919 -107 -5,59 -51 -2,66 0,00 Restinga Seca 1.562 1.705 2.351 -789 -33,57 -646 -27,49 0,06 Rio dos Índios 1.643 1.784 1.344 300 22,30 440 32,75 0,28 Roca Sales 1.818 2.108 2.351 -534 -22,70 -243 -10,35 0,03 Rodeio Bonito 2.322 2.322 1.344 978 72,80 978 72,80 0,11 Rolador 1.696 1.464 806 890 110,35 658 81,61 0,26 Ronda Alta 1.807 1.907 1.612 194 12,05 295 18,30 0,53 Rondinha 1.802 1.932 2.150 -348 -16,19 -217 -10,12 0,38 Roque Gonzales 1.569 1.575 1.209 360 29,75 365 30,22 0,15 Sagrada Família 1.768 1.917 1.680 88 5,25 237 14,13 0,19 Saldanha Marinho 1.852 1.861 1.176 677 57,56 686 58,31 0,56 Salto do Jacuí 1.762 1.814 2.015 -254 -12,59 -202 -10,01 0,39 Salvador das Missões 1.630 1.664 1.680 -50 -2,96 -15 -0,91 0,39 Sananduva 1.806 1.986 2.418 -612 -25,32 -432 -17,88 0,26 Santa Bárbara do Sul 1.840 1.839 2.351 -511 -21,73 -512 -21,77 0,58 Santa Cecília do Sul 1.861 2.110 2.217 -355 -16,03 -107 -4,82 0,32 Santa Clara do Sul 1.747 2.174 2.351 -604 -25,70 -177 -7,54 0,03 Santa Cruz do Sul 1.755 2.292 2.015 -261 -12,93 277 13,74 0,00 Santa Maria 1.518 1.709 2.687 -1.170 -43,53 -978 -36,40 0,05 Santa Rosa 1.810 1.769 1.646 164 9,99 123 7,45 0,46 Santiago 1.600 1.608 1.478 122 8,25 130 8,78 0,05 Santo Ângelo 1.650 1.709 1.881 -231 -12,27 -172 -9,12 0,44 Santo Antônio das Missões 1.661 1.496 806 855 106,03 690 85,56 0,09 Santo Antônio do Palma 1.886 2.213 2.351 -465 -19,78 -139 -5,89 0,09 Santo Antônio do Planalto 1.878 2.015 2.418 -540 -22,35 -403 -16,68 0,43 Santo Augusto 1.759 1.800 1.881 -122 -6,49 -81 -4,28 0,59 Santo Cristo 1.744 1.709 1.680 65 3,86 30 1,77 0,24 Santo Expedito do Sul 1.824 2.205 2.687 -863 -32,13 -482 -17,95 0,23 São Borja 1.521 1.341 806 715 88,65 535 66,33 0,11 São Domingos do Sul 1.779 2.289 2.687 -909 -33,81 -398 -14,81 0,03 São João da Urtiga 1.740 1.794 1.680 61 3,61 115 6,83 0,05 São João do Polêsine 1.643 1.695 2.351 -708 -30,10 -657 -27,93 0,02 São Jorge 1.770 2.425 3.023 -1.253 -41,44 -598 -19,79 0,03 Continua

206

TABELA C.2 (Continuação) São José das Missões 1.832 1.902 1.142 689 60,37 759 66,50 0,27 São José do Herval 1.819 1.875 2.351 -532 -22,64 -476 -20,24 0,00 São José do Inhacora 1.615 1.903 1.754 -139 -7,93 148 8,46 0,17 São José do Ouro 1.923 2.073 1.680 243 14,49 393 23,42 0,22 São Luiz Gonzaga 1.686 1.543 1.108 577 52,06 434 39,16 0,32 São Martinho 1.687 1.694 1.847 -161 -8,69 -154 -8,32 0,48 São Martinho da Serra 1.728 1.934 2.684 -956 -35,63 -750 -27,95 0,11 São Miguel das Missões 1.688 1.621 1.075 613 57,02 547 50,85 0,33 São Nicolau 1.592 1.504 1.209 383 31,66 295 24,40 0,14 São Paulo das Missões 1.574 1.700 1.344 230 17,11 357 26,55 0,14 São Pedro das Missões 1.820 1.877 1.142 678 59,37 734 64,31 0,47 São Pedro do Butiá 1.613 1.641 1.209 404 33,41 432 35,72 0,33 São Pedro do Sul 1.521 1.808 1.903 -382 -20,08 -96 -5,03 0,00 São Valentim 1.734 1.827 1.120 615 54,88 708 63,20 0,04 São Valentim do Sul 1.832 1.889 3.016 -1.184 -39,26 -1.127 -37,37 0,01 São Valério do Sul 1.678 1.751 1.680 -2 -0,12 71 4,23 0,44 São Vicente do Sul 1.467 1.770 2.015 -549 -27,22 -246 -12,18 0,01 Sarandi 1.766 1.979 2.351 -586 -24,90 -373 -15,84 0,40 Seberi 1.658 1.867 1.693 -35 -2,05 174 10,28 0,20 Sede Nova 1.674 1.682 2.015 -341 -16,94 -333 -16,54 0,57 Segredo 1.782 1.838 2.239 -457 -20,41 -402 -17,93 0,02 Selbach 1.850 1.890 2.598 -747 -28,77 -708 -27,26 0,55 Senador Salgado Filho 1.840 1.638 1.680 160 9,55 -41 -2,46 0,53 Serafina Corrêa 1.808 2.210 3.023 -1.215 -40,20 -813 -26,89 0,01 Sério 1.740 1.795 1.919 -179 -9,32 -125 -6,51 0,00 Sertão 1.812 1.895 2.239 -427 -19,06 -344 -15,37 0,46 Sete de Setembro 1.707 1.672 1.209 497 41,14 462 38,24 0,37 Severiano de Almeida 1.831 2.340 1.209 621 51,39 1.131 93,51 0,01 Silveira Martins 1.787 2.223 2.687 -900 -33,49 -464 -17,28 0,09 Sobradinho 1.782 1.837 2.519 -738 -29,27 -682 -27,08 0,03 Soledade 1.912 2.145 2.295 -383 -16,69 -150 -6,53 0,10 Tapejara 1.802 1.902 2.351 -549 -23,37 -449 -19,11 0,40 Tapera 1.914 1.917 2.822 -907 -32,16 -905 -32,06 0,53 Taquaruçú do Sul 1.633 1.767 1.176 457 38,89 591 50,30 0,10 Tenente Portela 1.632 1.642 1.552 81 5,19 90 5,78 0,28 Tio Hugo 1.945 1.996 2.463 -519 -21,06 -467 -18,97 0,39 Tiradentes do Sul 1.546 1.759 1.310 236 17,98 449 34,29 0,25 Toropí 1.660 1.979 1.680 -20 -1,16 300 17,85 0,01 Travesseiro 1.559 2.316 2.687 -1.128 -41,97 -372 -13,83 0,01 Três Arroios 1.677 2.250 1.814 -136 -7,52 436 24,04 0,01 Três de Maio 1.790 1.850 2.015 -225 -11,19 -165 -8,19 0,46 Três Palmeiras 1.783 1.795 1.075 708 65,87 720 67,01 0,27 Três Passos 1.607 1.767 1.456 152 10,42 312 21,42 0,22 Trindade do Sul 1.786 1.850 1.344 442 32,92 507 37,70 0,24 Tucunduva 1.810 1.903 2.015 -205 -10,17 -113 -5,59 0,52 Tunas 1.730 1.953 2.239 -509 -22,73 -286 -12,78 0,06 Tupanci do Sul 1.964 2.335 2.351 -387 -16,46 -17 -0,71 0,19 Tupanciretã 1.721 1.734 2.015 -295 -14,63 -281 -13,96 0,41 Tuparendi 1.702 1.737 1.680 22 1,32 57 3,41 0,40 Continua

207

TABELA C.2 (Conclusão) Ubiretama 1.777 1.692 1.162 615 52,88 529 45,55 0,40 União da Serra 1.824 2.437 2.015 -191 -9,49 422 20,92 0,00 Vacaria 2.065 2.190 2.127 -62 -2,94 62 2,92 0,07 Vale do Sol 1.701 1.754 2.463 -762 -30,94 -709 -28,79 0,00 Vale Verde 1.764 2.021 2.015 -252 -12,50 6 0,29 0,01 Vanini 1.753 2.366 2.799 -1.046 -37,38 -433 -15,46 0,05 Venâncio Aires 1.581 1.994 2.015 -434 -21,55 -22 -1,08 0,00 Veranópolis 1.997 2.561 2.239 -243 -10,83 322 14,37 0,00 Vespasiano Corrêa 1.837 2.375 2.015 -178 -8,83 359 17,82 0,06 Viadutos 1.832 2.213 1.680 153 9,11 533 31,76 0,02 Vicente Dutra 1.456 1.720 941 516 54,82 779 82,83 0,04 Victor Graeff 1.932 1.969 2.508 -576 -22,98 -539 -21,50 0,54 Vila Flores 1.871 2.349 3.359 -1.488 -44,29 -1.010 -30,07 0,01 Vila Langarô 1.708 1.837 1.680 28 1,69 157 9,35 0,39 Vila Maria 1.832 2.094 2.687 -856 -31,84 -593 -22,06 0,21 Vista Alegre 1.613 1.893 1.451 162 11,15 441 30,43 0,08 Vista Alegre do Prata 1.866 1.923 2.687 -822 -30,58 -764 -28,42 0,00 Vista Gaúcha 1.538 1.650 1.464 73 5,00 185 12,66 0,23 Vitória das Missões 1.647 1.559 840 807 96,13 719 85,62 0,31

208


Município MA (kg ha-1)

MAE (kg ha-1)

LSPA (kg ha-1)

MA - LSPA

(kg ha-1)

MA - LSPA

(%)

MAE - LSPA

(kg ha-1)

MAE - LSPA (%)

% Soja

Água Santa 2.830 2.963 3.085 -255 -8,27 -123 -3,97 0,35 Ajuricaba 2.638 2.608 3.085 -447 -14,50 -477 -15,47 0,59 Alecrim 2.323 2.571 1.983 339 17,11 588 29,64 0,10 Alegria 2.405 2.471 2.699 -295 -10,91 -228 -8,45 0,35 Almirante Tamandaré do Sul 2.619 2.768 3.471 -852 -24,55 -703 -20,25 0,41 Alpestre 2.326 2.341 2.699 -374 -13,84 -359 -13,29 0,01 Alto Alegre 2.731 2.727 3.085 -355 -11,49 -358 -11,61 0,52 Ametista do Sul 2.325 2.340 1.620 705 43,54 720 44,46 0,00 André da Rocha 2.886 3.041 2.931 -45 -1,53 110 3,75 0,06 Anta Gorda 2.304 2.494 2.198 106 4,83 296 13,48 0,00 Aratiba 2.242 2.640 2.314 -72 -3,10 326 14,10 0,00 Arroio do Meio 2.494 2.550 2.699 -205 -7,60 -150 -5,54 0,06 Arroio do Tigre 2.566 2.994 3.471 -905 -26,08 -477 -13,74 0,04 Arvorezinha 2.730 3.167 2.314 416 18,00 853 36,86 0,00 Augusto Pestana 2.661 2.577 2.699 -39 -1,43 -122 -4,52 0,55 Áurea 2.325 2.488 3.085 -760 -24,63 -597 -19,36 0,22 Barão de Cotegipe 2.303 2.317 3.085 -782 -25,36 -768 -24,88 0,06 Barra do Guarita 2.237 2.557 2.468 -231 -9,37 89 3,59 0,21 Barra do Rio Azul 2.249 2.703 3.085 -836 -27,09 -382 -12,38 0,00 Barra Funda 2.348 2.330 3.085 -737 -23,88 -755 -24,49 0,42 Barracão 2.764 2.850 3.085 -321 -10,40 -235 -7,61 0,13 Barros Cassal 2.655 2.672 2.957 -301 -10,19 -284 -9,62 0,01 Benjamin Constant do Sul 2.195 2.781 2.622 -427 -16,28 158 6,03 0,01 Boa Vista das Missões 2.591 2.583 3.856 -1.265 -32,81 -1.274 -33,03 0,55 Boa Vista do Buricá 2.285 2.537 2.622 -338 -12,88 -86 -3,27 0,17 Boa Vista do Cadeado 2.753 2.701 3.008 -255 -8,47 -307 -10,20 0,56 Boa Vista do Incra 2.513 2.508 2.699 -187 -6,92 -191 -7,08 0,50 Bom Progresso 2.777 2.682 3.085 -308 -9,99 -403 -13,06 0,37 Bossoroca 2.634 2.667 2.314 320 13,82 353 15,26 0,16 Bozano 2.712 2.687 2.699 13 0,48 -13 -0,47 0,67 Braga 2.761 2.669 2.314 447 19,31 355 15,35 0,42 Cacique Doble 2.353 2.587 2.931 -578 -19,73 -344 -11,74 0,16 Caibaté 2.775 2.795 2.314 461 19,94 481 20,80 0,35 Caiçara 2.334 2.746 2.314 20 0,86 432 18,68 0,05 Camargo 2.610 2.784 3.085 -475 -15,39 -301 -9,75 0,20 Campestre da Serra 2.863 3.166 3.471 -608 -17,51 -304 -8,77 0,02 Campina das Missões 2.295 2.442 2.314 -19 -0,83 128 5,55 0,22 Campinas do Sul 2.756 2.685 3.856 -1.101 -28,54 -1.172 -30,38 0,40 Campo Novo 2.777 2.755 2.699 77 2,86 55 2,06 0,55 Campos Borges 2.726 2.897 3.085 -359 -11,63 -188 -6,09 0,25 Continua

209

TABELA C.3 (Continuação) Candelária 2.270 2.399 2.314 -44 -1,89 85 3,69 0,08 Candido Godói 2.587 2.561 2.699 -112 -4,16 -138 -5,11 0,39 Capão Bonito do Sul 2.836 2.912 2.699 136 5,05 212 7,86 0,20 Capão do Cipó 2.489 2.537 2.314 175 7,56 224 9,66 0,24 Carazinho 2.792 2.879 3.085 -293 -9,50 -206 -6,67 0,44 Carlos Gomes 2.299 2.314 2.699 -400 -14,83 -386 -14,29 0,02 Casca 2.427 2.768 3.471 -1.044 -30,07 -703 -20,24 0,08 Caseiros 2.803 3.033 3.085 -282 -9,13 -53 -1,70 0,19 Catuípe 2.656 2.678 2.699 -44 -1,62 -21 -0,78 0,60 Centenário 2.512 2.702 3.471 -959 -27,63 -769 -22,15 0,14 Cerro Grande 2.502 2.518 2.699 -198 -7,32 -182 -6,73 0,11 Cerro Largo 2.592 2.581 3.085 -493 -15,97 -504 -16,35 0,24 Chapada 2.655 2.680 2.699 -45 -1,66 -19 -0,72 0,48 Charrua 2.220 2.451 3.085 -866 -28,06 -634 -20,56 0,24 Chiapeta 2.552 2.627 2.314 238 10,27 314 13,56 0,56 Ciríaco 2.740 2.942 3.471 -731 -21,05 -528 -15,22 0,18 Colinas 2.559 2.755 2.160 399 18,50 595 27,56 0,07 Colorado 2.659 2.671 3.085 -426 -13,81 -414 -13,41 0,54 Condor 2.711 2.736 3.085 -374 -12,11 -349 -11,32 0,55 Constantina 2.615 2.580 3.085 -471 -15,25 -505 -16,38 0,30 Coqueiros do Sul 2.833 2.921 3.085 -252 -8,17 -164 -5,32 0,39 Coronel Barros 2.780 2.674 2.777 3 0,11 -103 -3,70 0,55 Coronel Bicaco 2.860 2.824 2.699 160 5,93 124 4,60 0,59 Cotiporã 2.851 3.186 3.085 -234 -7,59 101 3,28 0,00 Coxilha 2.803 2.890 3.085 -282 -9,14 -195 -6,32 0,47 Crissiumal 2.324 2.500 2.699 -376 -13,92 -199 -7,38 0,24 Cristal do Sul 2.331 2.452 3.085 -754 -24,44 -633 -20,52 0,13 Cruz Alta 2.653 2.616 3.471 -818 -23,57 -855 -24,63 0,53 Cruzaltense 2.680 2.686 3.085 -405 -13,14 -399 -12,92 0,38 Cruzeiro do Sul 2.818 3.171 3.471 -653 -18,81 -299 -8,63 0,04 David Canabarro 2.404 2.624 3.342 -939 -28,08 -718 -21,50 0,07 Derrubadas 2.257 2.380 3.214 -957 -29,77 -834 -25,94 0,23 Dezesseis de Novembro 2.248 2.262 1.774 474 26,71 488 27,52 0,02 Dilermando de Aguiar 1.813 1.955 2.160 -347 -16,06 -205 -9,47 0,04 Dois Irmãos das Missões 2.784 2.817 2.699 84 3,11 118 4,37 0,56 Dona Francisca 2.594 3.157 2.828 -234 -8,29 329 11,62 0,00 Doutor Mauricio Cardoso 2.465 2.434 2.699 -234 -8,67 -265 -9,82 0,52 Doutor Ricardo 2.316 2.331 2.699 -383 -14,20 -369 -13,66 0,00 Encantado 2.324 2.371 2.314 10 0,44 57 2,47 0,01 Engenho Velho 2.797 2.750 2.957 -160 -5,41 -207 -6,99 0,37 Entre Rios do Sul 2.765 2.988 3.471 -705 -20,32 -482 -13,90 0,23 Entre-Ijuís 2.757 2.716 2.545 212 8,32 171 6,71 0,46 Erebango 2.591 2.690 3.085 -495 -16,03 -395 -12,81 0,43 Erechim 2.603 2.638 3.342 -739 -22,12 -704 -21,08 0,18 Ernestina 2.871 2.888 3.085 -214 -6,94 -197 -6,39 0,49 Erval Grande 2.204 2.626 2.699 -496 -18,36 -74 -2,73 0,04 Erval Seco 2.660 2.613 2.699 -39 -1,45 -86 -3,19 0,23 Esmeralda 2.898 3.025 3.085 -187 -6,06 -60 -1,96 0,04 Esperança do Sul 2.271 2.475 2.571 -300 -11,66 -96 -3,74 0,27 Continua

210

TABELA C.3 (Continuação) Espumoso 2.722 2.744 3.085 -363 -11,78 -341 -11,05 0,36 Estação 2.571 2.688 3.085 -514 -16,67 -398 -12,89 0,38 Estrela 2.173 2.440 3.085 -912 -29,56 -645 -20,91 0,03 Estrela Velha 2.666 2.729 3.085 -419 -13,59 -356 -11,54 0,34 Eugênio de Castro 2.788 2.794 2.699 89 3,28 94 3,49 0,48 Fagundes Varela 2.556 2.572 3.085 -529 -17,16 -513 -16,63 0,01 Faxinal do Soturno 2.035 2.048 2.314 -278 -12,03 -265 -11,47 0,02 Faxinalzinho 2.247 2.617 3.085 -838 -27,18 -468 -15,18 0,28 Fazenda Vila Nova 2.895 2.923 2.699 195 7,23 224 8,30 0,03 Floriano Peixoto 2.227 2.428 3.085 -858 -27,82 -657 -21,30 0,14 Fontoura Xavier 2.711 3.118 2.828 -117 -4,14 290 10,25 0,00 Forquetinha 2.274 2.289 2.314 -40 -1,71 -25 -1,09 0,00 Fortaleza dos Valos 2.486 2.498 2.699 -214 -7,92 -202 -7,48 0,44 Frederico Westphalen 2.246 2.597 2.314 -68 -2,92 283 12,23 0,09 Garruchos 2.657 2.749 2.571 86 3,34 178 6,92 0,09 Gaurama 2.228 2.457 3.085 -857 -27,78 -629 -20,37 0,11 Gentil 2.872 2.961 3.471 -598 -17,24 -510 -14,70 0,29 Getúlio Vargas 2.473 2.562 3.085 -612 -19,84 -523 -16,96 0,38 Giruá 2.759 2.710 2.571 188 7,32 139 5,40 0,58 Gramado dos Loureiros 2.902 2.940 2.699 203 7,51 241 8,93 0,22 Guabijú 2.857 3.028 3.085 -228 -7,39 -57 -1,84 0,05 Guaporé 2.350 2.365 3.085 -735 -23,83 -720 -23,35 0,00 Guarani das Missões 2.537 2.534 2.314 223 9,64 220 9,52 0,35 Horizontina 2.674 2.623 2.690 -17 -0,61 -68 -2,51 0,39 Humaitá 2.678 2.571 3.085 -407 -13,20 -514 -16,66 0,46 Ibiaçá 2.670 2.816 2.896 -226 -7,79 -80 -2,76 0,42 Ibiraiaras 2.876 3.287 3.471 -595 -17,14 -184 -5,31 0,13 Ibirapuitã 2.834 3.011 2.699 135 5,00 311 11,53 0,27 Ibirubá 2.604 2.563 3.085 -481 -15,60 -522 -16,92 0,56 Ijuí 2.772 2.699 3.085 -313 -10,16 -386 -12,52 0,51 Independência 2.681 2.624 2.699 -19 -0,70 -76 -2,81 0,50 Inhacorã 2.411 2.477 2.699 -288 -10,68 -222 -8,23 0,60 Ipê 2.456 2.818 2.314 143 6,16 505 21,81 0,01 Ipiranga do Sul 2.641 2.677 3.471 -830 -23,92 -793 -22,86 0,44 Irai 2.237 2.720 2.777 -539 -19,42 -56 -2,03 0,04 Itaara 2.501 3.043 3.625 -1.124 -31,00 -582 -16,07 0,09 Itacurubi 2.504 2.711 2.160 344 15,95 551 25,53 0,02 Itapuca 2.523 2.539 2.314 209 9,05 225 9,74 0,00 Itatiba do Sul 2.931 2.860 3.085 -154 -4,98 -226 -7,31 0,00 Ivorá 2.531 2.672 3.085 -555 -17,98 -413 -13,40 0,08 Jaboticaba 2.732 2.750 3.239 -507 -15,65 -489 -15,10 0,17 Jacuizinho 2.706 2.720 2.699 6 0,22 21 0,76 0,25 Jacutinga 2.745 2.708 3.471 -726 -20,91 -763 -21,98 0,41 Jaguari 2.831 2.923 2.160 671 31,08 764 35,36 0,02 Jarí 2.203 2.345 2.699 -497 -18,40 -355 -13,15 0,10 Jóia 2.633 2.707 2.699 -66 -2,45 7 0,26 0,47 Júlio de Castilhos 2.479 2.559 3.085 -606 -19,65 -526 -17,04 0,33 Lagoa Bonita do Sul 2.611 3.312 3.316 -705 -21,27 -4 -0,13 0,03 Lagoa Dos Três Cantos 2.756 2.768 3.471 -715 -20,60 -702 -20,24 0,54 Continua

211

TABELA C.3 (Continuação) Lagoa Vermelha 2.857 3.056 3.239 -382 -11,79 -183 -5,66 0,17 Lajeado 2.557 2.573 2.699 -142 -5,27 -126 -4,67 0,02 Lajeado do Bugre 2.770 2.686 2.314 457 19,73 372 16,08 0,27 Liberato Salzano 2.314 2.493 2.699 -385 -14,27 -206 -7,64 0,08 Machadinho 2.634 2.899 3.085 -451 -14,63 -186 -6,02 0,14 Marau 2.817 2.932 3.085 -268 -8,70 -153 -4,95 0,34 Marcelino Ramos 2.239 2.804 2.314 -75 -3,23 490 21,19 0,00 Mariano Moro 2.262 2.276 1.543 719 46,61 733 47,54 0,00 Marques de Souza 2.290 2.484 2.314 -24 -1,05 170 7,34 0,02 Mata 2.135 2.646 1.928 207 10,74 717 37,21 0,00 Mato Castelhano 2.869 2.972 3.008 -139 -4,61 -36 -1,20 0,36 Mato Leitão 2.714 2.732 2.699 15 0,55 32 1,19 0,02 Mato Queimado 2.769 2.782 2.571 198 7,71 211 8,20 0,40 Maximiliano de Almeida 2.242 2.671 3.085 -844 -27,34 -414 -13,43 0,03 Miraguaí 2.784 2.648 2.314 470 20,33 334 14,42 0,18 Montauri 2.216 2.619 3.085 -869 -28,16 -466 -15,10 0,05 Monte Alegre dos Campos 2.691 2.708 2.699 -9 -0,33 8 0,31 0,00 Mormaço 2.777 2.868 3.085 -308 -9,97 -217 -7,02 0,37 Muçum 2.307 2.974 2.314 -7 -0,28 660 28,53 0,03 Muitos Capões 2.864 2.856 3.085 -222 -7,18 -229 -7,41 0,12 Muliterno 2.773 3.015 3.085 -312 -10,12 -70 -2,28 0,13 Não-Me-Toque 2.764 2.798 3.471 -706 -20,36 -673 -19,39 0,46 Nicolau Vergueiro 2.873 2.899 3.239 -367 -11,32 -340 -10,50 0,44 Nonoai 2.707 2.954 3.085 -378 -12,24 -131 -4,24 0,25 Nova Alvorada 2.266 2.709 3.085 -819 -26,55 -376 -12,19 0,05 Nova Bassano 2.469 2.749 3.085 -616 -19,97 -336 -10,88 0,00 Nova Boa Vista 2.245 2.299 3.085 -840 -27,22 -786 -25,48 0,42 Nova Candelária 2.285 2.447 2.468 -183 -7,43 -21 -0,86 0,21 Nova Esperança do Sul 2.597 2.775 2.699 -102 -3,78 75 2,79 0,11 Nova Palma 2.579 2.756 2.699 -121 -4,48 57 2,10 0,11 Nova Prata 2.858 3.098 3.085 -227 -7,36 13 0,43 0,02 Nova Ramada 2.643 2.661 3.085 -442 -14,33 -424 -13,74 0,59 Novo Barreiro 2.662 2.627 2.699 -38 -1,40 -73 -2,69 0,31 Novo Cabrais 2.470 2.464 2.699 -229 -8,50 -235 -8,71 0,12 Novo Machado 2.640 2.563 3.239 -599 -18,51 -677 -20,89 0,49 Novo Tiradentes 2.317 2.332 2.699 -382 -14,15 -367 -13,61 0,06 Novo Xingu 2.405 2.609 2.828 -423 -14,97 -219 -7,75 0,28 Paim Filho 2.249 2.835 3.085 -836 -27,09 -250 -8,09 0,05 Palmeira das Missões 2.784 2.817 2.699 85 3,13 117 4,34 0,57 Palmitinho 2.233 2.720 1.928 305 15,80 792 41,06 0,01 Panambi 2.678 2.725 3.085 -408 -13,21 -360 -11,68 0,46 Parai 2.288 2.303 2.314 -26 -1,12 -11 -0,49 0,00 Paraiso do Sul 2.298 2.313 2.699 -401 -14,86 -387 -14,32 0,01 Passa Sete 2.624 3.264 3.004 -381 -12,67 259 8,64 0,02 Passo do Sobrado 2.752 2.766 3.085 -333 -10,79 -319 -10,33 0,02 Passo Fundo 2.856 2.913 3.342 -486 -14,55 -429 -12,85 0,38 Paulo Bento 2.747 2.822 3.085 -338 -10,94 -263 -8,53 0,27 Pejuçara 2.908 2.900 2.699 209 7,74 200 7,42 0,63 Pinhal 2.465 2.481 2.699 -234 -8,68 -219 -8,10 0,07 Continua

212

TABELA C.3 (Continuação) Pinhal da Serra 2.801 3.167 2.571 230 8,96 596 23,17 0,04 Pinhal Grande 2.376 2.511 2.699 -324 -11,98 -189 -6,99 0,25 Pinheirinho do Vale 2.254 2.268 2.314 -60 -2,58 -45 -1,96 0,03 Pirapó 2.716 2.879 2.082 633 30,40 797 38,26 0,09 Planalto 2.327 2.731 2.314 13 0,57 417 18,03 0,03 Pontão 2.822 2.851 3.471 -649 -18,69 -619 -17,85 0,50 Ponte Preta 2.253 2.364 2.571 -318 -12,36 -207 -8,04 0,27 Porto Lucena 2.678 2.675 1.928 750 38,91 747 38,73 0,15 Porto Mauá 2.335 2.416 2.507 -171 -6,83 -90 -3,60 0,34 Porto Vera Cruz 2.324 2.339 2.784 -460 -16,54 -446 -16,01 0,05 Porto Xavier 2.239 2.254 1.928 311 16,13 325 16,87 0,03 Protásio Alves 2.854 3.062 2.314 541 23,36 749 32,35 0,02 Quatro Irmãos 2.601 2.644 3.085 -484 -15,68 -441 -14,30 0,35 Quevedos 2.466 2.604 2.699 -234 -8,65 -95 -3,53 0,13 Quinze de Novembro 2.654 2.625 2.622 32 1,21 2 0,08 0,42 Redentora 2.858 2.804 2.699 158 5,85 105 3,89 0,29 Relvado 2.332 2.346 2.314 18 0,76 33 1,41 0,00 Restinga Seca 1.736 1.843 2.699 -963 -35,69 -856 -31,72 0,06 Rio dos Índios 2.628 2.773 3.085 -457 -14,81 -312 -10,11 0,28 Roca Sales 2.310 2.531 2.699 -390 -14,43 -168 -6,24 0,03 Rodeio Bonito 2.330 2.479 3.085 -755 -24,48 -606 -19,63 0,11 Rolador 2.655 2.650 2.314 341 14,73 336 14,51 0,26 Ronda Alta 2.755 2.620 3.085 -330 -10,71 -465 -15,06 0,53 Rondinha 2.690 2.628 3.085 -395 -12,80 -457 -14,83 0,38 Roque Gonzales 2.391 2.496 2.314 77 3,33 182 7,86 0,15 Sagrada Família 2.496 2.557 2.699 -204 -7,55 -143 -5,29 0,19 Saldanha Marinho 2.697 2.774 3.008 -311 -10,35 -234 -7,78 0,56 Salto do Jacuí 2.485 2.562 2690 -205 -7,62 -128 -4,75 0,39 Salvador das Missões 2.645 2.642 3.085 -440 -14,28 -443 -14,36 0,39 Sananduva 2.642 2.856 3.471 -829 -23,88 -615 -17,72 0,26 Santa Bárbara do Sul 2.670 2.703 3.085 -415 -13,46 -382 -12,39 0,58 Santa Cecília do Sul 2.811 3.000 2.699 112 4,15 300 11,12 0,32 Santa Clara do Sul 2.300 2.641 2.699 -399 -14,78 -58 -2,15 0,03 Santa Cruz do Sul 2.267 2.764 2.699 -432 -16,01 64 2,39 0,00 Santa Maria 2.007 2.177 3.085 -1.079 -34,96 -908 -29,42 0,05 Santa Rosa 2.721 2.682 3.085 -364 -11,79 -403 -13,08 0,46 Santiago 2.191 2.287 2.622 -432 -16,47 -335 -12,78 0,05 Santo Ângelo 2.694 2.666 2.699 -6 -0,21 -33 -1,23 0,44 Santo Antônio das Missões 2.661 2.697 2.622 38 1,46 74 2,84 0,09 Santo Antônio do Palma 2.775 2.944 2.699 75 2,79 245 9,07 0,09 Santo Antônio do Planalto 2.881 2.942 3.085 -204 -6,62 -143 -4,64 0,43 Santo Augusto 2.863 2.819 3.085 -222 -7,19 -266 -8,63 0,59 Santo Cristo 2.579 2.562 2.699 -120 -4,45 -138 -5,10 0,24 Santo Expedito do Sul 2.686 2.959 3.085 -399 -12,94 -126 -4,08 0,23 São Borja 2.562 2.350 2.699 -137 -5,08 -349 -12,93 0,11 São Domingos do Sul 2.249 2.709 3.085 -836 -27,11 -376 -12,20 0,03 São João da Urtiga 2.249 2.263 2.699 -451 -16,69 -436 -16,16 0,05 São João do Polêsine 1.897 1.909 2.699 -802 -29,72 -790 -29,27 0,02 São Jorge 2.331 2.854 3.471 -1.139 -32,82 -616 -17,76 0,03 Continua

213

TABELA C.3 (Continuação) São José das Missões 2.869 2.818 2.699 170 6,29 119 4,40 0,27 São José do Herval 2.571 2.587 2.699 -129 -4,76 -112 -4,15 0,00 São José do Inhacora 2.277 2.537 2.189 88 4,03 348 15,90 0,17 São José do Ouro 2.768 3.004 3.085 -317 -10,28 -81 -2,64 0,22 São Luiz Gonzaga 2.650 2.693 2.314 336 14,52 379 16,39 0,32 São Martinho 2.563 2.499 3.085 -522 -16,92 -586 -18,99 0,48 São Martinho da Serra 2.449 2.566 3.471 -1.022 -29,45 -905 -26,08 0,11 São Miguel das Missões 2.677 2.733 2.468 209 8,46 265 10,74 0,33 São Nicolau 2.547 2.584 2.314 233 10,06 271 11,70 0,14 São Paulo das Missões 2.197 2.441 1.928 269 13,96 513 26,61 0,14 São Pedro das Missões 2.770 2.690 2.699 70 2,61 -9 -0,34 0,47 São Pedro do Butiá 2.585 2.634 2.699 -114 -4,23 -66 -2,44 0,33 São Pedro do Sul 2.038 2.393 2.185 -147 -6,73 208 9,51 0,00 São Valentim 1.734 1.734 3.085 -1.351 -43,79 -1.351 -43,79 0,04 São Valentim do Sul 2.318 2.333 3.471 -1.153 -33,21 -1.138 -32,79 0,01 São Valério do Sul 2.519 2.581 2.699 -181 -6,70 -118 -4,39 0,44 São Vicente do Sul 1.810 2.250 2.314 -504 -21,78 -64 -2,76 0,01 Sarandi 2.609 2.689 2.699 -91 -3,36 -11 -0,40 0,40 Seberi 2.802 2.816 3.471 -669 -19,27 -655 -18,86 0,20 Sede Nova 2.539 2.499 3.085 -546 -17,70 -586 -18,99 0,57 Segredo 2.413 2.429 2.571 -158 -6,13 -142 -5,53 0,02 Selbach 2.697 2.597 2.982 -285 -9,55 -385 -12,92 0,55 Senador Salgado Filho 2.741 2.631 2.699 41 1,53 -69 -2,54 0,53 Serafina Corrêa 2.187 2.500 3.471 -1.283 -36,98 -971 -27,97 0,01 Sério 2.282 2.296 2.314 -32 -1,38 -17 -0,76 0,00 Sertão 2.791 2.840 3.085 -294 -9,52 -245 -7,93 0,46 Sete de Setembro 2.519 2.499 2.314 205 8,86 185 8,01 0,37 Severiano de Almeida 2.241 2.803 2.314 -73 -3,16 489 21,14 0,01 Silveira Martins 2.463 2.844 3.085 -622 -20,15 -241 -7,81 0,09 Sobradinho 2.371 2.387 3.085 -714 -23,13 -699 -22,64 0,03 Soledade 2.714 2.905 3.085 -371 -12,02 -180 -5,84 0,10 Tapejara 2.610 2.735 3.471 -861 -24,81 -735 -21,19 0,40 Tapera 2.743 2.722 3.471 -728 -20,97 -748 -21,56 0,53 Taquaruçú do Sul 2.822 2.804 2.854 -32 -1,10 -50 -1,75 0,10 Tenente Portela 2.579 2.599 2.699 -121 -4,48 -101 -3,73 0,28 Tio Hugo 2.798 2.802 3.214 -416 -12,94 -412 -12,81 0,39 Tiradentes do Sul 2.270 2.475 2.314 -44 -1,90 161 6,97 0,25 Toropí 2.206 2.521 2.699 -493 -18,27 -178 -6,61 0,01 Travesseiro 1.920 2.437 2.468 -548 -22,21 -31 -1,26 0,01 Três Arroios 2.231 2.776 2.314 -83 -3,58 462 19,96 0,01 Três de Maio 2.686 2.656 3.085 -399 -12,93 -429 -13,92 0,46 Três Palmeiras 2.839 2.796 3.471 -632 -18,20 -674 -19,43 0,27 Três Passos 2.464 2.530 2.699 -235 -8,72 -170 -6,29 0,22 Trindade do Sul 2.893 2.959 3.085 -192 -6,24 -126 -4,08 0,24 Tucunduva 2.719 2.641 2.468 251 10,17 173 7,00 0,52 Tunas 2.488 2.627 2.699 -212 -7,84 -72 -2,68 0,06 Tupanci do Sul 2.797 2.915 3.085 -288 -9,35 -170 -5,51 0,19 Tupanciretã 2.498 2.532 3.471 -973 -28,03 -939 -27,04 0,41 Tuparendi 2.472 2.498 2.699 -228 -8,44 -201 -7,46 0,40 Continua

214

TABELA C.3 (Conclusão) Ubiretama 2.626 2.520 2.314 313 13,51 206 8,92 0,40 União da Serra 2.211 2.574 2.314 -103 -4,45 260 11,25 0,00 Vacaria 2.919 2.924 3.085 -166 -5,37 -161 -5,22 0,07 Vale do Sol 2.154 2.168 2.828 -674 -23,83 -660 -23,34 0,00 Vale Verde 2.823 2.801 2.571 252 9,82 230 8,94 0,01 Vanini 2.268 2.795 3.342 -1.075 -32,16 -547 -16,36 0,05 Venâncio Aires 1.943 1.975 2.314 -371 -16,04 -339 -14,63 0,00 Veranópolis 2.851 3.141 2.571 280 10,90 570 22,16 0,00 Vespasiano Corrêa 2.301 2.687 3.085 -784 -25,43 -398 -12,89 0,06 Viadutos 2.335 2.784 3.085 -750 -24,31 -301 -9,75 0,02 Vicente Dutra 2.236 2.539 2.314 -77 -3,34 225 9,73 0,04 Victor Graeff 2.804 2.800 3.471 -666 -19,20 -671 -19,34 0,54 Vila Flores 2.584 2.910 3.085 -501 -16,24 -175 -5,68 0,01 Vila Langarô 2.435 2.577 3.085 -650 -21,07 -508 -16,47 0,39 Vila Maria 2.449 2.664 3.085 -636 -20,63 -421 -13,64 0,21 Vista Alegre 2.949 3.040 2.854 95 3,32 186 6,52 0,08 Vista Alegre do Prata 2.536 2.552 3.085 -549 -17,80 -533 -17,28 0,00 Vista Gaúcha 2.238 2.376 3.085 -847 -27,45 -709 -22,98 0,23 Vitória das Missões 2.747 2.736 2.314 434 18,74 422 18,24 0,31

geotecnologias em um sistema de estimativa da produÇÃo de soja: estudo...

Documents