Escolar Documentos
Profissional Documentos
Cultura Documentos
Tcc-2018-Luiza Martins Turcatto
Tcc-2018-Luiza Martins Turcatto
SINOP
MATO GROSSO – BRASIL
2018
LUIZA MARTINS TURCATTO
SINOP
2018
Aos meus pais, Darlã e Luzia, e a minha irmã querida, Amanda.
mim conferidas, pois sem eles nenhuma das etapas da graduação poderiam ser
concretizadas.
Aos meus pais, Darlã e Luzia, pela confiança e apoio a mim prestado, tanto em quisitos
A minha irmã querida, Amanda, pelo acolhimento ao chegar nesta cidade, carinho,
Ao meu namorado, Gustavo, por estar ao meu lado durante esta etapa complexa da
minha vida.
da minha história.
SUMÁRIO
RESUMO .................................................................................................................................... 8
ABSTRACT ................................................................................................................................ 9
INTRODUÇÃO ......................................................................................................................... 10
1. INTRODUÇÃO .............................................................................................................. 13
4. CONCLUSÕES ............................................................................................................. 19
1. INTRODUÇÃO .............................................................................................................. 23
4. CONCLUSÕES ............................................................................................................. 30
RESUMO
ABSTRACT
The mapping of spatial variability of plants and soil is used as a fundamental tool for
agricultural management in the field of precision agriculture. It was initially intended (Chapter
1) to investigate Pearson's linear correlation between maize crop productivity and NDVI
generated from satellite images in a 64 ha plot with a mean yield of 101.16 sc.ha-1 and
coefficient of variation of 11.31%, located in Tabaporã, northwest region of MT. The first
evaluation process was carried out as follows: gross productivity map filtering, Landsat 8
satellite imagery selection, point-to-point NDVI pixel value extraction, based on productivity
data and correlation analysis. The correlation result was 0.6 tested through the T test with
significance of 1%. Considered by the authors a satisfactory result, a new work (Chapter 2)
was conducted in which the objective was to evaluate the spatial variability of maize
productivity, as well as the linear correlation between productivity and NDVI, in 3 consecutive
harvests, 2015 , 2016 and 2017 on the same property in question. The Matlab program
(2018A) was used to evaluate the correlation between variables. The coefficients of variation
of productivity were relatively low (<10%) and productivity increased from 2015 to 2017. By
2016, 70% of the stands had correlation coefficients (between productivity and NDVI) above
0.3 tested at 1% significance (T test), where a greater number of stands were found in the
ideal phenological stage (VT and R1) to identify the variability of productivity. The use of
Landsat 8 satellite images was efficient in identifying the spatial variability of maize yield with
a significant correlation coefficient of up to 0.78. However, satellite scanning time and cloud-
free images limited the evaluation of plots with available yield data.
INTRODUÇÃO
Portanto, o objetivo geral deste trabalho foi utilizar o NDVI a partir de imagens orbitais
para avaliação de padrões de produtividade na cultura do milho, na região noroeste do Mato
Grosso. Objetivos específicos: avaliar o uso de imagens de satélite para estudar a correlação
entre produtividade de Milho e NDVI em um talhão; e avaliar a variabilidade da produtividade
do milho, bem como a correlação linear entre produtividade e NDVI obtido por imagens de
satélite ao longo de três safras.
12
1. INTRODUÇÃO
2. MATERIAL E MÉTODOS
A elaboração do NDVI foi feita através do software QGIS, onde exige a entrada das
bandas supracitadas e o nome do arquivo de saída. Em seguida, utilizou-se a ferramenta de
classificação pelo método manual, que permite agrupar o NDVI em classes de valores,
optando-se, nesta ocasião, pelo agrupamento em 5 classes, para análise visual e identificação
15
3. RESULTADOS E DISCUSSÃO
Houve bastante restrição quando a disponibilidade das imagens, dado que o satélite
Landsat 8 registra uma nova imagem a cada 16 dias e a presença de nuvem eliminou outras
imagens registradas em datas mais próximas. A imagem na data 10/04/2016 (Figura 2.A),
exibiu nuvem na parte superior direita, onde afetava aproximadamente 50 pontos de
produtividade, em que foram excluídos.
A comparação visual entre os NDVI e o mapa de produtividade exibiu uma relação
nítida da variabilidade espacial, para a imagem na data de 28/05/2016 (Figura 2.B). Os pontos
com maior produtividade correspondem a pontos com maiores valores de NDVI, diferentes
das outras duas datas avaliadas. Na Figura 2, são apresentados os mapas de NDVI nas três
datas avaliadas, sendo as Figuras A, B e C, NDVI referente as datas de 10/04/2016,
28/05/2016 e 13/06/2016 respectivamente.
17
r P-valor
NDVI - 10/04/2016 0,24 < 0,001
NDVI - 28/05/2016 0,6 < 0,001
NDVI - 13/06/2016 -0,06 0,004
19
4. CONCLUSÕES
5. REFERÊNCIAS BIBLIOGRÁFICAS
SHIRATSUCHI, L. S.; BRANDÃO, Z. N.; VICENTE, L. E.; VICTORIA, D. C.; DUCATI, J. R.;
OLIVEIRA, R. P. O; VILELA, M. F. Sensoriamento Remoto: conceitos básicos e aplicações na
Agricultura de Precisão. Cap.4. EMBRAPA, Brasília, DF. 2014.
USGS. United States Geological Survey. Desenvolvido pelo Department of the Interior EUA,
em 1987. Disponível em: https://landsat.usgs.gov/landsat-processing-details. Acessado: 06
abr. 2018.
1. INTRODUÇÃO
2. MATERIAL E MÉTODOS
A seleção das imagens para análise da correlação entre MP e NDVI, teve como
critério: isenção de nuvens e datas em que a cultura se encontrava 6 semanas após
25
emergência, até 10 dias antes da colheita. De acordo com WEISMANN (2008), neste
período a cultura correspondia aos estágios fenológicos entre V10 (rápido crescimento)
e R6 (maturação fisiológica). A datas das imagens utilizadas, de acordo com a
disponibilidade do site e critérios adotados são apresentadas na Tabela 1. Houve
restrição na quantidade de imagens analisadas, devido ao tempo de varredura do
Landsat 8 e disponibilidades de imagens livres de nuvens.
O intervalo de semeadura na fazenda é de aproximadamente 20 dias, o que
indica uma limitação para a utilização de imagens de satélite, uma vez que o tempo de
varredura do Landsat 8 é de16 dias. Associando ao tempo de varredura, outra limitação
que dificulta este tipo de investigação é encontrar imagens livres de nuvens com estágio
fenológico da cultura adequado.
Tabela 1. Datas das Imagens utilizadas, cobrindo a safra do milho de 2015 a 2017.
3. RESULTADOS E DISCUSSÃO
Tabela 2. Porcentagem de talhões com produtividade maior e menor que a média da fazenda e
coeficiente de variação da produtividade anual.
Ano (Nº talhões) < méd. (%) > méd. (%) Prod. méd. (sc.ha-1) CV (%)
Para o ano de 2016 foi identificado maior número de talhões com correlação
entre produtividade e o NDVI (70 %) na data 10/04/2016 (NDVI 01), isto significa que
mais talhões estavam no estágio de crescimento vegetativo, o que implica na facilidade
da interpretação da variabilidade espacial da produtividade. Informações estas que
podem ser utilizadas para tomadas de decisões futuras. Porém, devido ao sistema de
rotação de cultura da propriedade, não houve repetibilidade de talhões para a análise
temporal da produtividade para o ano de 2016 com os demais.
Para análise temporal, apenas 5 talhões apresentaram repetibilidade nos anos
2015 e 2017. Dos 5 talhões que se repetiram, 2 se encontravam dentro do estágio
fenológico adequado para a detecção de variabilidade espacial no NDVI, dentro das
imagens selecionadas. O fato da fazenda não trabalhar com 100% da segunda safra de
milho e o intervalo da semeadura ser extenso, dificultou encontrar talhões que
permitisse uma análise mais abrangente.
Foram selecionadas para execução da análise temporal e correlação entre
produtividade e NDVI, as imagens que apresentaram maior número de talhões com r
acima de 0,30 significativos, sendo elas 26/05/2015 (NDVI 02), e 13/04/2017 (NDVI 01),
com 42 % e 33 %. Os resultados da análise de correlação entre produtividade e NDVI
para os 2 talhões em 2015 e 2017 são apresentados na Tabela 4.
4. CONCLUSÕES
5. REFERÊNCIAS BIBLIOGRÁFICAS
FERNANDES, Pablo. CORN YIELD ESTIMATES ZEA MAYS L.) THROUGH IMAGES
OBTAINED BY MANNED AERIAL VEHICLE. 2016. 79 f. Dissertação (Mestrado em
Agronomia) - Universidade Federal de Santa Maria, Santa Maria, 2016.
USGS. United States Geological Survey. Desenvolvido pelo Department of the Interior
EUA, em 1987. Disponível em: https://landsat.usgs.gov/landsat-processing-details.
Acessado: 06 abr. 2018.
CONCLUSÕES GERAIS
Célio de Araújo, João, Vettorazzi, Carlos Alberto, Molin, José Paulo, Estimativa da
produtividade e determinação de zonas de manejo, em culturas de grãos, por meio de
videografia aérea multiespectral. Acta Scientiarum. Biological Sciences [en linea] 2005,
27 (Julio-Septiembre) : [Fecha de consulta: 11 de septiembre de 2018] Disponible
en:<http://www.redalyc.org/articulo.oa?id=187117381007> ISSN 1679-9283
FERNANDES, Pablo. CORN YIELD ESTIMATES ZEA MAYS L.) THROUGH IMAGES
OBTAINED BY MANNED AERIAL VEHICLE. 2016. 79 f. Dissertação (Mestrado em
Agronomia) - Universidade Federal de Santa Maria, Santa Maria, 2016.