Machine Translated by Google
DOI: http://dx.doi.org/10.1590/1678-992X-2018-0055
ISSN 1678-992X
Aplicando o NDVI de imagens de satélite na delimitação de zonas de manejo para
plantações
Engenharia
Agrícola
Júnior Melo Damian1* , Osmar Henrique de Castro Pias2
civetas Fornari3 , Antônio Luis Santi3
1 Universidade de São Paulo/ESALQ – Depto. de Ciência do Solo, Av. Pádua
Dias, 11 – 13418-900 – Piracicaba, SP – Brasil.
2 Universidade Federal de Rio Grande do Sul – Depto. de Ciência do Solo, Av.
Bento Gonçalves, 7712 – 91540-000 – Porto Alegre, RS – Brasil.
3 Universidade Federal de Santa Maria – Depto. de Ciências Agronômicas
e Ambientais, C.P. 54 – 98400-000 – Frederico Westphalen, RS – Brasil.
*Autor correspondente <damianjrm@usp.br>
Editado por: Axel Garcia y Garcia
Recebido em 21 de fevereiro de 2018
Aceito em 05 de agosto de 2018
Introdução
O aumento da produtividade de um sistema agrícola, aliado
a um retorno econômico atrativo e impactos ambientais mínimos, é
um dos principais desafios do século XXI (Godfray et al., 2010).
Nesse cenário, é imprescindível que os tomadores de decisão (por
exemplo, agricultores, consultores, extensionistas) tenham acesso
a informações específicas sobre solo, sistema de cultivo e clima que
apoiem direta e indiretamente a adoção de melhores escolhas de
práticas de manejo em cada produção agrícola. (Lee e Ehsani, 2015;
Srbinovska et al., 2015).
A utilização de zonas de manejo (ZM) é uma abordagem
importante que, entre outros benefícios, possibilita reduções no
custo de produção, ao mesmo tempo em que reduz os impactos
ambientais das atividades agrícolas (Kaffka et al., 2005; Moral et al.,
2011) . Para que os agricultores possam usar o MZ, o primeiro
passo é delimitar essas zonas com base nos parâmetros gerados
que levam em conta diferentes atributos do solo (Santi et al., 2016;
Damian et al., 2016), componentes topográficos ( Fraisse et al.,
2001; Fridgen et al., 2004), índices de vegetação (Zhang et al.,
2010; Chang et al., 2014) e os parâmetros intrínsecos de cada
cultura (El Nahry et al., 2011; Tagarakis e outros, 2013). Entre
muitas opções, os dados de produtividade da cultura têm sido
considerados o parâmetro mais importante para definir eficientemente
o MZ em sistemas de cultivo anual (But tafuoco et al., 2010; Betzek
et al., 2018).
Os mapas de produtividade das culturas são criados a partir
dos dados de produtividade coletados por um conjunto de sensores
acoplados às colheitadeiras juntamente com sistemas de informações
de posicionamento (Black more e Moore, 1999). Porém, desde a
operação de colheita até a elaboração dos mapas de produtividade,
erros atribuídos aos sensores, data logger, condições operacionais
ciência Agrícola v.77, n.1, e20180055, 2020
Artigo de Pesquisa
, Maurício Roberto Cherubin1 , Alencar Zachi da Fonseca3 , Ezequiel
RESUMO: A utilização de dados do Índice de Vegetação por Diferença Normalizada (NDVI) obtidos através de
imagens de satélite pode melhorar tecnicamente o processo de delimitação de zonas de manejo (ZM) para culturas
anuais, resultando em benefícios socioeconômicos e ambientais. O objetivo deste estudo foi comparar o MZ delimitado,
usando dados de produtividade da cultura, com o MZ delimitado usando o NDVI obtido a partir de imagens de satélite
em áreas sob sistema de plantio direto. O estudo foi realizado em três áreas localizadas no estado do Rio Grande do
Sul, Brasil. Três mapas de produtividade agrícola, de 2009 a 2015, foram usados para cada área, onde o NDVI foi
calculado para cada mapa de produtividade agrícola usando imagens da série de satélites Landsat. Análises descritivas
e geoestatísticas foram realizadas para determinar os dados de produtividade e NDVI. Os MZ foram então delimitados
usando o algoritmo fuzzy c-means. A matriz de correlação de Spearman foi utilizada para comparar as metodologias
utilizadas para delimitação do MZ. O MZ baseado no NDVI calculado a partir das imagens de satélite correlacionado
com o MZ baseado nos dados de produtividade da cultura (0,48 < r< 0,61), sugerindo que o NDVI pode substituir ou
ser complementar aos dados de produtividade na delimitação do MZ para sistemas de cultivo anual.
Palavras-chave: agrupamento fuzzy c-means, dados de produtividade, imagens aéreas, índice de vegetação
ções, posicionamento ou operador, podem comprometer a qualidade
do mapeamento (Arslan e Colvin, 2002). Nos últimos anos, surgiu o
interesse em usar índices de vegetação como uma alternativa aos
mapas de produtividade. Globalmente, o NDVI, calculado a partir de
imagens de satélite (Tarnavsky et al., 2008) tem sido amplamente
utilizado, uma vez que está intimamente relacionado com a
produtividade das culturas (Boken e Shaykewich, 2002; Sultana et
al., 2014; Lopresti et al., 2015 ; Peralta et al., 2016). Além disso,
imagens de satélite de alta resolução podem ser adquiridas a baixo
custo, o que permite mapear grandes áreas com baixos investimentos.
Compreender a relação entre MZ gerados a partir de mapas
de produtividade e aqueles gerados a partir de NDVI obtidos a partir
de imagens de satélite é essencial para aumentar a eficiência da
delimitação de zonas de manejo.
Nesse sentido, o objetivo deste estudo foi avaliar a eficácia do uso
do NDVI obtido a partir de imagens de satélite em comparação com
mapas de produtividade agrícola para caracterizar zonas de manejo
em áreas sob sistema de plantio direto no sul do Brasil.
Materiais e métodos
Locais de
estudo O estudo foi realizado em três áreas no norte do
estado do Rio Grande do Sul (RS), Brasil (Figura 1). Área 1
(27°42'38” S - 53°20'04” W; 559 m anm) cobrindo 117 ha e Área 2
(28°08'20” S - 53°31'07” W; 491 m anm) A área 3 (27°44'07“ S -
53°21'03“ W; 602 m anm) está localizada próximo ao município de
Boa Vista das Missões, com 97 ha, e 75 ha, próximo ao município
de Condor. O clima da região é subtropical úmido com verões
quentes, tipo Cfa, com temperaturas máximas médias ÿ 22 °C,
temperaturas mínimas médias de -3 a 18 °C e
Machine Translated by Google

Damien et ai. NDVI para delimitação de zonas de gestão

precipitação média anual entre 1.900 e 2.200 mm (Alvares et al.,
2013).
A paisagem regional é caracterizada por um terreno
suavemente ondulado, com o solo classificado como Argiloso Típico
Hapludox (Soil Survey Staff, 2014) nas áreas de estudo.
O sistema de manejo utilizado nas áreas selecionadas incluiu a
adoção do sistema de plantio direto (SPD) há mais de 20 anos e o
uso de ferramentas de agricultura de precisão nos últimos 10 anos,
como amostragem georreferenciada de solo, mapeamento de solo,
variáveis taxa de aplicação de calcário e fertilizantes e mapeamento
de rendimento das culturas.
Mapas de produtividade
Os dados de produtividade da lavoura foram coletados por um
monitor de produtividade para mapeamento de produtividade de grãos
e umidade dos grãos colhidos. O sistema consistia em um sensor
instantâneo de grãos de placa de impacto instalado no final do
elevador de grãos limpos. Além disso, a colhedora possuía um
sistema de monitoramento de velocidade acoplado com informações
sobre a largura da plataforma e armazenava as informações de
rendimento com base em sinais de GPS georreferenciados.
Os bancos de dados de produtividade bruta foram filtrados
para eliminar outliers conforme descrito por Menegatti e Molin (2003).
O critério de eliminação para os outliers inclui
pontos ed que tiveram coeficiente de variação (CV) maior que 30%,
que caracterizam produtividade inconsistente (Suszek et al., 2011).
Para este estudo, três mapas de produtividade com dados completos
foram usados para cada área: i)
Área 1: Aveia Branca (2010), Trigo (2013) e Soja (2014-2015); ii) Área
2: Trigo (2009), Trigo (2014) e Soja (2014-2015); e iii) Área 3: Milho
(2009-2010), Trigo (2010) e Soja (2011-2012).
Imagens de satélite
As imagens da série de satélites Landsat (Landsat 7 e 8)
foram obtidas do USGS Earth Explorer, um banco de dados de
acesso livre. As imagens foram baixadas no formato GeoTiff (Nível 1),
apresentando tamanhos de pixel de 30 m. A correção atmosférica foi
realizada usando o plug-in de classificação semiautomática do QGIS
2.18 (Congedo, 2016) para obter a refletância da superfície sem a
interferência dos gases atmosféricos. As imagens Landsat 7 foram
usadas para as safras de 2009 a 2012 e as imagens Landsat 8 para
as safras de 2013 a 2015.
Foi selecionada uma imagem de satélite para cada área e
cultura em estudo com uma data que representasse o ciclo da cultura,
conforme descrito na Tabela 1. Foram escolhidas imagens de satélite
que apresentaram a melhor qualidade, ou seja, sem cobertura de
nuvens na área de estudo. O NDVI foi calculado a partir das imagens
de satélite usando o software QuantumGIS (OS Geo) de acordo com
a Equação 1:

(NIR R)
ÿ

NDVI = (1)
(NIR R+

onde: NDVI é o Índice de Vegetação por Diferença Normalizada (sem

unidade); NIR a região do infravermelho próximo; R a região vermelha.
No Landsat 7 o NIR corresponde à banda 4 (resolução espectral de
0,76 - 0,90 ÿm) e o R à banda 3 (resolução espectral de 0,63 - 0,69
ÿm). No Landsat 8 o NIR corresponde à banda 5 (resolução espectral
de 0,85 - 0,89 ÿm) e o R à banda 4 (resolução espectral de 0,63 - 0,68
ÿm).

Para evitar erros devido à sobreposição de imagens de satélite

Figura 1 – Localização geográfica das áreas experimentais utilizadas na área de estudo, principalmente considerando as bordas da área
no estudo. que estavam próximas a árvores, reservatórios de água,

Tabela 1 – Datas de semeadura e colheita das lavouras e aquisição de imagens de satélite, utilizadas no cálculo do NDVI para lavouras anuais em
sul do Brasil.
ciclo da cultura Aquisição de imagens de satélite
Local Colheita
Colheita Encontro Estádio fenológico 60
Aveia Branca Semeadura 19/10/2010 20/08/2010 (final da espiga)1 55 (50% espiga)1 R
Área
1
Trigo 26/05/2010 01/11/2013 13/09/2013 5,3 (vagens com 26% e 50% de
Soja 17/06/2013 25/03/2015 22/01/2015 semeadura)2 52 (20% espiga)1 50 (primeira
Trigo 08/11/2014 28/10/2009 17/08/2009 espiga visível)1 R 4 ( vagens completamente
Área
2
Trigo 13/06/2009 21/10/2014 08/09/2014 desenvolvidas)2 R 4 (grão pastoso)3 52 (20%
Soja 05/06/2014 28/03/2015 14/01/2015 espiga)1 R 5,1 (10% semeadura)2
Milho 10/11/2014 09/03/2010 24/01/2010
Área
3
Trigo 20/10/2009 30/10/2010 20/08/2010
Soja 10/06/2010 25/03/2012 06/01/2012
15/11/2011 1Zadoks et al. (1974); 2Ritchie et al. (1982); 3Ritchie et al. (1993).

ciência Agrícola v.77, n.1, e20180055, 2020 2

Machine Translated by Google

Damien et ai. NDVI para delimitação de zonas de gestão

ou solo nu, entre outros, os dados de NDVI foram filtrados para foi feito usando o software Management Zone Analyst (MZA) 1.0.1
cada situação avaliada, excluindo-se os valores de NDVI em uma (Fridgen et al., 2004).
faixa de 10 m ao redor do perímetro da área. O índice de performance fuzziness (FPI) e o índice de
Após o cálculo do NDVI, para cada pixel foi adicionado um entropia de classificação normalizada (NCE) foram usados para
centróide correspondente ao valor do NDVI no centro do pixel, com determinar o melhor número de clusters (zonas de gestão), bem
os centróides herdando os mesmos atributos dos polígonos gerados como o seu desempenho global. O FPI (Equação 2) é uma medida
a partir dos pixels. Este procedimento foi utilizado para padronizar do grau de diferentes classes de sociabilidade (imprecisão), onde
os dados de NDVI e produtividade, permitindo uma comparação os valores variam de 0 a 1 (Odeh et al., 1992). A NCE (Equação 3)
entre estes parâmetros. é utilizada para decidir quantos clusters são adequados para definir
as zonas de gestão (Bezdek, 1981). O número ideal de clusters
ocorre quando os dois índices estão em seu mínimo (Fridgen et al.,
Análise de dados 2004).
Uma malha regular de 30 × 30 m (0,09 ha) foi sobreposta
nos mapas de produtividade e NDVI. Este procedimento padronizou c ÿ
n c
ÿ
1
2
o mesmo número de pontos (células) para cada mapa, permitindo FPI =ÿ
1 ÿ1)
ÿ

ÿÿ ( ) emEU (2)
(c
ÿ

1ÿ = =eu 11
uma comparação temporal dos mapas. O tamanho da grade foi Aproximadamente
ÿÿ

definido pelo tamanho do pixel da imagem de satélite (30 m). n ÿ 1 n c

NCE = ÿ
ÿ

ÿÿ você eu registro ( é eu
você ÿ) (3)
(nc n k )
ÿ

= =eu 11
A análise exploratória (estatística descritiva) foi realizada ÿ ÿÿ

para verificar a distribuição dos dados por meio do software SAS

(Statistical Analysis System, versão 9.3). Os parâmetros estatísticos
determinados foram: mínimo, média, máximo, desvio padrão e os
coeficientes de variação (CV %), assimetria (Cs) e curtose (Ck).
Com base nos valores de CV (%), a dispersão dos dados foi
classificada como baixa para CV < 15 %; moderado para um CV de
15 a 35%; e alto para um CV > 35 % (Wilding e Drees, 1983). A
existência de tendência central (normalidade) nos dados originais
foi verificada por meio do teste W (p > 0,05).
Considerando que a maioria dos dados de produtividade e
NDVI não seguiu uma distribuição normal de
frequência, a matriz de correlação não paramétrica de Spearman
foi utilizada para avaliar a correlação espaço-temporal entre essas
duas variáveis. Apenas os dados de produtividade e NDVI para
culturas com coeficiente de correlação de Spearman maior que
0,30 foram incluídos no estudo, a fim de reduzir as incertezas
relacionadas ao delimi
das zonas de gestão. A quantidade de dados que não atendeu a
esse critério variou de 8 a 12% nas três áreas de estudo.
A análise geoestatística dos dados de produtividade e NDVI
foi realizada por meio de semivariogramas, com ajustes feitos por
meio de modelos teóricos (esférico, exponencial, gaussiano e linear)
utilizando o software GS+ Gamma Design (Robertson, 1998). O
ajuste dos modelos foi baseado no melhor coeficiente de
determinação (r2 ) e na menor soma de quadrados residual (RSS)
obtidos pela técnica de validação cruzada. Para cada modelo foram
definidos os seguintes parâmetros: teórico, efeito pepita (C0 ),
contribuição (C1 ), soleira (C0 + C1 ) e alcance (r). A partir dos
parâmetros obtidos no ajuste do modelo de semivariograma, foram
gerados mapas temáticos utilizando a krigagem como interpolador.
Zonas de gerenciamento
A delimitação das zonas de gerenciamento foi determinada
por meio de algoritmos de clustering fuzzy c-means, para particionar
as observações espaciais em clusters. A análise
onde: c = valores dos centróides do cluster; uik, os valores para
cada observação K no cluster i; loga, qualquer inteiro positivo; e n,
o número de dados analisados.
As configurações escolhidas foram uma medida de
similaridade euclidiana: expoente difuso = 1,3, número máximo de
iterações = 300, critério de convergência = 0,0001, número mínimo
de zonas = 2 e número máximo de zonas = 8.
A acurácia do mapeamento das zonas de manejo delimitadas
com dados de produtividade e NDVI foi realizada por meio do
coeficiente Kappa. Além disso, dados de sete réplicas foram
coletados aleatoriamente em cada zona, onde cada réplica foi
composta por 20 pontos de amostragem de NDVI, e foram
submetidos a uma análise de variância (ANOVA). Quando a ANOVA
foi significativa (teste F, p < 0,05), as médias foram comparadas de
acordo com o teste de Tukey (p ÿ 0,05).
Resultados e discussão
Análise exploratória dos dados
A análise estatística descritiva revelou que para a maioria
das culturas os dados de produtividade e NDVI não seguiram uma
distribuição normal de frequência (Tabela 2). Essa falta de
normalidade pode estar associada ao elevado número de
observações, o que possibilitou detectar a variabilidade espacial
dos dados de produtividade e NDVI com alto grau de resolução.
Os dados de produtividade apresentaram valores de CV
variando de 8 a 29 % (Tabela 2). Nas áreas 1, 2 e 3, a maior
variação nos dados foi observada para Aveia Branca/2010, Trigo/
2014 e Milho/2009 respectivamente, com CVs classificados como
moderados (Wilding e Drees, 1983). Assim, nossos resultados
indicaram que não existe um padrão universal de variação por
cultura, confirmando que dados de produtividade de diferentes
culturas precisam ser incluídos na delimitação da ZM de forma a
cobrir a variação espaço-temporal da produtividade em sistemas de
cultivo diversificados.

ciência Agrícola v.77, n.1, e20180055, 2020 3

Machine Translated by Google

Damien et ai. NDVI para delimitação de zonas de gestão

Tabela 2 – Estatística descritiva dos dados de produtividade e NDVI para diferentes culturas anuais no sul do Brasil.
Mínimo
Site Crop season CV %1 Cs3 Maximum Crop productivity (kg ha–1) 2435.94
Significar 3778.93
3637.01
4535.14
20.518.27
499.71
309.78
3850.33 SD2
NDVI5109.63
0.51 7.37
9.07
0.63
349.40
7.19 Ck4 W5
0.66 8.70 Crop productivity (kg ha–1) 3797.76 7483.28
Aveia Branca/2010 710,90 18.17 2400.03 7861.55 29.22 3422.64 4769,56 15,39 NDVI -0,33 -0,34 0,98 *
Trigo/2013 2818,13 0,05 0,12 0,74
Área
1
Soja/2014 2409,28 -1..27 2,17 ns 0,91 *

Aveia Branca /2010 0,25 0,47 0,04 -4,05 35,96 0,74*

Trigo/2013 0,29 0,55 0,03 -3,99 25,52 0,66*
Soja/2014 0,31 0,51 0,04 -5,87 54,31 0,57*

Trigo/2009 407,17 690,14 -0,27 3,66 0,96*

Trigo/2014 502,13 701,24 2,78 16,16 0,78*

Área
2
Soja/2014 1467,56 526,76 -0,56 -0,10 0,97*

Trigo//2009 0,24 0,35 0,66 2,30 0,87 4,03 0,02 0,17 0,01 0,99*
Trigo/2014 0,65 0,82 0,56 9,97 0,03 -1,91 3,79 0,78*
Soja/2014 0,27 0,43 Produtividade da 0,04 -0,26 0,52 0,99
cultura (kg ha–1) 7538,90
Milho/2009 1338,00 13455,10 22,32 1682,75 3040,43 404,62
4465,804080,89
13,32 5013,35 -0,18 1,08 0,98*
Trigo/2010 755,80 9,98 3040,43 4465,80 13,32 404,62
399,70
4080,89 5013,35 9,98 -0,81 2,58 0,96

Área
3
Soja/2011 1152,83 -2,14 8,92 0,85

Milho/2009 0,56 0,77 0,83 -1,35 0,69 -1,72 0,84 -1,720,04

1Coeficiente de 2,03 0,89*
Trigo/2010 0,47 0,64 0,03
variação; 2Desvio padrão; 3Coeficiente de 4,41 0,87*
Soja/2011 0,22 0,58 0,07 5Teste de
assimetria; 4Coeficiente de curtose; 8,56 0,84*
Shapiro-Wilk para distribuição normal, onde:*Significativo em nível < 0,05 e nsnão significativo. Quando significativo, indica que a hipótese de distribuição normal é
rejeitada.

Os dados do NDVI apresentaram valores de CV menores (ou
seja, variando de 2 a 12 %) do que os verificados para produtividade.
Esses resultados são consistentes com os obtidos em outros estudos
(Zerbato et al., 2016; Barbanti et al., 2017), e podem ser devidos ao
fato de os valores de NVDI variarem de 0 a 1. Outro fator que contribui
para menor variação
dos dados do NDVI está associado aos estádios fenológicos das
culturas no momento da aquisição das imagens. Neste estudo, as
imagens foram obtidas quando as lavouras apresentavam alto índice
de área foliar (após as lavouras atingirem o máximo crescimento
vegetativo), o que resultou em menores interferências nos valores de
NDVI.
Resultados contrastantes foram encontrados para valores de
NDVI e valores de produtividade para as culturas de soja e trigo na
mesma área, bem como em áreas diferentes (Tabela 2).
Os valores de NDVI para o trigo não acompanharam a magnitude da
variação da produtividade, sugerindo que essa cultura apresenta alta
sensibilidade às variações edafoclimáticas durante seu ciclo (Roman
et al., 2008). No entanto, a cultura da soja apresentou maior
estabilidade dos valores de NDVI em relação aos valores de
produtividade nas três áreas de estudo, provavelmente associada à
alta plasticidade dessa cultura (Ferreira et al., 2018), o que possibilita
adaptação a diferentes ambientes e manejos. condições (por exemplo,
altitude, latitude, textura do solo, fertilidade do solo, data de
semeadura, população de plantas e espaçamento entre linhas).
Correlação de Spearman De
modo geral, os dados de produtividade e NDVI apresentaram
correlação significativa (Tabela 3). Na Área 1, o
os coeficientes de correlação foram considerados altos em relação
às demais áreas, de 0,56, 0,61 e 0,56 para os dados de produtividade
de Aveia Branca/2010, Trigo/2013 e Soja/2014, e seus respectivos
dados de NDVI.
Em contrapartida, os menores valores para os coeficientes de
correlação foram encontrados na Área 2, apesar de serem
considerados aceitáveis pelo critério adotado anteriormente (> 0,30),
sendo 0,48, 0,31 e 0,47 para os dados de Trigo/2009, Trigo/2014 e
soja/2014, e seus dados NDVI. Na Área 3, os coeficientes de
correlação foram próximos aos encontrados para a Área
1, de 0,51, 0,58 e 0,49 para os dados de produtividade de Trigo/2009,
Trigo/2014 e Soja/2014, e seus respectivos dados de NDVI.
As correlações significativas encontradas entre os dados de
produtividade e NDVI confirmaram que o NDVI calculado a partir de
imagens de satélite pode ser usado como parâmetro para delimitar
zonas de manejo para sistemas de cultivo anual. Esses resultados
concordam com os previamente relatados por Zhang et al. (2010),
que também encontraram correlação entre produtividade e o NDVI
calculado a partir de imagens de satélite, indicando a forte relação
entre a refletância espectral das lavouras que pode ser utilizada para
mapear sua produtividade.
Análise geoestatística
Os resultados da análise geoestatística indicaram que os
dados de produtividade e NDVI, obtidos para cada cultura nas três
áreas, são espacialmente dependentes (Tabela 4), permitindo a
interpolação e espacialização dos dados

ciência Agrícola v.77, n.1, e20180055, 2020 4

Machine Translated by Google

Damien et ai. NDVI para delimitação de zonas de gestão

Tabela 3 – Matriz de correlação de Spearman (p ÿ 0,01) entre dados de produtividade Mapeando os valores de produtividade da cultura e
e NDVI para diferentes culturas anuais no sul do Brasil. NDVI
A partir do mapeamento da produtividade agrícola da Área
Área 1
1, pode-se observar uma faixa de alta produtividade na parte central
Pro10 Pw13 Ps14 Nwo10 Nw13 Ns14
-
do mapa, estendendo-se do sul ao norte, com destaque para Aveia
Pro10
- Branca/2010 (Figura 2A) e Soja/2014 ( Figura 2C). Apesar de
Pw13 0,03
PS14 0,32 0,27 - algumas semelhanças, esse padrão não se repetiu no mapa do
Masculino 10 0,56 0,24 0,27 - Trigo/2013 (Figura 2B); no entanto, foi possível identificar locais de
Nw13 0,03 0,61 0,19 0,27 - produtividade contrastantes nos três mapas de produtividade. Na
Ns14 0,20 0,06 0,56 0,26 0,48 - Área 2, foi obtido um padrão consistente de produtividade para as
Área 2 três culturas, com maiores produtividades concentradas na região
Pw09 Pw14 Sl14 Nw09 Nw14 Ns14 oeste dos mapas (Figura 2D-F). Na Área 3, os mapas de Milho/2009
-
Pw09 (Figura 2G) e Trigo/2010 (Figura 2H) indicaram maior produtividade
Pw14 0,23 -
nas regiões sul e central dos mapas, enquanto altas produtividades
PS14 0,36 0,18 -
também foram encontradas na região norte para Soja/2011 (Figura
Nw09 0,48 0,03 0,05 -
2I).
Nw14 0,29 0,31 0,32 0,02 -

Ns14 0,08 0,10 0,47 0,06 0,10 -

Área 3
De maneira geral, os dados do NDVI convergiram com os
PM09 Pw10 Ps11 Nm09 Nw10 Ns11
-
mapas dos dados de produtividade, mostrando que regiões de maior
PM09
- produtividade também apresentaram maiores valores de NDVI
Pw10 0,32 Ps11 0,10
0,25 Nm09 0,51 0,04
0,15 Nw10 0,04 - (Figura 3A-I). A eficiência do NDVI obtido a partir de imagens de
0,58 0,22 0,21 0,15
0,11
0,10
Ns11
0,49Os
0,37
valores destacados - satélite e sua concordância com mapas de produtividade também
em negrito mostram
1 =uma
Dados
correlação
de produtividade
> 0,30. Área
para Aveia - foi relatada em outros estudos (Groten, 1993; Boken e Shaykewich,
Dados de produtividade
Branca/2010
da Soja/2014
produtividade
(Pwo10);
(Ps14);
Dados
doNDVI
Trigo/2013
de para Aveia
(Pw13);
Branca/ - 2002; Lopresti et al., 2015), indicando a estreita ligação entre NDVI
2010 (Nwo10); NDVI para Trigo/2013 (Nw13); NDVI para Soja/2014 (Ns14). e produtividade agrícola .

Delimitação das zonas de manejo Os resultados

Área 2 = Dados de Produtividade do Trigo/2009 (Pw09); Dados de produtividade do
Trigo/2014 (Pw14); Dados de produtividade da Soja/2014 (Ps14); NDVI para Trigo/
2009 (Nw09); NDVI para Trigo/2014 (Nw14); NDVI para Soja/2014 (Ns14). Área 3 =
Dados de Produtividade do Milho/2009 (Pm09); Dados de produtividade do Trigo/
2010 (Pw10); dados de produtividade da Soja/2011 (Ps11); NDVI para Milho/2009
(Nm09); NDVI para Trigo/2010 (Nw10); NDVI para Soja/2011 (Ns11).
em mapas (Vieira, 2000), que são ferramentas úteis para orientar
as intervenções de gestão.
A variabilidade espacial dos dados de produtividade foi
predominantemente ajustada ao modelo esférico, enquanto os
dados do NDVI foram ajustados ao modelo exponencial (Tabela 4).
Os modelos esférico e exponencial têm sido amplamente utilizados
para avaliar a variabilidade espacial da produtividade (Damian et
al., 2017; Souza et al., 2016) e NDVI de diferentes sistemas de
cultivo agrícola (Ji et al., 2014; Ungaro et al., 2014). ., 2017).
Valores de alcance semelhantes obtidos de semivariáveis
foram encontrados nas três áreas de estudo, variando de 492 a 870
m para os dados de produtividade, e de 797 a 995 m para os dados
de NDVI. Para ambas as variáveis, as maiores variações foram
observadas na cultura do Trigo e os menores valores na cultura da
Soja. Este resultado pode ser atribuído à dependência espacial mais
forte dos dados de produtividade em comparação com os dados
NDVI, fornecendo uma gama mais ampla de valores. Todos os
modelos se enquadraram nos critérios de aceitação em relação aos
parâmetros dos semivariogramas ajustados, ou seja, o r2 do
semivariograma foi igual ou superior a 0,70 e significativo a 5% na
validação cruzada.
para o índice de desempenho fuzziness (FPI) e índice de
entropia de classificação normalizada (NCE) mostraram respostas
semelhantes entre os dados de produtividade e os dados NDVI.
Estes índices permitem uma análise consistente da diferenciação
entre as zonas de gestão, das oito zonas de gestão em teste.
Fridgen et ai. (2004) enfatizam que, em certos casos, a resposta
das variáveis estudadas dentro de cada índice pode ser muito
diferente, não sendo possível identificar o número de zonas
convergentes. Em casos de extrema discrepância, a decisão final
de quantas classes usar depende de análises adicionais, como
comparar zonas de manejo definidas com diferentes variáveis de
entrada para determinar quais são as mais importantes (Alves et
al., 2013), ou definir o número possível de classes representativas
para as demais variáveis.
De acordo com Fridgen et al. (2004), os menores valores
dos índices NCE e FPI resultam em um número adequado de zonas
de manejo, pois apresenta o menor compartilhamento de membros
(FPI) ou a maior quantidade de organização (NCE) no processo de
agrupamento. Com base nesse critério, e para os dois índices
testados, os resultados mostraram que das oito zonas de manejo
testadas, duas seriam as ideais para representar o conjunto dos
três mapas de produtividade (Figura 4A-F). Além disso, não houve
melhora significativa nos índices FPI e NCE quando o número de
classes foi maior que dois, sugerindo que com o aumento dos
valores dos índices houve aumento do número de clusters, com
consequente aumento da variabilidade dos dados.

ciência Agrícola v.77, n.1, e20180055, 2020 5

Machine Translated by Google

Damien et ai. NDVI para delimitação de zonas de gestão

Após definir o número ideal de zonas de manejo para cada
área, tanto os mapas de produtividade quanto os mapas NDVI foram
agrupados pelo algoritmo fuzzy c-means, gerando novos mapas que
mostram apenas as duas zonas (Figura 5A-F), onde a Zona 1 é uma
zona de alto potencial e a Zona 2 uma zona de baixo potencial, assim
chamada por Damian et al. (2016). Como pode ser visto, as zonas de
manejo delimitadas usando o NDVI mostraram alta similaridade com a
zona de manejo delimitada usando os dados de produtividade para as
três áreas.
A porcentagem da área dentro de cada MZ foi semelhante,
independentemente do local de estudo (Tabela 5). A variação entre o
MZ delimitado com os dados de produtividade e o NDVI foi de 7 a 10
% para as áreas 1 e 2 e de 19 a 20 % para a área 3. Os valores do
coeficiente Kappa foram classificados como “bom” (0,48) e
“excelente” (0,81 ), de acordo com a classificação proposta por Landis
e Koch (1977), mostrando que a zona de manejo delimitada
mapas com dados de produtividade e NDVI apresentam grande
similaridade.
Além de criar mapas semelhantes, o algoritmo fuzzy c-means
foi altamente eficiente na delimitação de zonas de manejo de potencial
produtivo contrastante (Tabela 6). Em geral, independentemente do
parâmetro usado para delimitar as zonas de manejo (dados de
produtividade ou NDVI), os valores medidos para produtividade e NDVI
foram significativamente diferentes entre as Zonas 1 e 2.
Apenas no caso do Trigo/2014 na Área 2 a diferença não foi
significativa, apesar dos valores apresentarem esse mesmo padrão
para as demais lavouras e áreas.
Nossos resultados confirmam que o NDVI obtido a partir de
imagens de satélite, os fatores que aumentam os erros (por exemplo,
sobreposição de imagens, presença de nuvens e estágio do ciclo da
cultura, entre outros) quando devidamente considerados, podem
substituir ou ser usados de forma complementar para dados de
produtividade para delimitar zonas de manejo para culturas anuais. Vale a pena destacar

Tabela 4 – Análise geoestatística dos dados de produtividade agrícola e NDVI para culturas anuais no sul do Brasil.

safra Efeito Pepita (C0) Arenque (C0+C1) Contribuição (C1) Alcance (a) Modelo r2

Produtividade da colheita (kg

Aveia Branca/2010 46800 ha - 1) 163199 1163991119000
1474000 732 Exponencial 0,79
Trigo/2013 355000 1016000 679000 NDVI0,00126
0,001620,00209 584 Esférico 0,88

Área
1
Soja/2014 337000 0,00147 0,00171 0,00094
Productividade 665 Esférico 0,95
da colheita (kg
Aveia Branca/2010 0,00036 Ha - 1) 61262 314982 698100
3024705 995 Gaussiano 0,88
Trigo/2013 0,00062 721113 181228 69860NDVI
180083
0,00186
37690 797 Exponencial 0,73
Soja/2014 0,00077 0,00125 0,00283 826 Exponencial 0,95

Trigo//2009 297640 779 Esférico 0,89

Trigo/2014 319000 832 Esférico 0,82
Soja/2014 103900 492 Exponencial 0,88
Área
2

Trigo//2009 0,00001 851 Exponencial 0,78

Trigo/2014 0,00126 979 Exponencial 0,84
Soja/2014 0,00083 935 Exponencial 0,89

Milho/2009 2303592 852 Esférico 0,76

Trigo/2010 111368 870 Esférico 0,81
Soja/2011 142393 789 Esférico 0,83
Área
3

Milho/2009 0,00081 0,00267 902 Exponencial 0,80

Trigo/2010 0,00085 0,00210 954 Exponencial 0,85
Soja/2011 0,00109 0,00392 886 Exponencial 0,75

Tabela 5 – Classificação dos atributos qualitativos das duas zonas de manejo (Zona 1 - alto potencial produtivo; Zona 2 - baixo potencial produtivo) delimitadas com
dados de produtividade e NDVI.
Zona 1 Zona 2
Porcentagem da área coeficiente Kappa Porcentagem da área coeficiente Kappa
% %

Área
1 Produtividade da cultura 46.32 53,68
0,81 0,78
NDVI 53,67 46.32

Área
2 Produtividade da colheita 44,93 55.07
0,73 0,71
NDVI 54,53 45,47

Área
3 Produtividade da colheita 59,62 39.38
0,56 0,48
NDVI 40,25 59,79

ciência Agrícola v.77, n.1, e20180055, 2020 6

Machine Translated by Google

Damien et ai. NDVI para delimitação de zonas de gestão

Figura 2 – Distribuição espacial (kg ha–1) da produtividade de grãos nas lavouras de Aveia Branca/2010 (A), Trigo/2013 (B) e Soja/2014 (C) para Área 1,
Trigo/2009 (D), Trigo/2014 (E) e Soja/2014 (F) para a Área 2, e Milho/2009 (G) Trigo/2010 (H) e Soja/2011 (I) para a Área 3.

Considerando que a definição de zonas de manejo deve ser baseada os sistemas de cultivo podem representar um avanço importante na
em informações espaciais que sejam estáveis ou previsíveis ao longo agricultura brasileira, e podem fornecer uso mais eficiente de recursos
do tempo e que informações sobre culturas, como NDVI, são a (ou seja, sementes, fertilizantes, água e pesticidas) e feedback
melhor maneira de diagnosticar tais variações no campo (Li et al., 2007). positivo em termos de agronomia, socioeconomia e meio ambiente.

Conclusões
Agradecimentos
A delimitação das zonas de manejo usando dados NDVI
gerados a partir de imagens de satélite mostrou alta convergência Os autores gostariam de agradecer a Fabiano Pagan ella
com as zonas de manejo delimitadas usando dados de produtividade. (GeoAgro) por seu apoio significativo durante esta pesquisa.
Portanto, os dados do NDVI podem substituir ou complementar com
eficiência uma série de mapas de produtividade para delimitação de
zonas de manejo, principalmente quando é difícil ou impossível obter Contribuições dos Autores
dados de produtividade por meio dos sistemas acoplados às
colheitadeiras. Conceituação: Damian, JM; Piedoso, OHC; Cherubin, MR;
A utilização do NDVI de imagens de satélite como parâmetro Santi, AL Aquisição de dados: Damian, JM; Da Fonseca, AZ; Fornari,
para delimitar zonas de manejo para EZ Análise de dados:

ciência Agrícola v.77, n.1, e20180055, 2020 7

Machine Translated by Google
Damien et ai.
Figura 3 – Distribuição espacial do NDVI para as culturas de Aveia Branca/2010 (A), Trigo/2013 (B) e Soja/2014 (C) para Área 1, Trigo/2009
(D), Trigo/2014 (E) e Soja/2014 (F) para a Área 2, e Milho/2009 (G) Trigo/2010 (H) e Soja/2011 (I) para a Área 3.
Damião, JM; Pias, OHC; Cherubin, MR Desenho da
metodologia: Damian, JM Desenvolvimento de software:
Damian, JM Redação e edição: Damian, JM; Pias, OHC;
Cherubin, MR; Santi, AL
Referências
Alves, SMF; Alcântara, GR; Reis, EF; Queiroz, DM; Valente, DSM 2013. Definição
de zonas de manejo a partir de mapas de condutividade elétrica e matéria
orgânica. Bioscience Journal 29: 104-114 (em português, com resumo em
inglês).
Álvares, CA; Stape, JL; Sentelhas, PC; De Moraes, GJL; Sparovek, G. 2013.
Mapa de classificação climática de Köppen para o Brasil. Meteorological
Journal 22: 711-728.
Arslan, S.; Colvin, TS 2002. Mapeamento de rendimento de grãos: detecção de
rendimento, reconstrução de rendimento e erros. Agricultura de Precisão 3: 135-
154.
ciência Agrícola v.77, n.1, e20180055, 2020
NDVI para delimitação de zonas de gestão
Barbanti, L.; Adroher, J.; Damião, JM; Di Virgílio, N.; Falsone, G.; Zucchelli, M.;
Martelli, R. 2017. Avaliação da variação espacial do trigo com base em índices
de vegetação espectrais próximos e remotos e propriedades do solo. Revista
Italiana de Agronomia 21: 1-31.
Blackmore, S.; Moore, M. 1999. Correção corretiva do mapa de produção
dados. Agricultura de Precisão 1: 53-66.
Bezdek, JC 1981. Reconhecimento de padrões com algoritmos de função objetiva
difusa. Kluwer, Ewing, NJ, EUA.
Betzek, NM; Souza, EG; Bazzi, CL; Schenatto, K.; Gavioli, A. 2018. Métodos de
retificação para otimização de zonas de manejo. Computadores e Eletrônica
na Agricultura 146: 1-11.
Boken, VK; Shaykewich, CF 2002. Melhorando um modelo operacional de
produção de trigo usando índice de vegetação de diferença normalizada
baseado em fase fenológica. International Journal of Remote Sensing 23:
4155-4168.
8
Machine Translated by Google

Damien et ai. NDVI para delimitação de zonas de gestão

Figura 4 – Índice de desempenho de imprecisão (FPI) e índice de entropia de classificação normalizada (NCE) para os dados de produtividade nas Áreas 1 (A), 2 (B) e
3 (C), e para os dados NDVI nas Áreas 1 (D), 2 (E) e 3 (F).

Tabela 6 – Comparação da produtividade média das culturas e dos valores de NDVI para diferentes culturas em duas zonas de manejo (Zona 1 - alto rendimento
potencial; Zona 2 - baixo potencial de rendimento).
Produtividade da cultura/Zonas de
Aveia branca/ Trigo/2013 manejo Soja/2014 NDVI-Aveia
3986,21 abranca/2010
0,42 a NDVI-Trigo/2013 NDVI-Soja/2014 0,44
Zona 1 2010 4020,12 4297,35 a 3696,14 b 0,36 b NDVI/Zonas
3956,22
de manejo
a 0,43 0,48 a 0,37 a 0,39 b
Zona 2 a* 3116,35 b 3252,32 b a 3596,23 b 0,34 b b
Área
1

Zona 1 4086.15a 4187.32a 0,47 a 0,52 a

Zona 2 3199.19b 3102.02b 0,40 b 0,44 b
Produtividade agrícola/Zonas de
Trigo/2009 Trigo/2014 manejo Soja/2014 NDVI-Trigo/2009
0,47 a 2599,50
4105,80
b a NDVI-Trigo/2014 NDVI-Soja/2014 0,48
Zona 1 4517,25 a 2242,40 a 0,25 b NDVI/Zonas de manejo 0,45
4089,56
a 2800,03
a 0,80 a 0,79 a 0,33 b
Área
2
Zona 2 3481,42 b 2093,23 a b 0,28 b Produtividade agrícola/Zonas
manejo Soja/
de a
2011 NDVI- 4,75 a9/2000/200
Zona 1 4514,52 a 1.985,27 a 3844 b 0,70 b NDVI/zonas de
4022
gerenciamento
a 0,78 a 0,75 a 0,50 a
Zona 2 3481,36 b 1.714,63 a 3759 b 0,69 b 0,72 a 0,35 b

Milho/2009 Trigo/2010 NDVI-Trigo/2010 NDVI-Soja/2011

Zona 1 7500,36 a 3472 a 0,63 a 0,60 0,64 a 0,86 b
Zona 2 6515,32 b 2317 b b
Área
3

Zona 1 8546 a 3489 a 0,66 a 0,62 a

Zona 2 5889 b 2919 b 0,60 b 0,52 b
*Valores médios seguidos da mesma letra não diferem estatisticamente pelo teste de Tukey a 5% de probabilidade (p ÿ 0,05).

ciência Agrícola v.77, n.1, e20180055, 2020 9

Machine Translated by Google
Damien et ai.
Figura 5 – Mapas das zonas de manejo, elaborados com base no agrupamento dos dados de produtividade e NDVI para as Áreas 1 (A e B), 2 (C e D)
e 3 (E e F) respectivamente.
Buttafuoco, G.; Castrignano, A.; Colecchia, AS; Rico, n.
2010. Delineamento de zonas de manejo usando propriedades do solo
e uma abordagem geoestatística multivariada. Jornal Italiano de
Agronomia 5: 323-332.
Chang, D.; Zhang, J.; Zhu, L.; Ge, SH; Li, PY; Liu, GS 2014.
Delineação de zonas de manejo usando um sensor de dossel ativo
para um campo de tabaco. Computers and Electronics in Agriculture
109: 172-178.
Congedo, L. 2016. Plugin de classificação semi-automática - Usermanual.
Relatório técnico. DOI: 10.13140/RG.2.2.29474.02242/1
Damian, JM; Pias, OHC; Santi, AL; Virgílio, N.; Berghetti, J.; Barbanti, L.;
Martelli, R. 2016. Delineando zonas de manejo para aplicações de
agricultura de precisão: um estudo de caso sobre trigo no Brasil
subtropical. Italian Journal of Agronomy 11: 171-179.
ciência Agrícola v.77, n.1, e20180055, 2020
NDVI para delimitação de zonas de gestão
Damião, JM; Santi, AL; Fornari, M.; Da Ros, CO; Eschner, VL 2017.
Monitoramento da variabilidade no rendimento da cultura comercial
causada pelo cultivo anterior de uma cultura de cobertura sob um
sistema de plantio direto. Computers and Electronics in Agriculture
142: 607-621.
El Nahry, AH; Ali, RR; El Baroudy, AA 2011. Uma abordagem para
agricultura de precisão sob sistema de irrigação por pivô usando
sensoriamento remoto e técnicas GIS. Agricultural Water Management
98: 517-531.
Fraisse, CW; Sudduth, KA; Cozinha, NR 2001.
Delineação de zonas de manejo específicas do local por classificação
não supervisionada de atributos topográficos e condutividade elétrica
do solo. Transacções da ASAE
44:155-166.
10
Machine Translated by Google
Damien et ai.
Fridgen, JJ; Cozinha, NR; Sudduth, KA; Drummond, ST; Wiebold, WJ; Fraisse,
CW 2004. Analista de zona de gerenciamento (MZA): Software para
delineamento de zona de gerenciamento de subcampo.
Agronomy Journal 96: 100-108.
Ferreira, A.S.; Balbinot Junior, A.A.; Werner, F.; Franchini, J.C.; Zucareli, C. 2018.
Soybean agronomic performance in response to seeding rate and phosphate
and potassium fertilization. Revista Brasileira de Engenharia Agrícola e
Ambiental 22: 151-157.
Groten, SME 1993. Monitoramento de colheita NDVI e avaliação de rendimento
precoce de Burkina Faso. Jornal Internacional de Sensoriamento Remoto 14:
1495-1515.
Godfray, HC; Beddington, JR; Cru, IR; Haddad, L.; Lourenço, D.; Linda, J.;
Robinson, S.; Thomas, SM; Toulmin, C. 2010. Segurança alimentar: o desafio
de alimentar 9 bilhões de pessoas. Science 327: 812-818.
Ji, L.; Zhang, L.; Rover, J.; Wyile, BK; Chen, X. 2014.
Estimativa geoestatística de relações sinal-ruído para índices espectrais de
vegetação. Jornal ISPRS de Fotogrametria e Sensoriamento Remoto 96: 20-27.
Kaffka, SR; Lesch, SM; Bali, KM; Corwin, DL 2005. Manejo específico do local
em campos de beterraba afetados pelo sal usando indução eletromagnética.
Computers and Electronics in Agriculture 46: 329-350.
Landis, JR; Koch, GG 1977. A medição da concordância do observador para
dados categóricos. Biometria 33: 159-174.
Lopresti, MF; Di Bella, CM; Degioanni, AJ 2015. Relação entre os dados MODIS-
NDVI e a produção de trigo: um estudo de caso no norte da província de
Buenos Aires, Argentina. Processamento de informações na agricultura 2:
73-84.
Lee, W.; Ehsani, R. 2015. Sistemas de detecção para agricultura de precisão na
Flórida. Computadores e Eletrônica na Agricultura 112: 2-9.
Li, Y.; Zhou, S.; Feng, L.; Houng Yi, L. 2007. Delineação de zonas de gestão
específicas do local usando análise de agrupamento fuzzy em uma terra salina
costeira. Computers and Electronics in Agriculture 56: 174-186.
Menegatti, LAA; Molin, JP 2003. Metodologia para identificação e caracterização
de erros em mapas de produção. Revista Brasileira de Engenharia Agrícola e
Ambiental 7: 367-374 (em português, com resumo em inglês).
Morais, FJ; Terrón, JM; Rebollo, FJ 2011. Zonas de gestão específicas do local
com base no modelo Rasch e técnicas geoestatísticas.
Computers and Electronics in Agriculture 75: 223-230.
Odeh, IOA; Chittleborough, DJ; McBratney, AB 1992.
Reconhecimento de padrões de solo com fuzzy-c-means: aplicação à
classificação e inter-relações solo-relevo. Soil Science Society of America
Journal 56: 505-516.
Peralta, NR; Assefa, Y.; Du, J.; Barden, CJ; Ciampitti, AI 2016.
Imagens de satélite de alta resolução no meio da temporada para prever o
rendimento de milho específico do local. Sensoriamento Remoto 8: 1-16.
Robertson, GP 1998. GS+: Geoestatística para as Ciências Ambientais. Gamma
Design Software, Plainwell, MI, EUA.
Romano, M.; Uribe-Opazo, MA; Nóbrega, LHP; Johann, J.A.
2008. Variabilidade espacial do número médio de perfilhos e produção de trigo.
Bragantia 67: 361-370 (em português, com resumo em inglês).
Ritchie, S.; Hanway, JJ; Thompson, HE 1982. Como uma planta de soja se
desenvolve. Iowa State University of Science and Technology-Cooperative
Extension Service, Ames, IA, EUA (Relatório Especial, 53).
ciência Agrícola v.77, n.1, e20180055, 2020
NDVI para delimitação de zonas de gestão
Ritchie, SW; Hanway, JJ; Benson, GO 1993. Como uma planta de milho se
desenvolve. Serviço de Extensão Cooperativa da Universidade Estadual de
Ciência e Tecnologia de Iowa, Ames, IA, EUA (Relatório Especial, 48).
Srbinovska, M.; Gavrovski, C.; Dimcev, V.; Krkoleva, A.; Borozan, V. 2015.
Monitoramento de parâmetros ambientais na agricultura de precisão usando
redes de sensores sem fio. Journal of Cleaner Production 88: 297-307.
Santi, AL; Damião, JM; Cherubin, MR; Amado, TJC; Eitelwein, MT; Vian, AL;
Herrera, WFB 2016. Alterações físicas e hidráulicas do solo em diferentes
zonas produtivas sob plantio direto no Brasil. Jornal Africano de Pesquisa
Agrícola 11: 1326-1335.
Equipe de pesquisa de solo. 2014. Chaves para a Taxonomia do Solo. 12ed.
Serviço de Conservação de Recursos Naturais do USDA, Washington, DC,
EUA.
Sultana, SR; Ali, A.; Ashfaq, A.; Mubeen, M.; Haq, M.; Ahmad, S.; Ercisli, S.;
Jaafar, HZR 2014. Índice de vegetação de diferença normalizada como uma
ferramenta para estimativa de produção de trigo: um estudo de caso de
Faisalabad, Paquistão. The Scientific World Journal 14: 1-8.
Souza, EG; Bazzi, CL; Khosla, R.; Uribe-Opazo, MA; Reich, RM 2016. O tipo de
interpolação e a computação de dados dos mapas de rendimento das culturas
são importantes para a produção agrícola de precisão. Journal of Plant Nutrition
39: 531–538.
Suszek, G.; Souza, E.G.; Uribe-Opazo, M.A.; Nobrega, L.H.P.
2011. Determinação de zonas de manejo a partir de mapas de produtividade
equivalente normalizados e padronizados na cultura da soja. Engenharia
Agrícola 31: 895-905.
Tagarakis, A.; Liakos, V.; Fontes, S.; Koundouras, S.; Gemtos, TA
2013. Delineação de zonas de manejo usando técnicas de agrupamento fuzzy
em videiras. Agricultura de Precisão 14: 18-39.
Tarnavsky, E.; Garrigues, S.; Brown, ME 2008. Análise geoestatística multiescala
de produtos NDVI globais AVHRR, SPOT-VGT e MODIS. Sensoriamento
remoto do ambiente 112: 535-549.
Ungaro, F.; Zasadab, I.; Piorr, A. 2017. Pontos de virada da resiliência ecológica:
modelagem geoestatística da mudança da paisagem e provisão de habitat para
pássaros. Paisagismo e Planejamento Urbano 157:
297-308.
Vieira, S.R. 2000. Geostatistics in studies of soil spatial variability. p. 1-54. In:
Novais, R.F., ed. Topics in soil science. = Tópicos em ciência do solo.
Sociedade Brasileira de Ciência do Solo, Viçosa, MG, Brazil (in Portuguese).
Wilding, LP; Drees, LR 1983. Variabilidade espacial e pedologia. pág. 83-116. In:
Wilding, LP; Smeck, NE; Hall, GF, editores.
Pedogênese e taxonomia de solos. I. Conceitos e interações.
Elsevier, Amsterdã, Holanda.
Zhang, X.; Shi, L.; Jia, X.; Seielstad, G.; Helgason, C. 2010. Aplicativo de
mapeamento de zona para agricultura de precisão: uma ferramenta de apoio à
decisão para aplicação de taxa variável. Agricultura de Precisão 11: 103-
114.
Zadoks, JC; Chang, TT; Konzak, CFA 1974. Código decimal para os estágios de
crescimento dos cereais. Pesquisa de ervas daninhas 14:415-421.
Zerbato, C.; Rosalen, DL; Furlani, CEA; Deghaid, J.; Voltarelli, MAV 2016.
Características agronômicas associadas ao índice de vegetação por diferença
normalizada (NDVI) na cultura do amendoim. Australian Journal of Crop
Science 10: 758-764.
11