24

Seleção de modelo de regressão para

estimar o índice de área foliar utilizando
imagens de sensoriamento remoto

Ivandro José de Freitas Rocha Sabrina Dias de Oliveira

Faculdade Evangélica de Goianésia - FACEG Universidade Estadual de Goiás - UEG

Gustavo Henrique Mendes Brito Sueli Martins de Freitas Alves

Faculdade Evangélica de Goianésia - FACEG Universidade Estadual de Goiás - UEG

Carlos Eduardo Bento Barbosa Francisco Ramos de Melo

Faculdade Metropolitana de Anápolis - FAMA Universidade Estadual de Goiás - UEG

'10.37885/220809689
RESUMO

Objetivo: Obter o índice de área foliar de culturas irrigadas por pivô central por meio de
ajustes nos modelos de regressão entre o índice de área foliar coletado in loco e o índice
de vegetação por diferença normalizada obtido por meio de imagens de sensoriamento
remoto. Métodos: O estudo foi realizado em área comercial de 35 ha de tomate industrial,
irrigado por pivô central, no município de Vila Propício, Goiás. A coleta das amostras foi
feita por dois meios: In loco e por sensoriamento remoto utilizando imagens dos sensores
OLI/Landsat 8 e MSI/Sentinel-2 (A e B). Resultados: O melhor modelo de regressão foi
o que teve os valores distribuídos em quadrantes de pixel de 120 m2, seguindo a linha de
plantio, dentre os critérios de seleção avaliados, os que influenciaram na escolha deste mo-
delo foram o coeficiente de determinação de 0,67 e o de erro quadrático médio menor que
11%. Conclusão: Os valores de índice de área foliar podem ser estimados por modelo de
regressão ajustados a partir do índice de vegetação por diferença normalizada derivado de
sensoriamento remoto, e que quanto maior a resolução das imagens, melhor o resultado.

Palavras-chave: Landsat 8, Sentinel-2, Imagens Orbitais, NDVI, Modelos Matemáticos.

 INTRODUÇÃO

O índice de área foliar (IAF) é um dos principais parâmetros fisiológicos da planta

relacionados à transpiração, produtividade e condições hídricas. O IAF pode ser obtido
diretamente pela remoção de folhas (método destrutivo), ou indiretamente sem remoção
de folhas garantindo a integridade da planta (método não destrutivo). Dentre esses mé-
todos não destrutivos, destacam-se os modelos que relacionam valores de IAF a índices
de vegetação (IVs) derivados de imagens de sensoriamento remoto (RODY et al., 2014;
SOUZA et al., 2018).
Os produtos das técnicas de sensoriamento remoto têm sido utilizados em estudos
que monitoram o crescimento das plantas, que normalmente buscam estabelecer relações
entre o padrão de evolução do crescimento das plantas ao longo do tempo com a geração
e análise de índices de vegetação. Um desses índices é o índice de vegetação por diferen-
ça normalizada (NDVI), que tem sido diretamente associado à quantidade de biomassa,
cobertura do solo, índice de área foliar e interceptação de radiação (PEREIRA et al., 2015).
As estimativas de IAF baseadas em dados obtidos de sensores orbitais não podem ser
generalizadas e requerem validações que levem em consideração as especificidades do local
e a dinâmica da vegetação. Portanto, a utilização de dados de campo integrados com dados
obtidos por sensores orbitais, como é o caso do IAF, tem grande aplicabilidade, pois ao final
da avaliação das estimativas, os dados gerados fornecem informações úteis sobre a área de
estudo, que ajudar o agricultor na tomada de decisão oportuna (DANELICHEN et al., 2016).
O objetivo deste estudo foi obter estimativas do índice de área foliar em culturas irriga-
das por pivô central utilizando técnicas de sensoriamento remoto e modelos de regressão.

MÉTODOS

O estudo foi realizado em uma área de 35 ha de tomate comercial irrigado por

sistema de pivô central, na Vila Propício, Goiás, Brasil, localizado a 15 ° 24’ 12” S e
48 ° 53’ 59,69” W com altitude média de 686 m (Figura 1). O clima da região segundo o
sistema de classificação climática de Köppen é AW com duas estações bem definidas:
verão chuvoso e inverno seco (Referência). A temperatura média anual é de 22,5 ° C e a
precipitação média anual é de 1.370 mm (Cardoso et al., 2014). Com base nos experimen-
tos de Scavacini et al. (2015) e Soares et al. (2019), foi adotada uma malha amostral de
60 x 60 m, totalizando 88 pontos. A grade de amostra usou as linhas de plantio de tomate
como referência.

Ciências Agrárias: o avanço da ciência no Brasil - ISBN 978-65-5360-173-4 - Vol. 4 - Ano 2022 - Editora Científica Digital - www.editoracientifica.org
379
 Figura 1. Mapa da localização do município de Vila Propício-GO, área experimental e grade amostral.

Fonte: Autoria própria (2019).

Os solos são do tipo Cambissolo Haplic distrófico com textura argilosa. O transplante
teve início em 24 de abril de 2018, em área não cultivada e coberta com palha, 30 dias após
a germinação da muda. As plantas foram espaçadas de 0,30 m entre cada planta e 1,0 m
entre linhas com densidade de 30 mil plantas ha. O híbrido comercial de tomate plantado
foi o N901, que tem uma produção estimada de 50 frutos por planta.
Aos 76 Dias Após o Transplante (DAT), em 9 de julho de 2018, data escolhida para
coincidir com a passagem do satélite e a fase de pós-floração, período de maior valor de
IAF e início de decréscimo. O Número de Plantas (NP), Área Foliar (AF) e Índice de Área
Foliar (IAF) foram avaliados em cada ponto da grade amostral. Uma moldura quadrada de
1,0 m² foi usada para determinar o número de plantas. Duas plantas dentro do quadro foram
separadas aleatoriamente, tomando cuidado para não danificar as plantas. O Número de
Folhas (NL) da primeira haste principal e hastes laterais dos ramos individuais foram conta-
dos separadamente. Dez folhas foram tiradas e fotografadas individualmente com a função
de câmera em um telefone celular com resolução de 8,0 megapixels (Figura 2).

Ciências Agrárias: o avanço da ciência no Brasil - ISBN 978-65-5360-173-4 - Vol. 4 - Ano 2022 - Editora Científica Digital - www.editoracientifica.org
380
Figura 2. Fotografia de uma folha, tirada de um ponto amostral, usada para calcular a área foliar. A linha no canto inferior
direito, medindo 2 cm de comprimento, é usada para calibração do software.

Fonte: Autoria própria (2019).

Os dados do IAF foram obtidos através da razão AF sobre a superfície do solo ocupada
pela planta, representando o AF total por unidade de área (Equação 1).

AF ∗ NP (1)
IAF =
TA

onde:

IAF - índice de área foliar, m2 m-2;

AF - área foliar média de duas plantas, m2;
NP - número de plantas por metro quadrado; e,
AT - área total considerada, 1 m2.

As imagens orbitais da área de estudo utilizadas foram obtidas pelos sensores de ima-
gem operacional terrestre (OLI) do satélite Landsat 8, órbita 222, linha 71 e pelos sensores
de instrumentos multiespectrais (MSI) dos satélites Sentinel-2A e Sentinel-2B, localizado
no T22LGJ no sistema de referência da rede militar dos EUA (MGRS), as imagens foram
obtidas próximo ao 76 DAT, data do início da coleta do IAF in loco (Tabela 1).

Tabela 1. Dados de passagens de satélites sobre a área de estudo: Identificador, satélite de origem das imagens, dias
após o transplante, data e hora.

Identificador Satélite DAT Data da imagem Hora

L02 Landsat 8 69 02/07/2018 13:19:58
S02 Sentinela-2A 69 02/07/2018 13:32:25
S07 Sentinela-2B 74 07/07/2018 13:34:40
S12 Sentinela-2A 79 12/07/2018 13:36:09
S17 Sentinela-2B 84 17/07/2018 13:32:22
L18 Landsat 8 85 18/07/2018 13:20:05
DAT- dias após o transplante
Fonte: Autoria própria (2019).

Ciências Agrárias: o avanço da ciência no Brasil - ISBN 978-65-5360-173-4 - Vol. 4 - Ano 2022 - Editora Científica Digital - www.editoracientifica.org
381
 As imagens passaram por um processo de refinamento para definir quais imagens po-
dem ser usadas com base em: Visibilidade, atmosfera livre de nuvens; Qualidade de imagem
do sensor, sem ruído; e, Homogeneidade do período em que as imagens foram capturadas.
Para cada imagem selecionada, a refletância da parte superior da atmosfera (TOA) foi
convertida em valores de refletância da parte inferior da atmosfera (BOA) usando o arquivo
de metadados que está disponível com as imagens. Este arquivo contém os parâmetros de
transformação necessários para realizar a conversão de refletância de TOA em BOA.
O sistema de referência de coordenadas precisou ser convertido porque as imagens
fornecidas pelo Landsat estão em WGS 84 / UTM zona 22 N e as imagens Sentinel estão em
WGS 84 / UTM zona 22 S, mas no Brasil o sistema de referência oficial é o Datum SIRGAS
2000 (Geocêntrico Sistema de Referência para as Américas), o sistema de coordenadas é
UTM e a área de estudo está na zona 22 S (SIRGAS, 2021).
O NDVI varia de -1 a +1 (quanto mais próximo de 1, maior a densidade da cobertura
vegetal) e pode ser obtido na Equação 2, de acordo com Rouse et al. (1973):

NIR − RED
NDVI = (2)
NIR + RED

em que:

NIR - Refletância de banda de infravermelho próximo - NIR; e,

VERMELHO - refletância na faixa vermelha visível.

O NDVI foi calculado para cada data de imagem de satélite, gerando seis imagens em
formato raster (Tabela 1). Os dados raster são formados por uma matriz de pixels (também
conhecida como células), na qual cada pixel contém dados registrados em sua descrição
que representam a condição da área coberta.
A análise de correlação foi realizada entre os conjuntos de dados IAF e NDVI, uma vez
que os valores estão associados pelos pontos da grade amostral (coordenadas geográficas:
latitude e longitude), a análise de correlação foi realizada em quatro variações, nas quais
a utilização, posicionamento e direção dos quadrantes em relação aos pontos da grade
amostral foram variados. Cada quadrante tem um espaçamento de 120 x 120 m e foi feita a
média dos pontos contidos no quadrante. A direção dos quadrantes variou de acordo com
os pixels e as linhas de plantio e o posicionamento dos quadrantes variou de acordo com a
quantidade de pontos dentro de cada quadrante. As variações geraram diferentes quanti-
dades de pontos (Tabela 2).

Ciências Agrárias: o avanço da ciência no Brasil - ISBN 978-65-5360-173-4 - Vol. 4 - Ano 2022 - Editora Científica Digital - www.editoracientifica.org
382
 Tabela 2. Variação do quadrante em relação aos pontos da grade de amostragem, independente do satélite utilizado

Variação Descrição Imagem

Quadrante: nenhum
Direção: nenhuma
1º
Posicionamento: nenhum
Total de pontos gerados: 88

Quadrante: 120 x 120 m

Direção: seguindo o alinhamento de pixels
2º
Posicionamento: todos os pontos estão dentro de um quadrante
Total de pontos gerados: 28

Quadrante: 120 x 120 m

Direção: seguindo a linha de plantio
3º
Posicionamento: nenhum ponto é isolado dentro de um quadrante
Total de pontos gerados: 26

Quadrante: 120 x 120 m

Direção: seguindo a linha de plantio
4º
Posicionamento: todos os pontos estão dentro de um quadrante
Total de pontos gerados: 25

Fonte: Autoria própria (2019).

A análise de correlação foi realizada nos dados obtidos, gerando uma tabela de corre-
lação para cada imagem analisada. Modelos de regressão linear, exponencial, de potência e
logarítmica foram aplicados nos casos com maior valor de correlação para gerar os modelos
de estimação do IAF, conforme as Equações 3 à 6:

Y = a. X + b (3)

Y = a. e!.# (4)

Y = a. Xb (5)

Ciências Agrárias: o avanço da ciência no Brasil - ISBN 978-65-5360-173-4 - Vol. 4 - Ano 2022 - Editora Científica Digital - www.editoracientifica.org
383
 Y = a + b. ln X (6)

em que:

S - valores de NDVI;
X - valores IAF; e,
aeb - estimativas de parâmetros de modelos.

Os modelos de estimativa do IAF foram ajustados a partir da análise de correlação

entre as medidas da cultura obtidas em campo e os valores do NDVI. Após o ajuste dos
modelos possíveis, os que apresentaram os melhores resultados em cinco critérios foram
selecionados de acordo com Almeida et al. (2015): O teste F para o modelo de regressão
deve ser significativo a 0,05 de probabilidade; O teste t de Student para as estimativas de
cada parâmetro do modelo de regressão deve ser significativo a 0,05 de probabilidade;
Erro quadrático médio (RMSE): o modelo de regressão deve ter o menor valor de RMSE
estimado pela Equação 9:

∑"
#$% Pi − Oi
!
RMSE = (9)
N

em que:

Pi - valores previstos;
Oi - valores observados; e,
N - coeficientes dos modelos

Coeficiente de determinação (R²): o modelo de regressão que apresenta o maior valor

de R2; e, critério de informação Bayesiano (BIC): o modelo de regressão com o menor BIC
estimado pela Equação 10:

BIC! = −2log L! + p + 1 + 1 log n (10)

em que:

LP - função da máxima verossimilhança do modelo; e,

p - número de variáveis explicativas consideradas no modelo.

RESULTADOS

Os valores do IAF calculados em campo variaram de 1,35 a 5,57 m2 m-2, sendo o maior
valor encontrado em um único ponto que foi considerado pela análise descritiva como um
outlier (Figura 3).

Ciências Agrárias: o avanço da ciência no Brasil - ISBN 978-65-5360-173-4 - Vol. 4 - Ano 2022 - Editora Científica Digital - www.editoracientifica.org
384
Figura3. Interpolação de ponderação de distância inversa do índice de área foliar em relação aos pontos da grade amostral
e o histograma desta distribuição.

Fonte: Autoria própria (2019).

O NDVI calculado a partir de dados L02 variou de 0,61 a 0,85 (Figura 4A) e de da-
dos L18 variou de 0,56 a 0,82 (Figura 4F). A diminuição dos valores entre uma data e
outra justifica-se pelo período de declínio do IAF, que atingiu o pico por volta dos 70 DAT
(REIS et al., 2013).
O NDVI calculado a partir dos dados do satélite Sentinel-2 (A e B) no conjunto S02
(Figura 4B) variou de 0,87 a 0,83, no conjunto S07 (Figura 4C) variou de 0,77 a 0,83, e no
conjunto S17 (Figura 4E) variou de 0,72 a 0,81, confirmando que o IAF atingiu o pico entre
69 e 74 DAT e depois começou a declinar.

Ciências Agrárias: o avanço da ciência no Brasil - ISBN 978-65-5360-173-4 - Vol. 4 - Ano 2022 - Editora Científica Digital - www.editoracientifica.org
385
Figura 4. Interpolações de NDVIs obtidos em diferentes satélites e em diferentes datas em função dos pontos da grade
amostral e dos histogramas dessas distribuições.

A. B.

C. D.

Ciências Agrárias: o avanço da ciência no Brasil - ISBN 978-65-5360-173-4 - Vol. 4 - Ano 2022 - Editora Científica Digital - www.editoracientifica.org
386
 E. F.

E.
Dados obtidos do sensor do satélite Landsat 8 para os dias: (A) 69 DAT e (F) 85 DAT. Dados obtidos dos sensores dos satélites Sentinel-2 (A e B) dos
dias: (B) 69 DAT; (C) 74 DAT; (D) 79 DAT e (E) 84 DAT
Fonte: Autoria própria (2019).

A variação dos valores do NDVI ocorre de acordo com o IAF, quanto maior o IAF,
maiores os valores do NDVI. Essa relação, mesmo sendo cultivares diferentes, pode ser
observada no estudo de Almeida et al. (2015), que acrescenta que a relação é sempre
positiva entre LA e NDVI. Em condições de alto IAF, o NDVI torna-se menos sensível para
detectar variações na biomassa, fenômeno conhecido como saturação assintótica (RISSO
et al., 2012). Este fato sugere que o NDVI deve ser calibrado para cada condição de cultivo
e espécie de planta. No estudo de Wang et al. (2001), que analisaram imagens da superfí-
cie terrestre e observaram o mesmo comportamento, que a partir de um determinado valor
do IAF há pouca mudança no NDVI, quando o valor do IAF atinge este nível a relação é
classificada como saturada.
Ao analisar os gráficos de dispersão entre os valores de IAF e NDVI, nota-se uma
clara saturação dos dados orbitais provenientes do LandSat 8 (Figura 5 A e F) e Sentinel-2
(Figura 5 B, C, D e E). Tal comportamento ocorre devido à absorção completa da radiação na
região vermelha pela clorofila e carotenos presentes nas folhas a partir de um determinado
valor de IAF (LIANG, 2004). Em estudos que buscam extrair características da vegetação
(ie, IAF, diâmetro, altura, biomassa etc.) a saturação de dados em sensores orbitais é uma
das limitações desses produtos.

Ciências Agrárias: o avanço da ciência no Brasil - ISBN 978-65-5360-173-4 - Vol. 4 - Ano 2022 - Editora Científica Digital - www.editoracientifica.org
387
 Figura 5. Gráfico de dispersão entre IAF e NDVI de dados obtidos em diferentes satélites e em diferentes datas.

A. B.

C D.

.
E. F.

Ciências Agrárias: o avanço da ciência no Brasil - ISBN 978-65-5360-173-4 - Vol. 4 - Ano 2022 - Editora Científica Digital - www.editoracientifica.org
388
Dados obtidos do sensor do satélite Landsat 8 para os dias: (A) 69 DAT e (F) 85 DAT. Dados obtidos dos sensores dos satélites Sentinel-2 (A e B) dos
dias: (B) 69 DAT; (C) 74 DAT; (D) 79 DAT e (E) 84 DAT
Fonte: Autoria própria (2019).

A correlação entre IAF e NDVI é apresentada na Tabela 3, testada em diferentes distri-

buições de valores seguindo a orientação do quadrante de pixel (Tabela 2) para os conjuntos
de dados L02, S02, S07, S12, S17 e L18. Os conjuntos de dados que se correlacionaram
acima de 0,50 foram ajustados nos modelos de regressão: linear simples, potência, expo-
nencial e logarítmico.

Tabela 3. Correlação do índice de área foliar pelo índice de vegetação de diferença normalizada em diferentes distribuições
de valores de quadrante de pixel.

Dados
Quadrante
L02 L18 S02 S07 S12 S17
Q1 -0,00302 0,127982 0,356525 0,294879 0,309559 0,19363
Q2 0,125987 0,194604 0,574163 0,553735 0,549075 0,4404
Q3 -0,00099 0,095336 0,545099 0,479300 0,53562 0,316977
Q4 0,207542 0,221065 0,610391 0,50806 0,48243 0,346567
Q1 - Sem quadrante; Q2 - quadrante de 120 m2, seguindo o alinhamento dos pixels; Q3 - quadrante de 120 m2, seguindo a linha de
plantio e nenhum ponto pode ficar sozinho dentro do quadrante; Q4 - quadrante de 120 m2, seguindo a linha de plantio e um ponto
pode ser deixado sozinho dentro do quadrante.
Fonte: Autoria própria (2019).

Foi selecionado o modelo de regressão de potência para o conjunto de dados S12

(Tabela 4), com os valores distribuídos em quadrantes de pixel de 120 m2, seguindo a linha
de plantio e nenhum ponto sozinho dentro do quadrante. O modelo foi ajustado pela relação
linear entre o log do IAF e o NDVI. Apresentou o melhor desempenho, com alto coeficien-
te de determinação (R2 > 0,6) e baixo erro quadrático médio (RMSE < 11). A análise de
resíduos não confirmou nenhuma tendência na estimativa de erro. Na relação linear entre
NDVI e IAF, os valores de R² (0,6 - 0,75) são semelhantes aos encontrados em outros es-
tudos envolvendo: eucalipto (SANTOS et al., 2013; ALMEIDA et al., 2015), cana-de-açúcar
(PEREIRA et al., 2015) e plantações de coníferas (FASSNACHT et al., 1997).

Tabela 4. Resumo dos resultados da análise do modelo de regressão e sua significância estatística para a relação IAF-NDVI
dos dados do satélite Sentinel-2A por 79 dias após o transplante.

Modelo R2 RMSE (%) valor p

Simples linear IAF = 27.665NDVI – 18.855 0,69 26 <0,01

Poder IAF = 22.333NDVI8,5257 0,67 11 <0,01

Exponencial IAF = 0,0005e10,943NDVI 0,66 11 <0,01

Logarítmico IAF = 8,0783 + 21.536 ln NDVI 0,70 26 <0,01

IAF - índice de área foliar; NDVI - índice de vegetação de diferença normalizada.
Fonte: Autoria própria (2019).

Ciências Agrárias: o avanço da ciência no Brasil - ISBN 978-65-5360-173-4 - Vol. 4 - Ano 2022 - Editora Científica Digital - www.editoracientifica.org
389
 Embora os valores de R2 da regressão linear simples (0,69) e da regressão logarítmica
(0,70) tenham sido superiores à regressão de poder (0,67), eles não foram selecionados por
apresentarem maior RMSE entre os modelos de regressão.
A Figura 6 apresenta o diagrama de dispersão entre os valores medidos e estimados
do IAF. Apesar da saturação dos dados orbitais, o gráfico de dispersão mostra que o modelo
ajustado foi capaz de estimar os valores do IAF para a área analisada.

Figura 6. Gráfico de dispersão entre os valores do índice de área foliar (m² m–2) medidos e estimados por modelos de
regressão.

Fonte: Autoria própria (2019).

DISCUSSÃO

Os resultados encontrados neste estudo mostram que técnicas de sensoriamento

remoto e índices de vegetação derivados de sensores orbitais podem ser utilizados para
estimar o IAF em culturas cultivadas em área de pivô central. Resultado que corrobora os
estudos apresentados por Paiva et al. (2009), Santos et al. (2013) e Almeida et al. (2015)
que estimou o IAF em plantios de eucalipto, Pereira et al. (2015) que estimaram o IAF da
cana-de-açúcar e Danelichen et al. (2016) que estimou o IAF em uma floresta tropical. Esses
pesquisadores conseguiram, em diferentes culturas, estimar o IAF por imagens.
O método de estimação utilizado neste estudo tem como vantagem sobre os métodos
tradicionais (destrutivos), uma estimativa rápida, confiável e espacial do IAF, que é um pa-
râmetro importante no monitoramento da vegetação.

CONCLUSÃO

Os modelos de regressão ajustados indicaram uma relação significativa entre os va-

lores do índice de área foliar de cultura irrigada por sistema de pivô central e os índices de
vegetação calculados a partir das imagens Sentinel-2 (A e B).

Ciências Agrárias: o avanço da ciência no Brasil - ISBN 978-65-5360-173-4 - Vol. 4 - Ano 2022 - Editora Científica Digital - www.editoracientifica.org
390
 Apesar da saturação dos valores do índice de vegetação por diferença normalizada,
os modelos ajustados a partir deste índice apresentaram os melhores resultados e podem
ser utilizados para estimar os valores do índice de área foliar dos plantios analisados.

Agradecimentos

Os autores agradecem a Fundação de Amparo e Pesquisa do Estado de Goiás (FAPEG),

a Universidade Estadual de Goiás (UEG) e ao Programa Pós-Graduação em Engenharia
Agrícola da UEG..

REFERÊNCIAS
1. ALMEIDA, A. Q. de. et al. Índice de área foliar de eucalipto estimado por índices de
vegetação usando imagens TM - Landsat 5. Floresta e Ambiente, v. 22, n. 3, p. 368-
376, 2015.

2. CARDOSO, M. R. D. et al. Classificação climática de Köppen-Geiger para o estado de

Goiás e Distrito Federal. ACTA Geográfica, v. 8, p. 40-55, 2014.

3. DANELICHEN, V. H. D. M. et al. Uso do sensoriamento remoto na estimativa do índice

de área foliar em floresta tropical. Ciência e Natura, v. 38, p. 1352, 2016.

4. FASSNACHT, K. S. et al. Estimando o índice de área foliar das florestas do centro-

-norte de Wisconsin usando o mapeador temático Landsat. Sensoriamento Remoto
do Ambiente, v.61, p. 229-245, 1997.

5. LIANG, S. Sensoriamento remoto quantitativo de superfícies terrestres. Nova Jersey:

Wiley Interscience, p. 534, 2004.

6. PAIVA, Y. G. et al. Estimativa do índice de área foliar (IAF) através de fotografias he-
misféricas e índices de plantios clonais de eucalipto. Anais XIV Simpósio Brasileiro
de Sensoriamento Remoto, p. 2873-2880, 2009.

7. PEREIRA, R. M. et al. Estimativa do índice de área foliar de cana-de-açúcar a partir

de imagens do satélite Landsat-8 (OLI). Anais XVII Simpósio Brasileiro de Senso-
riamento Remoto, v. 8, n. 1, p. 6381-6388, 2015.

8. REIS, L. et al. Índice de área foliar e produtividade do tomate sob condições de am-
biente protegido. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 17, p.
386-391, 2013.

9. RISSO, J. et al. Índices de vegetação Modis aplicados na área de áreas de soja. Pes-
quisa Agropecuária Brasileira, v. 47, p. 1317-1326, 2012.

10. RODY, H. P. et al. Estimativas do índice de área foliar (IAF) utilizando IAF-2000 e fotos
hemisféricas em plantios de eucalipto. Ciência Florestal, n. 4, p. 923-932, 2014.

Ciências Agrárias: o avanço da ciência no Brasil - ISBN 978-65-5360-173-4 - Vol. 4 - Ano 2022 - Editora Científica Digital - www.editoracientifica.org
391
11. ROUSE, J. W. et al. Monitoramento de sistemas de vegetação nas Grandes Planícies
com ERTS. Third ERTS Symposium, Proceedings, NASA SP-351, NASA, Washing-
ton, DC, v.1, p. 309-317, 1973.

12. SANTOS, E. das V. et al. Estimativa do índice de área foliar em plantio de eucalipto
com dados orbitais Landsat. IV Congresso Nordestino de Engenharia Florestal e
III Semana de Engenharia Florestal da Bahia, p. 1316-1320, 2013.

13. SCAVACINI, A. T. et al. Comportamento Espacial e Correlação da Produtividade de

Tomate Industrial com Níveis de Potássio e Teores de Sólidos Solúveis na Cultura.
XLIV Congresso Brasileiro de Engenharia Agrícola, n. 1, 2015

14. SIRGAS - Sistema de Referência Geocêntrico para as Américas, 2018. <http://www.

sirgas.org/pt/>. 8 jun. 2022.

15. SOARES, C. M. et al. Diagnóstico de perdas na colheita mecanizada de duas cultivares

de tomate industrial. Revista Brasileira de Ciências Agrárias, v. 14, n. 1, p. 1-10, 2019.

16. SOUZA, A. L. P. et al. Análise de três métodos de avaliação do índice de área foliar
para cultura da soja. SIMAP – Simpósio Mato-Grossense de Mecanização Agrícola
e Agricultura de Precisão, 1, 2018. Anais. SIMAP UFMT, Campus Universitário de
SINOP, 2018.

17. WANG, Y. et al. Investigação da precisão do produto em função das incertezas de

entrada e modelo. Sensoriamento Remoto do Ambiente, Nova York, v. 78, n. 3. p.
299-313, 2001.

Ciências Agrárias: o avanço da ciência no Brasil - ISBN 978-65-5360-173-4 - Vol. 4 - Ano 2022 - Editora Científica Digital - www.editoracientifica.org
392