Escolar Documentos
Profissional Documentos
Cultura Documentos
Suprevisor:
Prof. Doutor Sosdito Estevão Mananze
Presidente:
Engo Belarmino Guivala Msc
Oponente:
Prof. Doutor Bartolomeu Félix Tangune
UEM-ESUDER
Vilankulo
2023
DECLARAÇÃO DE HONRA
Eu, Estela Eusébio Laquimane, declaro por minha honra que o presente trabalho de
culminação de curso para obtenção do grau de Licenciatura em Engenharia Rural, foi por mim
elaborado e o seu conteúdo é original e nunca foi apresentado para obtenção de qualquer grau
em alguma outra instituição.
i
DEDICATÓRIA
Dedico esta conquista aos meus pais Eusébio Laquimane e Luísa Baranda, ao meu tio
Belino Baranda, aos meus irmãos Célcia, Inês e Benildo pelo incentivo, amor, carinho, apoio
financeiro e principalmente emocional durante toda a minha formação e pelos sacrifícios que
tiveram que fazer para que esse dia chegasse.
ii
AGRADECIMENTOS
Em primeiro lugar agradeço a Deus Pai e Criador que tem estado presente em todas etapas
e momentos da minha vida sendo meu suporte, provedor, consolador, amigo, guia, minha força
e por me ter cercado de pessoas especiais ao longo de todo percurso académico.
Aos meus Pais Eusébio Laquimane e Luísa Baranda que eu os amo muito, aos meus
irmãos Célcia, Inês e Benildo, por sempre estarem do meu lado mesmo distantes e pelas
incessantes orações feitas por mim durante todo esse tempo.
A minha Avó Francisca Justa Casqueiro pelo apoio e motivação e por sempre acreditar
que eu iria conseguir chegar ao fim da carreira, muito obrigada.
Aos meus tios Belino, Páscoa, Sisínio, Moisés, Josefa, Hermínia, Odete, Santos, Atija,
Mouzinho, Vicente, Lúcia, Armandinho; Aos meus sobrinhos Helena, Raquel, Henry,
Ivanovitch, Yeshua, Jalício, Luísa, e Aniel, vocês têm sido imensas vezes a razão da minha
alegria. Aos meus primos Maiden, Isaltina, Betuel, Matilde, Izequiel, Dalton e Francisca pelo
companheirismo. Aos meus cunhados Jalilo, Sidney e Adília por serem mais que cunhados,
vocês são meus irmãos de outros pais. Ao casal Nenucha Gastão e Valdemiro Jafar, pelo
acolhimento e dicas de mestre que vós recebi. Aos meus familiares em geral, vocês são muito
importantes para mim, minha fonte de inspiração e maior parte da motivação vem de vocês.
Ao meu supervisor Professor Doutor Sosdito Mananze, pela formação, pela orientação
desde o experimento até a fase final, pelos comentários, apoio, atenção, sugestões,
disponibilidade e pelas contribuições muito valiosas para a realização e melhoria deste trabalho,
o meu muito obrigado por tudo.
Aos participantes desta Pesquisa, o colega “Akutiriwe” - Deyril Marlon Ibraimo e aos
senhores Ronaldo e Laura, ao Técnico Adriano Machava, aos docentes Sosdito Mananze, Egas
Armando e Sacire Viagem, a todos os colegas dos cursos de Produção Agrícola e Engenharia
Rural que ajudaram nas actividades, a todo pessoal de segurança e do património da ESUDER,
aos técnicos Virgílio, Narciso e Mandavane, a todos vocês o meu muito obrigado.
Aos docentes Belarmino Guivala, Timóteo Williamo, Darla Arrone, Sandra Picardo,
Luísa Sambora, Bartolomeu Tangune, Lúcio Muchanga, a todos os docentes em geral que
contribuíram para a minha formação.
Agradeço a direcção da ESUDER na pessoa do anterior Director Simião Balane, do actual
Director Bartolomeu Tangune, aos Pedagógicos Nercia Ebal e Isidro Muhale, a toda direcção
no geral sem me esquecer dos Departamentos de Cadeiras Gerais e de Engenharia Rural.
iii
Ao meu companheiro “Master Cheff” por desempenhar muito bem o seu papel, ser muito
divertido, fazendo sempre questão de alegrar os meus dias, me suportando e acompanhando
continuamente.
Aos meus Colegas e amigos da ESUDER Jorge, Nilza, Pelembe, Telma (em memória),
Fáusia, Elca, Kelvin, Jerónimo, Cármen, Tivane, Denisa, Maria Luísa, Austin, Márcia, Celeste,
Alex, Isidro, Horácio, Quinho Arte, Zito Sebastião, Anifa Pagula; as minhas mazas Eugénia,
Evaldina, Jezabel, Felismina, Yúmina e a todos colegas da Engenharia Rural geração 2018 e
2019.
Aos gestores do internato Eduardo (em memória), Edna, Graça e Isabel pelo espírito
paterno sempre demostrado.
Pastores e irmãos da igreja: Jacinta, Pastor Sérgio, Apóstolo Amade, Pastor Ivo e Amélia
Timbe, Pastor Sábado Sordane, Pastor Marcos Mabuie, Mano Calisto, Missionária Catarina
Blue, Irmão Hélder, Mano Ronaldo, a todos os irmãos da igreja Adventista, do MEC e do MEA
pelo apoio espiritual.
Aos amigos Milton Changule, Guedes, Juliana, Raquel, Sheila, Dércia da Felícia, Edna
boa, Winna, Génifa, Sulai, Amarildo, Franklin, Sozinho, Eucláudia, Enf. Dino, doutor Gerson,
Cliton Mangachaia, Sofania, Rosana, Anatólio e Venaldo, pela amizade incondicional.
A um amigo especial que conheci no fim da carreira e tem sido uma enorme bênção na
minha vida Osvaldo Correia “Mano Pique”.
Em fim, agradeço a todas pessoas que fizeram parte desta etapa decisiva da minha vida.
iv
LISTAS DE ACRÓNIMOS, SIGLAS E SÍMBOLOS
Lista de acrónimos
ESUDER Escola Superior de Desenvolvimento Rural
ETc Evapotranspiração da Cultura
ETo Evapotranspiração de Referência
Fc Fracção de Cobertura do Solo
Kc Coeficiente de Cultura
KCFAO Coeficiente de Cultura Obtido pelo método da Food and Agriculture
Organization no seu boletim número 56
MSI Sensor Multiespectral
NDVIE Índice de Vegetação de Diferença Normalizada obtido a partir de dados de
Espectrorradiômetro
REM Radiação Electromagnética
SNAP Sentinel Application Platform
Lista de siglas
DAS Dias Após a Sementeira
DR Detecção Remota
EMA Erro Médio Absoluto
EP Erro Padrão
EPE Erro Padrão de Estimativa
EQM Erro Quadrado Médio
ESA European Space Agency
FAO Food and Agriculture Organization
GNDVI Green Normalized Difference Vegetation Index
GPS Global Positioning System
IV Índice de Vegetação
MCARI Modified Chlorophyll Absorption Ratio Index
MSAVI Modified Soil Adjusted Vegetation Index
MSAVI2 Modified Soil Adjusted Vegetation Index 2
NDVI Normalized Difference Vegetation Index
NPK Nitrogénio, Fósforo e Potássio
PVI Perpendicular Vegetation Index
v
RGB Red-Green-Blue
RMSE Raiz do Erro Quadrado Médio
SAVI Soil Adjusted Vegetation Index
UEM Universidade Eduardo Mondlane
Lista de símbolos
% Percentagem
∑ Somatório
cm Centímetro
E East
h Hora
ha Hectare
Km Quilómetro
kPa Quilo Pascal
𝑙 Litros
m Metro
MJ Mega Joules
ml Mililitros
mm Milímetro
N North
nm Nanómetros
ºC Graus Celsius
S South
s Segundos
W West
vi
LISTA DE ILUSTRAÇÕES
Lista de Tabelas
Tabela 1: Exemplos de Índices de Vegetação Radiométricos e suas Respectivas Equações. .... 9
Tabela 2: Classificação do índice de Confiança ....................................................................... 16
Tabela 3: Critérios para Interpretação do Coeficiente de Pearson. .......................................... 18
Tabela 4: Valores KcFAO e Kc Estimados por Modelos de Singh e Imark (2009) e Kamble et
al. (2013) Alimentados com NDVI para as Respectivas Datas de Aquisição. ......................... 20
Tabela 5: Valores KcFAO e Kc Estimados por Modelos de Singh e Imark (2009) e Kamble et
al. (2013) Alimentados com NDVIE para as Respectivas Datas de Aquisição. ...................... 20
Tabela 6: Estatísticas da Análise do Desempenho e Classificação dos Modelos de Estimativa
do Kc de Singh e Imark (2009) e Kamble et al. (2013), Alimentados com NDVI e NDVIE e
Correlacionados com KcFAO. ................................................................................................. 21
Tabela 7: Valores Médios dos IVs para as Respectivas Datas de Aquisição e DAS. .............. 23
Tabela 8: Resultados Estatísticos das Regressões .................................................................... 26
Lista de Figuras
Figura 1: Localização do Distrito de Vilankulo ...................................................................... 10
Figura 2: Localização da Área de Estudo ................................................................................ 11
Figura 3: Limpeza do Campo .................................................................................................. 12
Figura 4: Medição do Caudal dos Gotejadores ....................................................................... 12
Figura 5: Proveta Graduada ..................................................................................................... 12
Figura 6: Insecticida Belt ........................................................................................................ 13
Figura 7: Ponto 4 de Colecta de Dados ................................................................................... 14
Figura 8: Mapa Espacial da Evolução do NDVI para os Diferentes DAS .............................. 19
Figura 9: (A) e (B), KcNDVI pelo Método de Singh e Imark (2009); (C) e (D), KcNDVI pelo
Método de Kamble et al. (2013); (E) e (F), KcNDVIE pelo Método de Singh e Imark (2009); e
(G) e (H), KcNDVIE pelo Método de Kamble et al. (2013); Correlacionados ao Método de
KcFAO. .................................................................................................................................... 22
Figura 10: Gráficos Residuais KCFAO-NDVI ....................................................................... 24
Figura 11: Gráficos Residuais KCFAO-SAVI ........................................................................ 24
Figura 12: Gráficos Residuais KCFAO-PVI ........................................................................... 24
Figura 13: Gráficos Residuais KCFAO-MSAVI .................................................................... 24
Figura 14: Gráficos Residuais KCFAO-MSAVI2 .................................................................. 24
vii
Figura 15: Gráficos Residuais KCFAO-GNDVI .................................................................... 24
Figura 16: Gráficos Residuais KCFAO-MCARI .................................................................... 25
Figura 17: Gráficos Residuais KCFAO-NDVIE ..................................................................... 25
LISTA DE APÊNDICES
Apêndice 1: Dados das Bandas Espectrais Sentinel-2.................................................................I
Apêndice 2: Valores Médios de Kc .............................................................................................I
Apêndice 3: Valores Médios de Kc para as Datas em Estudo.....................................................I
Apêndice 4: Valores Médios de NDVI........................................................................................I
Apêndice 5: Valores Médios de NDVIE ................................................................................... II
Apêndice 6: Gráficos de Dispersão de Regressão do Kc vs: A-NDVI, B-SAVI, C-PVI, D-
MSAVI, E-MSAVI2, F-GNDVI, G-MCARI, H-NDVIE ........................................................ III
Apêndice 7: Similaridades nas Curvas dos IVs ........................................................................ III
Apêndice 8: Gráfico de Comparação das Curvas de Kc e IVs .................................................IV
Apêndice 9: Script das Regressões lineares .............................................................................IV
viii
GLOSSÁRIO
Alvo espectral é o objecto observado via dados de detecção remota.
Assinatura espectral é o padrão formado pela radiação reflectida em função do
comprimento de onda pelos diferentes tipos de superfície.
Banda espectral é o intervalo entre dois comprimentos de onda no espectro
electromagnético.
Borda vermelha é a região de rápida mudança na reflectância da vegetação na faixa do
infravermelho próximo do espectro electromagnético.
Comprimento de onda é o intervalo mínimo de tempo em que um padrão de vibração se
repete em um certo ponto no espaço.
Pixel é o menor ponto que forma uma imagem digital, sendo que um conjunto de pixels
com várias cores forma uma imagem inteira.
Radiação electromagnética é a energia electromagnética utilizada na obtenção dos
dados por detecção remota.
Resolução espacial é a distância mínima entre dois objectos que um sensor consegue
registar distintamente.
Resolução espectral é o número e a amplitude dos intervalos de comprimentos de onda
nos quais a radiação electromagnética é registada.
Resolução radiométrica é o limite de tons de cinza que cada sensor consegue detectar e
armazenar.
Resolução temporal é a capacidade de revisita de um satélite sobre um mesmo local da
terra.
Dossel é a camada de sobreposição de folhagens da copa das plantas.
ix
RESUMO
A determinação diária da evapotranspiração da cultura através da multiplicação da
evapotranspiração de referência pelo coeficiente de cultura é um método muito prático e aceite
para estimar as necessidades de rega das culturas. Os índices de vegetação tem vindo a ganhar
maior aplicabilidade na obtenção do coeficiente de cultura, sendo que os seus resultados
alcançam elevada precisão quando comparados com observações de campo. Diante do exposto,
esse trabalho teve como objectivo estimar o valor do coeficiente de cultura do milho com base
em índices de vegetação. Utilizou-se imagens do Sentinel-2 sem a presença de nuvens durante
o ciclo da cultura, num experimento conduzido entre os meses de Julho a Outubro de 2022,
numa área agrícola irrigada de 0,39 ha, tendo-se extraído os valores médios do Índice de
Vegetação de Diferença Normalizada, Índice de Vegetação Ajustado ao Solo, Índice de
Vegetação Perpendicular, Índice de Vegetação Ajustado ao Solo Modificado 1 e 2, Índice de
Vegetação de Diferença Normalizada Verde e Índice da Razão de Absorção de Clorofila
Modificado e utilizou-se o espectrorradiômetro para os valores sazonais de Índice de Vegetação
de Diferença Normalizada, com isso, foram gerados oito modelos de regressão para estabelecer
a relação entre os índices e os dados de coeficiente da cultura derivados do método padronizado
da Food and Agricultural Organization (FAO) - 56. Os resultados obtidos mostram que o
melhor modelo para a determinação do coeficiente de cultura do milho para as condições
climáticas de Vilankulo é o de Índice de Vegetação de Diferença Normalizada obtido a partir
do Sentinel-2, com um bom ajuste, maior precisão e com uma forte correlação com os valores
médios de coeficiente de cultura de 0,94, valor-p de 0,05*10-4, R2 = 0,89 e erro padrão residual
baixo de 0,02. Dessa forma, pode se concluir que o modelo apresenta bastante confiabilidade e
pode ser uma ferramenta muito útil para fins de maneio de irrigação no Distrito de Vilankulo.
3.4.6 Estimativa do KCNDVI usando os modelos de Singh e Imark (2009) e Kamble et al.
(2013) 15
I. INTRODUÇÃO
1.1 Contextualização
Em termos de produção de alimentos o milho constitui umas das principais culturas
produzidas em Moçambique que tem contribuído bastante para a segurança alimentar devido,
a sua importância no sustento das famílias rurais, e em geral Moçambique está dividido em três
regiões de produção: Sul, Centro e Norte (Sitoe, 2010; Uamusse, 2015).
A região Sul é caracterizada como deficitária quanto a produção agrícola, sendo neste
contexto a região que menos produz milho no país devido as suas condições agro-ecológicas,
solos arenosos pobres e por um regime de precipitação irregular, factores que não potenciam
uma agricultura de sequeiro para culturas não tolerantes a seca, como o milho (Mudema et al.,
2012).
A cultura de milho apresenta uma necessidade hídrica que varia de 500 a 800 mm no ciclo
e com os conhecimentos actuais das relações solo, água, clima e planta é possível que os
sistemas de irrigação sejam dimensionados de modo que seja fornecida a quantidade necessária
de água para as plantas (Barros & Calado, 2014; Rodrigues et al., 2013; Sales et al., 2010).
Um dos parâmetros ideais para estimativa do consumo hídrico das culturas para o maneio
da irrigação é utilizando a Evapotranspiração da Cultura (ETc), a qual pode ser obtida pela
multiplicação da Evapotranspiração de Referência (ETo) pelo Coeficiente de Cultura (Kc),
sendo que o método padronizado da Food and Agricultre Organization-56 (FAO-56) apresenta
valores médios de Kc para quatro estágios fenológicos do milho, recomendando que sejam
ajustados às condições do clima, maneio e variedades cultivadas (Allen et al., 1998).
Segundo Moran et al. (1995) e Sena (2021), tem sido verificado que a reflectância
espectral da cultura de milho consegue conceder uma estimativa indirecta do Kc e essas
estimativas são possíveis porque tanto o Kc assim como a reflectância espectral são sensíveis
ao índice de área foliar e a Fracção de Cobertura do Solo (Fc).
É importante destacar que o Kc estimado via Índice de Vegetação (IV), consegue
representar a variabilidade espacial das culturas em pequenas, médias e grandes áreas
diferentemente da maioria dos métodos pontuais de estimativa, com isso, o presente trabalho
tem como objectivo desenvolver um modelo para estimativa do coeficiente de cultura do milho
com base em índice de vegetação no Distrito de Vilankulo.
1.3 Justificativa
A estimativa do consumo hídrico das culturas na agricultura tem o seu sucesso por meio
do conhecimento da ETc e para não haver erros na determinação da ETc, deverá se ter valores
de Kc que condizem com as condições do local de cultivo.
A crescente utilização da Detecção Remota (DR) na geração de modelos para estimativa
do Kc traz consigo vantagens pois métodos baseados nos IVs possuem uma boa
correspondência com o Kc e as reflectâncias de dosséis oferecem informações que
proporcionam uma boa correlação entre os dados orbitais e os parâmetros biofísicos da cultura
e isso garante uma modelação precisa de modo que não haja erros derivados de valores de Kc
na determinação da ETc.
Num conjunto de modelos existentes para determinação do Kc é importante que se façam
testagens de modo a validar a sua aplicação sobre uma região diferente e esse procedimento nos
leva a saber se o mesmo modelo pode ou não ser válido para outra região em que pretende
aplicar.
Neste contexto, o presente trabalho tem o intuito de contribuir com o desenvolvimento de
um modelo de estimativa do Kc para o maneio da irrigação no Distrito de Vilankulo, com vista
a maximizar a produção e produtividade agrícola dos produtores.
1.5 Hipóteses
Hipótese nula (H0): Não é possível desenvolver um modelo para estimativa do
coeficiente de cultura do milho com base em índices de vegetação no Distrito de Vilankulo.
Hipótese alternativa (H1): É possível desenvolver pelo menos um modelo para
estimativa do coeficiente de cultura do milho com base em índices de vegetação no Distrito de
Vilankulo.
2.3 Evapotranspiração
A evapotranspiração é a soma dos componentes de transpiração das plantas e evaporação
da água do solo, sendo um parâmetro fundamental para se estabelecer o consumo de água pelas
plantas, e consequentemente proporcionar a quantidade de água ideal a ser aplicada na cultura
pelo sistema de irrigação (Fontes, 2021).
2.3.1 Evapotranspiração de referência (ETo)
A ETo é a quantidade de água evapotranspirada na unidade de área e de tempo, por uma
cultura de baixo porte, verde, cobrindo totalmente o solo, de altura uniforme e sem deficiência
de água, recomendando-se para este caso o uso de relva (Nunes et al., 2009).
A ETo pode ser determinada por diversos métodos, mas a equação de Penman-Monteith
patente no boletim 56 da FAO (Allen et al., 1998) é entendida como a mais precisa e baseia-se
na radiação global, temperatura, humidade relativa do ar, velocidade do vento e pressão
atmosférica, representando uma condição padrão de cobertura vegetal que apresente as mesmas
características de estágio ao longo do ano, sempre verde sem restrições hídricas, e sobre ela se
encontra os sensores agrometeorológicos (Avilez, 2020).
2.3.2 Evapotranspiração da cultura (ETc)
A ETc é a evapotranspiração de uma planta específica crescendo sob condições óptimas
de suprimento hídrico e é determinada ao longo do ciclo da cultura, multiplicando-se a ETo
(diária ou média histórica) pelo Kc definido para cada estágio fenológico da cultura, em um
ambiente de condições óptimas para desenvolvimento, indicando a quantidade de água ideal a
ser aplicada (Fontes, 2021; Nunes et al., 2009).
2.4 Coeficiente de Cultura (Kc)
O Kc é um factor indicativo do consumo de água ideal para a planta e varia com o
crescimento, desenvolvimento das plantas, mudanças da Fc por vegetação e variações de
humidade da camada superficial do solo e pode ser obtido de forma única ou dupla, sendo que
em sua forma única ocorre a combinação dos efeitos da evaporação do solo e da transpiração
da cultura em um único coeficiente (Kc), enquanto a metodologia do Kc duplo (ou dual) este é
dividido em dois fatores que descrevem separadamente a evaporação do solo (Ke) e a
transpiração pelo coeficiente basal (Kcb) (Hoffman et al., 2007).
O Kc é descrito e tabelado por Allen et al. (1998) no boletim 56 da FAO sendo uma
recomendação que esses valores de Kc sejam ajustados para as diferentes fases de
desenvolvimento da planta, frequência de irrigação ou condições climáticas durante os estádios
e diferentes regiões de plantio, possibilitando uma eficiência melhor de uso da água e também
pode ser determinado experimentalmente através da relação entre a ETc e a ETo pela integração
Km e juntos cobrem toda superfície terrestre e águas interiores e costeiras a cada cinco dias no
equador e a cada 2-3 dias em latitudes médias (EMBRAPA, 2020).
b) Espectrorradiômetro
Os espectrorradiômetros são sensores que medem a quantidade de radiação reflectida
(radiância) e a quantidade de radiação incidente (irradiância), fornecendo a medida de
reflectância da amostra (Santos et al., 2021).
Uma medida é executada em questão de poucos segundos podendo fornecer 2048, 1024
e 512 comprimentos de onda, dependendo da matriz de detectores seleccionada e um
espectrorradiômetro consegue medir de uma maneira contínua a intensidade relativa de energia
reflectida pelo alvo, fornecendo a assinatura espectral do mesmo, que corresponde à reflectância
em função do comprimento de onda. Como resultado, estes equipamentos possibilitaram a
construção de vastas bibliotecas com as assinaturas espectrais dos mais variados alvos (Meneses
et al., 2020).
2.5.3 Processamento de imagens
Uma imagem obtida por DR é constituída por um conjunto de matrizes de valores
numéricos que registam os níveis radiométricos captados pelo sensor em cada uma das bandas
espectrais (Lira, 2016).
O processamento de imagens de DR tem como objectivo a extracção de informação
qualitativa e/ou quantitativa necessária para as diversas aplicações possíveis e o pré-
processamento inclui operações com vista a eliminar ou atenuar as distorções radiométricas e
geométricas, de forma a ser possível a extracção e análise de informação (Silva, 2015).
2.5.4 Aplicação da DR na agricultura
Uma das formas de recolha de informação necessária para cartografar as culturas agrícolas é
feita através da DR., esta providencia informação sobre o estado da vegetação, permitindo a
monitorização das culturas através de MSIs uma vez que a reflexão espectral de uma cultura
varia de acordo com as mudanças da sua fenologia e estado de saúde da vegetação (Lira, 2016).
A utilização de geotecnologias como DR vem sendo utilizada de forma extensiva na
agricultura de precisão por meio de diferentes tipos de sensores (activo e passivo) que tornam
possível calcular IVs para estimar os componentes de produção de culturas agrícolas. Os IVs
são equações matemáticas desenvolvidas com base em comprimentos de ondas específicos do
espectro electromagnético, os quais estão relacionados com parâmetros qualitativos e
quantitativos de campo (Mailson, 2017).
III. METODOLOGIA
3.1 Descrição da Área de Estudo
3.1.1 Localização geográfica
O presente estudo foi desenvolvido no Distrito de Vilankulo, localizado a Norte da
província de Inhambane, apresentando como limites a Norte com o Distrito de Inhassoro, a Sul
com o Distrito de Massinga, a Oste com o Distrito de Mabote e a Este é banhado pelo Oceano
Índico e possui uma área de 5856 km2 (Impacto, 2012).
3.2.3 Sementeira
A sementeira foi feita no dia 9 de Julho de 2022 com os gotejadores em funcionamento
(solo húmido) em um espaçamento de 0,30 m entre plantas e 1,00 m entre linhas tendo-se usado
a variedade Bayer Topo, e no dia 20 de Julho de 2022 fez-se a ressementira de modo a corrigir
as falhas na germinação anterior.
3.2.4 Adubação
A primeira adubação foi feita no dia da sementeira (09 de Julho de 2022) tendo-se
aplicado Nitrogénio-Fósforo-Potássio (NPK), esterco bovino e ureia no início da floração e
NPK no início da formação de grãos.
3.2.5 Rega
A irrigação foi feita com um intervalo de dois dias aplicando aproximadamente 3 mm de
água por rega e passando a aplicar aproximadamente 7 mm no início da formação de grãos.
3.2.6 Controlo fitossanitário
O controlo de pragas iniciou 11 dias após a sementeira e foram feitas no total quatro
aplicações de defensivos com intervalo de 11 dias usando o insecticida Belt (Figura 6) na 1ª e
2ª e aplicado Hitcel nas seguintes e o controlo de ervas daninhas foi manual com recurso a
enxada duas semanas após a germinação.
possível seleccionar imagens sem presença de nuvens e com esse critério foi possível obter 12
imagens ao longo do ciclo.
Os dados meteorológicos de Vilankulo foram obtidos a partir do CROPWAT 8.0-
CLIMWAT 2.0, e comparados com os dados dos anos (1979-2006) compilados por (Tangune
& Chimene, 2019, p.78).
Onde:
ETo evapotranspiração de referência [mm dia-1];
Rn radiação líquida na superfície da cultura [MJ m-2 dia-1];
G densidade do fluxo de calor do solo [MJ m-2 dia-1];
T temperatura média diária do ar [°C];
𝑢2 velocidade do vento a 2 m de altura [m s-1];
es pressão de vapor de saturação [kPa];
ea pressão de vapor real [kPa];
es-ea déficit de pressão de vapor de saturação [kPa];
∆ curva de pressão de vapor de inclinação [kPa °C-1];
γ constante psicrométrica [kPa °C-1].
Da precisão: dada pelo coeficiente de determinação (R2), a qual indica o grau em que a
regressão explica a soma do quadrado total e o coeficiente de correlação de Person “r” que
indica o grau de dispersão dos pontos em relação à média, quanto mais próximos de um
estiverem esses valores, maior a precisão dos valores estimados pelo modelo;
Da exactidão: pela aproximação dos valores estimados em relação aos observados dada
pelo índice de concordância ou ajuste “d” (equação 6) proposto por Willmott et al. (1985) e
seus valores variam de zero (para nenhuma concordância) a um (para a concordância perfeita).
𝑐 =𝑑×𝑟 (5)
∑𝑛𝑖=1(𝑂𝑖 −𝑃𝑖 )
2
𝑑 = 1 − ∑𝑛 (|𝑃𝑖 −𝑂 |+|𝑂𝑖 −𝑂̅|)2
̅
0≤𝑑≤1 (6)
𝑖=1
Onde:
c índice de confiança ou desempenho;
d índice de exactidão, adimensional;
r é coeficiente de correlação de Pearson;
Oi valor observado (Kc calculadao por FAO 56);
Pi valor estimado (Kc obtido pelos modelos);
𝑂̅ média dos valores observados;
n o número de observações;
i índice.
A análise da regressão fornece informações sobre a relação entre a variável Kc observada
e Kc prevista na medida em que a informação está contida nos dados.
Para avaliação dos modelos foram analisados com recurso ao R-Studio:
O gráfico de resíduos: que determina se o modelo fornece o ajuste adequado, quanto
mais próximo da linha de regressão os pontos estiverem dispersos, maior o ajuste, e quanto
mais distantes, menor será, e esse é justificado pelo Erro Padrão (EP), que fornece a medida
absoluta da distância típica que esses pontos se encontram em relação a linha de regressão:
Quanto mais próximo de zero for o valor de EP, justifica um bom ajuste;
Quando EP for igual a zero, um ajuste perfeito ocorreu.
Os valores-p: que informam sobre a existência de uma correlação diferente de zero e ou
o quanto os valores se correlacionam:
Se valor-p <0.05 (nível de significância) há correlação entre as variáveis;
Se valor-p> 0.05 não há correlação entre as variáveis; havendo correlação,
Quanto mais distante de 0.05 for o valor-p, maior será essa correlação;
Quanto mais próximo de 0.05 estiver, menor será a correlação.
Tabela 4: Valores KcFAO e Kc Estimados por Modelos de Singh e Imark (2009) e Kamble et
al. (2013) Alimentados com NDVI para as Respectivas Datas de Aquisição.
Data NDVI Kc(Singh e Imark) Kc(Kamble et al.) Kc (FAO)
14.07.2022 0,20 0,28 0,38 0,94
24.07.2022 0,20 0,29 0,39 0,94
29.07.2022 0,22 0,30 0,40 0,94
03.08.2022 0,24 0,35 0,42 0,96
18.08.2022 0,36 0,50 0,59 1,00
02.09.2022 0,51 0,69 0,65 1,05
12.09.2022 0,53 0,72 0,67 1,05
17.09.2022 0,52 0,71 0,66 1,05
22.09.2022 0,56 0,76 0,69 1,05
02.10.2022 0,44 0,60 0,59 1,05
07.10.2022 0,42 0,57 0,57 1,05
17.10.2022 0,37 0,52 0,53 0,97
Tabela 5: Valores KcFAO e Kc Estimados por Modelos de Singh e Imark (2009) e Kamble et
al. (2013) Alimentados com NDVIE para as Respectivas Datas de Aquisição.
Data NDVIE Kc(Singh e Imark) Kc(Kamble et al.) Kc (FAO)
03-ago 0,29 0,40 0,46 0,96
08-ago 0,30 0,42 0,47 0,97
13-ago 0,35 0,48 0,51 0,98
18-ago 0,35 0,48 0,51 1,00
28-ago 0,43 0,59 0,58 1,03
02-set 0,48 0,66 0,62 1,05
07-set 0,49 0,67 0,63 1,05
12-set 0,47 0,64 0,61 1,05
17-set 0,49 0,67 0,63 1,05
22-set 0,50 0,68 0,64 1,05
27-set 0,49 0,67 0,63 1,05
02-out 0,38 0,52 0,53 1,05
07-out 0,36 0,50 0,52 1,05
12-out 0,39 0,54 0,55 1,01
17-out 0,35 0,48 0,51 0,97
A B
D
C
E
F
G H
Figura 9: (A) e (B), KcNDVI pelo Método de Singh e Imark (2009); (C) e (D), KcNDVI pelo
Método de Kamble et al. (2013); (E) e (F), KcNDVIE pelo Método de Singh e Imark (2009); e
(G) e (H), KcNDVIE pelo Método de Kamble et al. (2013); Correlacionados ao Método de
KcFAO.
Conforme ilustra a Figura 9 tanto os modelos alimentados com NDVI assim como
NDVIE subestimam o Kc ao longo de todas as fases do ciclo da cultura, e por sua vez
apresentam uma dispersão face ao modelo padrão KcFAO com valores de erro (Tabela 8)
considerados altos.
4.1.2 Desenvolvimento de modelos pela relação Kc-IV
Os valores médios dos IVs para as respectivas data de aquisição e DAS estão
ilustrados na Tabela 7, e os valores médios dos índices variam com a variação dos ciclos,
sendo que o pico é verificado aos 75 DAS nos meados da fase III.
Tabela 7: Valores Médios dos IVs para as Respectivas Datas de Aquisição e DAS.
Figura 14: Gráficos Residuais KCFAO-MSAVI2 Figura 15: Gráficos Residuais KCFAO-GNDVI
Os resultados estatísticos da regressão de cada uma das relações Kc-IV são apresentados
na Tabela 8 e os gráficos de dispersão no apêndice 6. Todos os índices submetidos a regressão
apresentam um valor-p <0,05, rejeitando-se assim a hipótese nula para toda a população e
aceitando-se a hipótese alternativa de que a variável independente tem correlação com a
variável dependente e as relações observadas na amostra também existem na população maior.
O NDVI apresentou o menor valor-p (0,05*10-4) e o NDVIE o maior valor-p (1,04*10-4) dentre
os observados.
Houve uma correlação positiva forte entre todos os índices apresentados na Tabela 8 e o
Kc, sendo que o NDVI apresentou uma maior correlação (0,94) e o NDVIE apresentou a menor
correlação (0,83) dentre os índices.
A ausência de sinal negativo nos coeficientes angulares obtidos das regressões indica a
existência de uma correlação positiva entre cada variável independente e a variável dependente,
como ilustram as equações 6 a 13, a medida que a variável independente aumenta, a média da
variável dependente também tende a aumentar. Foram registados bons valores de R2 (0,89-0,80)
para os índices Sentinel-2, o que significa que esses modelos explicam uma boa proporção da
variabilidade na variável dependente, em contrapartida foi registado um baixo valor de R2 para
o NDVIE (0,70), o que significa que esse modelo só explica menos de 70% da variabilidade na
variável dependente. O R2 não difere muito do R2 ajustado, o que ilustra que a percentagem de
variância no campo de destino terá uma precisão não muito diferente da prevista. Os baixos
valores de EP da regressão indicam que a distância entre os pontos de dados e os valores
ajustados são menores, o que indica que os modelos fornecem um bom ajuste e uma boa
precisão quanto aos dados de entrada, todos índices apresentaram um baixo valor de EP (0,02).
Variáveis
Índice estatístico MSAV MSAVI GNDV MCAR NDVI
NDVI SAVI PVI
I 2 I I E
P-value (10-4) 0,05 0,14 0,38 0,20 0,21 0,13 0,84 1,04
Coeficiente de
0,94 0,93 0,91 0,92 0,92 0,93 0,90 0,84
correlação de Pearson
R2 0,89 0,86 0,83 0,85 0,85 0,86 0,80 0,70
2
R ajustado 0,87 0,85 0,81 0,83 0,83 0,84 0,78 0,66
Erro padrão residual
0,02 0,02 0,02 0,02 0,02 0,02 0,02 0,02
(EP)
Intercepto 0,87 0,88 0,88 0,88 0,88 0,78 0,93 0,86
Coeficientes
Angular 0,35 0,52 1,20 0,57 0,53 0,58 1,47 0,40
4.2 Discussão
4.2.1 Testagem dos modelos
No presente estudo o NDVI mostrou-se variável ao longo do ciclo da cultura e o pico foi
observado no período correspondente a maturação em similaridade com Venancio et al. (2016)
e que segundo Ramos (2016) é a fase com maior resposta do NDVI, confirmando a afirmação
de Bezerra et al. (2009) que o NDVI relaciona-se com as características fenológicas
representando o vigor da cultura.
Nos resultados obtidos, o Kc é subestimado em todas as fases fenológicas pelos modelos,
em contrapartida para Venancio et al. (2017) o modelo de Singh e Irmak (2009) teve boas
estimativas na fase III e superestimou nas fases II e IV e o modelo de Kamble et al. (2013)
subestimou na fase III e estimou melhor nas fases II e IV, o que segundo Perreira (2018)
explica-se pela diferença do clima, solos e material genético utilizado.
V. CONCLUSÃO E RECOMENDAÇÕES
5.1 Conclusão
Os modelos de estimativa de Kc com base em NDVI propostos por Singh e Imark (2009)
e Kamble et al. (2013) não são válidos para o Distrito de Vilankulo;
Foram gerados oito modelos de regressão linear para estimativa do Kc no Distrito de
Vilankulo;
O modelo baseado no NDVI é o que oferece melhores estimativas do Kc do milho para
o Distrito de Vilankulo.
Com base nestas constatações rejeita-se a hipótese nula e propõe-se o modelo
KcNDVI=0,8718+0,3473∗NDVI para ser utilizado no cálculo da ETc para fins de maneio de
irrigação da cultura de milho no Distrito de Vilankulo.
5.2 Recomendações
Recomenda-se:
O desenvolvimento de mais modelos de modo a cobrir áreas no mundo;
A testagem do modelo proposto em regiões com diferentes condições edáficas mas que
se assemelhem as condições climáticas do Distrito de Vilankulo;
A aplicação do modelo proposto para o maneio de irrigação da cultura de milho nos
campos agrícolas da ESUDER;
O redimensionamento do sistema de abastecimento de água da ESUDER com vista a
atender a demanda dos estudantes nos campos agrícolas.
Allen, R. G., & ASCE, M. (1986). A Penman for All Seasons. Journal of Irrigation and
Drainage Engineering, 112(4), 348–386. https://doi.org/10.1061/(ASCE)0733-
9437(1986)112:4(348)
Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). Crop evapotranspiration: guidelines
for computing crop water requirements. Irrigation and Drainage Paper, 56, 300.
https://appgeodb.nancy.inra.fr/biljou/pdf/Allen_FAO1998.pdf
Alves, E. D. S., Lima, D. F., Barreto, J. A. S., dos Santos, D. P., & dos Santos, M. A. L. (2017).
Determinação do coeficiente de cultivo para a cultura do rabanete através de lisimetria de
drenagem. IRRIGA, 22(1), 194–203. https://doi.org/10.15809/irriga.2017v22n1p194-203
Bertolin, N. de O., Filgueiras, R., Venancio, L. P., & Mantovani, E. C. (2017). Predição da
produtividade de milho irrigado com auxílio de imagens de satélite. Revista Brasileira de
Agricultura Irrigada, 11(4), 1627–1638. https://doi.org/10.7127/rbai.v11n400567
Bezerra, M. V. C., Brandão, Z. N., Bezerra, B. G., Borges, V. P., & Barbosa Da Silva, B. (2009).
Determinação do coeficiente de cultivo e da evapotranspiração real do algodão irrigado
utilizando imagens de satélite. Anais XIV Simpósio Brasileiro de Sensoriamento Remoto (pp.
99-104) http://marte.sid.inpe.br/col/dpi.inpe.br/sbsr@80/2008/10.29.11.59/doc/99-104.pdf
Duchemin, B., Hadria, R., Erraki, S., Boulet, G., Maisongrande, P., Chehbouni, A., Escadafal,
R., Ezzahar, J., Hoedjes, J. C. B., Kharrou, M. H., Khabba, S., Mougenot, B., Olioso, A.,
Rodriguez, J. C., & Simonneaux, V. (2006). Monitoring wheat phenology and irrigation in
Central Morocco: On the use of relationships between evapotranspiration, crops coefficients,
leaf area index and remotely-sensed vegetation indices. Agricultural Water Management, 79(1),
1–27. https://doi.org/10.1016/j.agwat.2005.02.013
Gomes, A. R. dos S., Alves, J. M. B., Silva, E. M. da, Gomes, M. R. dos S., & Gomes, C. R.
dos S. (2019). Study of the relationship between the variability of vegetation and temperature
indexes of the northeast region of Brazil. Revista Brasileira de Meteorologia, 34(3), 359–368.
https://doi.org/10.1590/0102-7786343051
Hoffman, G.J., R.G. Evans, M.E. Jensen,, D. Martin, R.L. Elliot (2007) Design And Operation
Of Farm Irrigation Systems (2.ª ed.). American Society of Engineer American Society of
Engineer. Richmond
Impacto. (2012). Perfil ambiental e mapeamento do uso actual da terra nos Distrito s da zona
costeira de moçambique. Https://biblioteca.biofund.org.mz/biblioteca_virtual/perfil-
ambiental-e-mapeamento-do-uso-actual-da-terra-nos-Distrito s-da-zona-costeira-de-
mocambique-Distrito -do-ibo/
Kamble, B., Kilic, A., & Hubbard, K. (2013). Estimating crop coefficients using remote
sensing-based vegetation index. Remote Sensing, 5(4), 1588–1602.
https://doi.org/10.3390/rs5041588
Magalhães, P. C., Durães, F. O. M., & Gomide, R. L. (2002). Fisiologia da cultura do milho.
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/44173/1/Fisiologia-milho.pdf
Moran, M. S.; mass, S. J.; pinter JR., P. J. (1995) Combining remote sensing and modelling for
estimating surface evaporation and biomass production. Remote Sensing Review, London, n.
12, 335–353. https://pubag.nal.usda.gov/download/50289/pdf
Mudema, J. A., Sitole, R. F., & Mlay, G. (2012). Rentabilidade da cultura do milho na zona
sul de Moçambique: Estudo de caso do Distrito de Boane. https://www.acismoz.com/wp-
content/uploads/2017/06/rentabilidade%20milho%20Mudema.pdf
Nakar, D. (2019). Sentinel-2 : Multispectral Instrument ( MSI ) design and system performance
This work is the final assignment of the course : Satellite imaging and. July.
https://doi.org/10.13140/RG.2.2.27242.67529
Ngungulu, I, D., Vine, P, N., Chutumia, C, B., Maite, C, J., Manjate, F, A & Remane,F, E, O.
(2019). Características dos solos nos campos experimentais da UEM-ESUDER, Vilankulo,
Moçambique
Nunes, A. (2012). Rega gota-a-gota com fita de rega, In: Rega automática.
Nunes, A. L., Bispo, N. B., Hernandez, R. H., & Navarini, L. (2009). Evapotranspiração e
coeficiente de cultura da alface para a região sudoeste do paraná evapotranspiration and crop
coefficient of lettuce in the southwest region of the state of paraná, brazil. In Scientia Agraria
(Vol. 10, Issue 5). https://dialnet.unirioja.es/descarga/articulo/8318268.pdf
Ramos, R. S. (2016). Uso do ndvi na análise fenológica de áreas irrigadas identificadas pela
transformada de hough.
https://www.locus.ufv.br/bitstream/123456789/8255/1/texto%20completo.pdf
Rodrigues, R. R., Cola, M. P. A., Nazário, A. A., Azevedo, J. M. G. de, & Reis, E. F. dos.
(2013). Eficiência e uniformidade de um sistema de irrigação por gotejamento na cultura do
cafeeiro / Efficiency and uniformity of a drip irrigation system in the coffee crop. Revista
Ambiência, 9(2), 323–324. https://doi.org/10.5777/ambiencia.2013.02.07
Sales, R. A., Louzada, J. M., de Oliveira, E. C., Pinheiro, M. A. B., & de Sales, R. A. (2016).
Estimativa das necessidades hídricas do milho cultivado nas condições edafoclimáticas de são
Santos, E.P., Jesus, T.B., Carneiro, A.S.R., Santos, R.L., Franca-Rocha, W.J.S. & Costa, T.S.
2021. Espectrorradiometria de Campo e Dados Sentinel-2 Aplicado ao Estudo da Clorofila-A
em Corpos Hídricos de Reservatórios. Anuário do Instituto de Geociências, vol. 44: 38707.
https://doi.org/10.11137/1982-3908_2021_44_38707
Silva, E. J. da, Rosa, D. M., Vendruscolo, J., & Cavalheiro, W. C. S. (2021). Potencial de
imagens do Sentinel-2 na estimativa da biomassa de Tectona grandis L.f. a Amazônia
Ocidental. Research, Society and Development, 10(11). https://doi.org/10.33448/rsd-
v10i11.19491
Singh, R. K., & Irmak, A. (2009). Estimation of Crop Coefficients Using Satellite Remote
Sensing. Journal of Irrigation and Drainage Engineering, 135(5), 597–608.
https://doi.org/10.1061/(asce)ir.1943-4774.0000052
Sousa, M. O. de, & Silva, J. R. M. da. (2011). Fundamentos Teóricos de Deteção Remota.
https://dspace.uevora.pt/rdpc/bitstream/10174/4822/1/Sebenta_DR_fundamentosTericos_201
1.pdf
Teles Branco, M (2018). A Obra de Rega do Vale Sorraia: da lógica inicial ao enquadramento
legal e económico atual. Instituto Superior de Agronomia.
Tangune, B. F., & Chimene, C. A. (2019). Efficiency of empirical methods for reference
evapotranspiration estimation in the district of Vilankulo, Mozambique. International Journal
of Water Resources and Environmental Engineering, 11(4), 76–82.
https://doi.org/10.5897/ijwree2018.0780
Utui, J., Macuácua, N., Amone, F., Mandlate, T., Boina, J., Raposo, V., Machav, C., Chefe, D.,
Cumbe, R., Muando, N., & Sandrinho, E. (2012). Estatísticas do Distrito de Vilankulo.
www.ine.gov.mz
Venancio, L. P., Filgueiras, R., & Mantovani, E. C. (2016). Estimativa do coeficiente de cultura
do milho com base no ndvi estimation of corn crop coefficient based in the ndvi. Inovagr,. pp
505-511. https://www.researchgate.net/publication/334466412
Willmott, C. J., Ackleson, S. G., Davis, R. E., Feddema, J. J., Klink, K. M., Legates, D. R.,
O’donnell, J., & Rowe, C. M. (1985) Statistics for evaluation and comparison of models.
Journal of Geophysical Research, 90(5), 8995–9005.
https://doi.org/10.1029/JC090iC05p08995
KC FAO
Fase 1 (20 dias) 2 (35 dias) 3 (40 dias) 4 (30 dias)
Mês Julho Agosto Setembro Outubro Novembro
Decêndio II III I II III I II III I II III I II
DAS 10 20 30 40 50 55 70 80 90 95 110 120 125
Kc 0,94 0,94 0,96 0,98 1,04 1,05 1,05 1,05 1,05 1,01 0,90 0,77 0,55
Data 14-jul 24-jul 29-jul 03-ago 08-ago 13-ago 18-ago 02-set 07-set
KcFAO 0,94 0,94 0,94 0,96 0,97 0,98 1,00 1,05 1,05
DAS 5 15 20 25 30 35 40 55 60
Data 12-set 17-set 22-set 27-set 02-out 07-out 12-out 17-out
KcFAO 1,05 1,05 1,05 1,05 1,05 1,05 1,01 0,97
DAS 65 70 75 80 85 90 95 100
I
Apêndice 5: Valores Médios de NDVIE
FASE DAS Data NDVI-espectrorradiômetro
25 03-Aug 0.290
30 08-Aug 0.300
35 13-Aug 0.350
II
40 18-Aug 0.350
50 28-Aug 0.430
55 02-Sep 0.480
60 07-Sep 0.490
65 12-Sep 0.470
70 17-Sep 0.490
75 22-Sep 0.500
III
80 27-Sep 0.490
85 02-Oct 0.380
90 07-Oct 0.360
95 12-Oct 0.390
IV 100 17-Oct 0.350
II
Apêndice 6: Gráficos de Dispersão de Regressão do Kc vs: A-NDVI, B-SAVI, C-PVI,
D-MSAVI, E-MSAVI2, F-GNDVI, G-MCARI, H-NDVIE
A B C
D E F
G H
0,5
Indices de Vegetacao
NDVI
0,4
SAVI
0,3 PVI
MSAVI
0,2
MSAVI2
0,1 GNDVI
0 MCARI
5 15 20 25 40 55 65 70 75 85 90 100
Dias
III
Apêndice 8: Gráfico de Comparação das Curvas de Kc e IVs
NDVI
0,8 SAVI
PVI
KC E IVS
0,6 MSAVI
MSAVI2
0,4 GNDVI
MCARI
KcFAO
0,2
NDVIE
0
5 15 20 25 40 55 65 70 75 85 90 100
DIAS
Call:
lm(formula = KCFAO ~ NDVI)
Coefficients:
(Intercept) NDVI
0.8718 0.3473
> summary(Regressão)
Call:
lm(formula = KCFAO ~ NDVI)
Residuals:
Min 1Q Median 3Q Max
-0.031677 -0.006095 -0.001416 0.002534 0.033040
Coefficients:
Estimate Std. Error t value Pr(>|t|)
IV
(Intercept) 0.87178 0.01591 54.802 9.92e-14 ***
NDVI 0.34733 0.03947 8.801 5.06e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.01792 on 10 degrees of freedom
Multiple R-squared: 0.8857, Adjusted R-squared: 0.8742
F-statistic: 77.45 on 1 and 10 DF, p-value: 5.058e-06
SAVI
Pearson's product-moment correlation
Call:
lm(formula = KCFAO ~ SAVI)
Coefficients:
(Intercept) SAVI
0.8752 0.5169
> summary(Regressão)
Call:
lm(formula = KCFAO ~ SAVI)
Residuals:
Min 1Q Median 3Q Max
-0.027705 -0.007512 -0.004773 0.000715 0.041440
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.87520 0.01736 50.416 2.28e-13 ***
SAVI 0.51691 0.06571 7.866 1.36e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
PVI
Pearson's product-moment correlation
data: KCFAO and PVI
t = 6.9926, df = 10, p-value = 3.749e-05
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.7069152 0.9751432
sample estimates:
cor
0.9111596
> Regressão = lm(KCFAO~PVI)
> Regressão
V
Call:
lm(formula = KCFAO ~ PVI)
Coefficients:
(Intercept) PVI
0.8784 1.2021
> summary(Regressão)
Call:
lm(formula = KCFAO ~ PVI)
Residuals:
Min 1Q Median 3Q Max
-0.025051 -0.010721 -0.005757 -0.000080 0.047737
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.87845 0.01905 46.107 5.55e-13 ***
PVI 1.20211 0.17191 6.993 3.75e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
MSAVI
Pearson's product-moment correlation
data: KCFAO and MSAVI
t = 7.5087, df = 10, p-value = 2.042e-05
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.7380824 0.9781517
sample estimates:
cor
0.9216046
Call:
lm(formula = KCFAO ~ MSAVI)
Coefficients:
(Intercept) MSAVI
0.8789 0.5741
> summary(Regressão)
Call:
lm(formula = KCFAO ~ MSAVI)
Residuals:
Min 1Q Median 3Q Max
-0.025985 -0.008832 -0.005291 0.000209 0.044254
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.87886 0.01771 49.616 2.67e-13 ***
MSAVI 0.57414 0.07646 7.509 2.04e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
VI
Multiple R-squared: 0.8494, Adjusted R-squared: 0.8343
F-statistic: 56.38 on 1 and 10 DF, p-value: 2.042e-05
MSAVI2
Pearson's product-moment correlation
Call:
lm(formula = KCFAO ~ MSAVI2)
Coefficients:
(Intercept) MSAVI2
0.8830 0.5311
> summary(Regressão)
Call:
lm(formula = KCFAO ~ MSAVI2)
Residuals:
Min 1Q Median 3Q Max
-0.025537 -0.008220 -0.005582 -0.000484 0.044373
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.88295 0.01728 51.106 1.99e-13 ***
MSAVI2 0.53106 0.07104 7.475 2.12e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
GNDVI
Pearson's product-moment correlation
Call:
lm(formula = KCFAO ~ GNDVI)
Coefficients:
(Intercept) GNDVI
0.7753 0.5785
VII
> summary(Regressão)
Call:
lm(formula = KCFAO ~ GNDVI)
Residuals:
Min 1Q Median 3Q Max
-0.037252 -0.005785 0.001343 0.009008 0.035806
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.77527 0.02969 26.109 1.56e-10 ***
GNDVI 0.57852 0.07364 7.856 1.38e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
MCARI
Pearson's product-moment correlation
Call:
lm(formula = KCFAO ~ MCARI)
Coefficients:
(Intercept) MCARI
0.9323 1.4671
> summary(Regressão)
Call:
lm(formula = KCFAO ~ MCARI)
Residuals:
Min 1Q Median 3Q Max
-0.040035 -0.008784 -0.003552 0.011268 0.039965
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.93228 0.01322 70.508 8.03e-15 ***
MCARI 1.46710 0.23114 6.347 8.38e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
NDVIESP
Pearson's product-moment correlation
VIII
data: KCFAO and NDVIESP
t = 5.488, df = 13, p-value = 0.0001043
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.5656887 0.9439096
sample estimates:
cor
0.835763
Call:
lm(formula = KCFAO ~ NDVIESP)
Coefficients:
(Intercept) NDVIESP
0.8568 0.4032
> summary(Regressão)
Call:
lm(formula = KCFAO ~ NDVIESP)
Residuals:
Min 1Q Median 3Q Max
-0.027950 -0.008108 -0.004392 0.000924 0.048018
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.85684 0.03043 28.155 4.9e-13 ***
NDVIESP 0.40316 0.07346 5.488 0.000104 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
IX