Departamento de Engenharia Rural

ESCOLA SUPERIOR DE DESENVOLVIMENTO RURAL
DEPARTAMENTO DE ENGENHARIA RURAL
Desenvolvimento de Modelo para Estimativa do Coeficiente de Cultura do

Milho com Base em Índices de Vegetação no Distrito de Vilankulo
Curso de Licenciatura em Engenharia Rural
Estela Eusébio Laquimane
Vilankulo, Setembro de 2023

Estela Eusébio Laquimane
Desenvolvimento de Modelo para Estimativa do Coeficiente de Cultura do

Milho com Base em Índices de Vegetação no Distrito de Vilankulo
Trabalho de Culminação de Curso

submetido no Departamento de
Engenharia Rural da Escola Superior de
Desenvolvimento Rural – Universidade
Eduardo Mondlane, para a obtenção do
grau de Licenciatura em Engenharia
Rural.
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.
Vilankulo, Setembro de 2023
(Estela Eusébio Laquimane)
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.
Prepara-se o cavalo para o dia da batalha, mas o Senhor é que dá a vitória

(Provérbios 21:31).
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
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.
Palavras-chave: Coeficiente de Cultura, Detecção Remota, Índices de Vegetação,

Vilankulo.
x
ABSTRACT
Daily determination of crop evapotranspiration by multiplying the reference
evapotranspiration by the crop coefficient is a very practical and accepted method for estimating
crop irrigation needs. Vegetation indices have been gaining greater applicability in obtaining
the crop coefficient, and their results achieve high precision when compared to field
observations. Given the above, this work aimed to estimate the value of the corn crop coefficient
based on vegetation indices. Sentinel-2 images were used without the presence of clouds during
the crop cycle, in an experiment conducted between the months of July and October 2022, in
an irrigated agricultural area of 0,39 ha, having extracted the average values of the Index
Normalized Difference Vegetation Index, Soil Adjusted Vegetation Index, Perpendicular
Vegetation Index, Modified Soil Adjusted Vegetation Index 1 and 2, Green Normalized
Difference Vegetation Index and Modified Chlorophyll Absorption Ratio Index and the
spectroradiometer was used for the seasonal values of the Normalized Difference Vegetation
Index, with this, eight regression models were generated to establish the relationship between
the indices and the crop coefficient data derived from the standardized method of the Food and
Agricultural Organization (FAO) - 56. The results obtained show that the best model for
determining the corn crop coefficient for the climatic conditions of Vilankulo is the Normalized
Difference Vegetation Index obtained from Sentinel-2, with a good fit, greater precision and
with a strong correlation with mean values of crop coefficient of 0,94, p-value of 0,05*10-4, R2
= 0,89 and low residual standard error of 0,02. Thus, it can be concluded that the model is very
reliable and can be a very useful tool for irrigation management purposes in the District of
Vilankulo.
Keywords: Crop Coefficient, Remote Sensing, Vegetation Index, Vilankulo.

xi
ÍNDICE
I. INTRODUÇÃO ..................................................................................................................... 1
1.1 Contextualização ............................................................................................................... 1
1.2 Problema da Pesquisa ........................................................................................................ 1
1.3 Justificativa ....................................................................................................................... 2
1.4 Objectivos da Pesquisa ...................................................................................................... 3
1.4.1 Objectivo geral ............................................................................................................. 3
1.4.2 Objectivos específicos .................................................................................................. 3
1.5 Hipóteses ........................................................................................................................... 3
II. REVISÃO DA LITERATURA ............................................................................................ 4

2.1 Milho ................................................................................................................................. 4
2.2 Necessidades de Rega ....................................................................................................... 4
2.3 Evapotranspiração ............................................................................................................. 5
2.3.1 Evapotranspiração de referência (ETo) ........................................................................ 5
2.3.2 Evapotranspiração da cultura (ETc) ............................................................................. 5
2.4 Coeficiente de Cultura (Kc) .............................................................................................. 5
2.5 Detecção Remota (DR) ..................................................................................................... 6
2.5.1 Comportamento espectral dos alvos ............................................................................. 6
2.5.2 Sensores ópticos ........................................................................................................... 6
2.5.3 Processamento de imagens ........................................................................................... 7
2.5.4 Aplicação da DR na agricultura ................................................................................... 7
2.5.5 Índices de vegetação radiométricos .............................................................................. 8
III. METODOLOGIA .............................................................................................................. 10

3.1 Descrição da Área de Estudo .......................................................................................... 10
3.1.1 Localização geográfica ............................................................................................... 10
3.1.2 Solos e clima .............................................................................................................. 10
3.2 Área Experimental .......................................................................................................... 11

3.2.1 Preparação do terreno ................................................................................................. 11
3.2.2 Implantação do sistema de rega.................................................................................. 12
3.2.3 Sementeira .................................................................................................................. 12
3.2.4 Adubação .................................................................................................................... 12
3.2.5 Rega ............................................................................................................................ 13
3.2.6 Controlo fitossanitário ................................................................................................ 13
3.3 Colecta de Dados............................................................................................................. 13
3.4 Processamento dos Dados ............................................................................................... 14
3.4.1 Evapotranspiração de referência ................................................................................ 14
3.4.2 Método de cálculo de Kc médio ................................................................................. 15
3.4.3 Pré-processamento das imagens de satélite ................................................................ 15
3.4.4 Selecção dos índices apropriados ............................................................................... 15
3.4.5 Processamento das imagens ....................................................................................... 15
3.4.6 Estimativa do KCNDVI usando os modelos de Singh e Imark (2009) e Kamble et al.
(2013) 15
3.4.7 Processamento dos dados de espectrorradiômetro para obtenção de NDVI .............. 16
3.4.8 Desenvolvimento de modelos de regressão Kc e IV .................................................. 16
3.5 Análise e interpretação dos dados ................................................................................... 16
IV. RSULTADOS E DISCUSSÃO ......................................................................................... 19

4.1 Resultados ....................................................................................................................... 19
4.1.1 Testagem dos modelos ............................................................................................... 19
4.1.2 Desenvolvimento de modelos pela relação Kc-IV ..................................................... 23
4.2 Discussão ........................................................................................................................ 26
4.2.1 Testagem dos modelos ............................................................................................... 26
4.2.2 Desenvolvimento de modelos pela relação Kc-IV ..................................................... 27
V. CONCLUSÃO E RECOMENDAÇÕES ............................................................................ 28

5.1 Conclusão ........................................................................................................................ 28
5.2 Recomendações ............................................................................................................... 28
VI. REFERÊNCIAS BIBLIOGRÁFICAS .............................................................................. 29

Desenvolvimento de Modelo para Estimativa do Coeficiente de Cultura do Milho com Base em Índices de
Vegetação no Distrito de Vilankulo
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.
1.2 Problema da Pesquisa

Um dos parâmetros ideais para estimava do consumo hídrico das culturas para o maneio
da irrigação é a ETc, todavia, uma das dificuldades é a obtenção de valores de Kc que sejam
Estela Eusébio Laquimane Página 1

condizentes com as condições da área de cultivo, as fases fenológicas, fisiológicas e demandas

hídricas da cultura correlacionando-as a ETo (Alves et al., 2017).
Embora a modelação do Kc em função dos IVs seja um método alternativo, os modelos
existentes não são generalizáveis, pois quando um modelo de estimativa de Kc é utilizado em
outras regiões sob condições climáticas diferentes pode resultar em estimativas erróneas da ETc
pela subestimação ou superestimação dos valores de Kc, uma vez que ETo representa o
consumo hídrico de referência para a região enquanto o Kc varia predominantemente de acordo
com as características específicas de cada cultura (Pereira, 2018).
A grande variabilidade dos valores do Kc torna evidente que o uso desses coeficientes de
maneira generalizada ocasionará erros nas estimativas de ETc e uma das alternativas para a
modelagem do Kc varia em função dos IVs. Na necessidade de se gerar um modelo para estimar
o Kc do milho para o Distrito de Vilankulo, dada a diversidade dos índices de vegetação surge
a seguinte pergunta de pesquisa:
Qual dos índices de vegetação apresenta uma melhor relação de estimativa do Kc na
cultura do milho baseando-se nas condições climáticas do 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.

1.4 Objectivos da Pesquisa

1.4.1 Objectivo geral
 Desenvolver um modelo para estimativa do coeficiente de cultura do milho com base
em índices de vegetação no Distrito de Vilankulo.
1.4.2 Objectivos específicos
 Testar os modelos de estimativa do coeficiente de cultura com base em índices de
vegetação de diferença normalizada propostos por Singh e Imark (2009) e Kamble et al.
(2013) no Distrito de Vilankulo;
 Gerar modelos de regressão linear para estimativa do coeficiente de cultura com base
em diferentes índices de vegetação para o Distrito de Vilankulo;
 Analisar os modelos para estimativa do coeficiente de cultura desenvolvidos para o
Distrito de Vilankulo.
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.

II. REVISÃO DA LITERATURA

2.1 Milho
O milho (Zea mays L.) tem origem no teosinto em México, há mais de 8000 anos e é
cultivada em muitas partes do Mundo incluindo a África. Na classificação botânica, o milho
pertence à ordem Gramineae, família Poaceae, tribu Maydeae, género Zea e espécie Zea mays
L (Barros & Calado, 2014).
A semente do milho que é classificada botanicamente como cariopse, apresenta três
partes: o pericarpo, o endosperma e o embrião. Quando as condições de temperatura e humidade
são favoráveis, a semente do milho germina em cinco ou seis dias com temperatura do solo
superior a 10ºC, sendo a óptima de 15ºC e na fase de desenvolvimento vegetativo e floração as
temperaturas óptimas variam de 24 a 30°C, sendo as superiores a 40°C, prejudiciais à cultura
(Magalhães et al., 2002).
Segundo (Barros & Calado, 2014), o milho tem raiz fasciculada podendo atingir uma
altura de dois metros e o seu porte variar em função da variedade da semente, das condições
climáticas, do fornecimento adequado de água à planta, das características e fertilidade do solo,
da disponibilidade de nutrientes, entre outros.
O caule do milho é um colmo erecto que suporta as folhas e partes florais, geralmente não
ramificado e apresentando nós e entrenós, os quais são esponjosos e relativamente ricos em
açúcar (Magalhães et al., 2002; Barros & Calado, 2014).
As plantas do milho são consideradas de folhas estreitas e inseridas alternadamente entre
nós, com o seu comprimento a ser muito superior que à largura e constituídas de uma bainha
invaginante, pilosa de cor verde-clara e limbo verde-escuro, possuindo bordas serrilhadas com
uma nervura central vigorosa (Magalhães et al., 2002).
O milho é uma cultura com grandes necessidades de água e para se obter uma produção
máxima de grãos em todo ciclo da cultura necessita de 500 a 800 mm de água, dependendo do
clima e solo (Barros & Calado, 2014; Sales et al., 2010).
2.2 Necessidades de Rega
Necessidades de água na cultura são definidas como a quantidade de água necessária para
satisfazer as perdas por evapotranspiração duma cultura e atingindo a produção potencial
máxima nas dadas condições ambientais (Alburqueque & Maeno, 2007), assim, para o
planeamento racional da irrigação é de fundamental importância o conhecimento da ETc e do
Kc durante os estágios de desenvolvimento (Silva et al., 2016).

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

dos efeitos de quatro características que as distinguem: a altura da cultura, a resistência do

dossel vegetativo, o albedo da superfície cultura-solo e a evaporação da água na superfície do
solo. Usando a Detecção Remota (DR) o Kc é obtido pela implementação em modelos de
estimativa que expressam a relação Kc-IV (Duchemin et al., 2006).
2.5 Detecção Remota (DR)
A DR é um conjunto de métodos que permite obter informação sobre a superfície terrestre
sem estar em contacto com esta, por meio de um sensor de Radiação Electromagnética (REM)
e a aquisição de imagens baseia-se no facto dos alvos espectrais reflectirem REM proveniente
do sol (Mailson, 2017).
2.5.1 Comportamento espectral dos alvos
A utilização eficiente da informação recolhida por DR exige o conhecimento tanto das
características espectrais dos diferentes tipos de cobertura da superfície terreste, assim como
dos factores que as condicionam (Sousa & Silva, 2011).
A medição da energia reflectida ou emitida pelos alvos à superfície terrestre ao longo de
diferentes comprimentos de onda permite construir a resposta espectral desse alvo e a
comparação dos padrões de resposta nos diferentes comprimentos de onda permite a sua
distinção (Silva, 2015).
2.5.2 Sensores ópticos
Os sensores ópticos instalados em plataformas espaciais medem a radiância dos objectos
da superfície terrestre adquirindo imagens formadas por pixéis e a informação registada para
cada elemento de área do terreno por banda espectral é um número inteiro proporcional a sua
radiância (Sousa & Silva, 2011).
As características de um sensor implicam geralmente quatro domínios de resolução,
sendo esses: resolução espectral, espacial, temporal e radiométrica (Lira, 2016).
Na DR o interesse reside na medição da radiação reflectida nos alvos feita através de
sensores transportados manualmente (espectrorradiômetros) ou em plataformas como aviões e
satélites como é o caso do satélite Sentinel-2 (Santos et al., 2021).
a) Sentinel-2
Usa o Sensor Multiespectral (MSI) que cobre 13 bandas espectrais com uma resolução
espacial de 10 m, 20 m e 60 m (Apêndice 1), onde cada banda corresponde uma imagem (Nakar,
2019).
Dois satélites Sentinel-2 idênticos (Sentinel-2A e Sentinel-2B) operam simultaneamente,
em fases a 180° entre si, em uma órbita sincronizada com o Sol a uma altitude média de 786

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).

2.5.5 Índices de vegetação radiométricos

Índices de vegetação radiométricos são medidas quantitativas que são obtidas pela
combinação de várias bandas espectrais, características que não são óbvias se usarmos apenas
uma banda (Costa & Seabra, 2022). Dentre os índices radiométricos fornecidos pela caixa de
ferramentas Sentinel-2 podemos verifica1 na Tabela 1:

Desenvolvimento de Modelo para Estimativa do Coeficiente de Cultura do Milho com Base em Índices de Vegetação no Distrito de Vilankulo
Tabela 1: Exemplos de Índices de Vegetação Radiométricos e suas Respectivas Equações.

Índice Nome Fórmula Referência
𝑁𝐼𝑅 − 𝑅
NDVI Índice de Vegetação por Diferença Normalizada 𝑁𝐷𝑉𝐼 = Rouse et al. (1974); Tucker (1979)
𝑁𝐼𝑅 + 𝑅
[(𝑁𝐼𝑅 − 𝑅)]
SAVI Índice de vegetação ajustado ao solo 𝑆𝐴𝑉𝐼 = (1 + 𝐿) Huete (1988)
[(𝑁𝐼𝑅 + 𝑅 + 𝐿)]
PVI Índice de Vegetação Perpendicular 𝑃𝑉𝐼 = sin(𝑎) × 𝑁𝐼𝑅 − cos(𝑎) × 𝑅 Richardson e Wiegand (1977)
(𝑁𝐼𝑅 − 𝑅)
MSAVI Índice de Vegetação Ajustado ao Solo Modificado 𝑀𝑆𝐴𝑉𝐼 = (1 + 𝐿) Qi et al. (1994)
(𝑁𝐼𝑅 + 𝑅 + 𝐿)
MSAVI2 Índice de Vegetação Ajustado ao Solo Modificado 2 2 × 𝑁𝐼𝑅 + 1 − 1√(2 × 𝑁𝐼𝑅 + 1) − 8 × (𝑁𝐼𝑅 − 𝑅) Qi et al. (1994)
𝑀𝑆𝐴𝑉𝐼2 =
2
(𝑁𝐼𝑅 − 𝐺)
GNDVI Índice de vegetação de diferença normalizada verde 𝐺𝑁𝐷𝑉𝐼 = Gitelson et al. (1996)
(𝑁𝐼𝑅 + 𝐺)
𝑅2
MCARI Índice da razão de absorção de Clorofila modificado 𝑀𝐶𝐴𝑅𝐼 = [(𝑅2 − 𝑅1) − 0.2 × (𝑅2 − 𝐺)] × ( ) Daughtry et al. (2000)
𝑅1
(𝑁𝐼𝑅 − 𝑟𝑏)
ARVI Índice de Vegetação Atmosférica Resistente 𝐴𝑅𝑉𝐼 = Kaufman e Tanre (1992)
(𝑁𝐼𝑅 + 𝑟𝑏)
𝑁𝐼𝑅
IPVI Índice de vegetação percentual infravermelho 𝐼𝑃𝑉𝐼 = Crippen (1990)
𝑁𝐼𝑅 + 𝑅
𝑁𝐼𝑅 − 𝑅1 Guyot e Baret (1988); Clevers et al.,
IRECI Índice de Clorofila de borda vermelha invertida 𝐼𝑅𝐸𝐶𝐼 = (2000)
𝑅2
𝑅3
MTCI Índice de Clorofila Terrestre MERIS 𝑀𝑇𝐶𝐼 = (𝑁𝐼𝑅 − 𝑅2)/(𝑅2 − 𝑅1) Dash e Curran (2004)
NDI45 Índice de Diferença Normalizada 𝑁𝐷𝐼45 = (𝑁𝐼𝑅 − 𝑅)/(𝑁𝐼𝑅 + 𝑅) Delegido et al. (2011b)
𝑁𝐼𝑅
PSSRa Razão Simples Específica do Pigmento 𝑃𝑆𝑆𝑅𝑎 = Blackburn (1998)
𝑅
REIP Índice de Ponto de Inflexão Red-Edge 𝑅𝐸𝐼𝑃 = 700 + 40 × ((𝑅1 + 𝑁𝐼𝑅)/2 − 𝑅2)/(𝑅3 − 𝑅2) Guyot et al. (1988)
RVI Índice de Taxa de Vegetação 𝑅𝑉𝐼 = 𝑁𝐼𝑅/𝑅 Autor desconhecido
Índice de Vegetação por Diferença Normalizada 𝑁𝐼𝑅 − 𝑅
TNDVI 𝑇𝑁𝐷𝑉𝐼 = 𝑠𝑞𝑟𝑡( + 0.5) (Senseman et al. 1996)
Transformada 𝑁𝐼𝑅 + 𝑅
𝑆 × (𝑁𝐼𝑅 × 𝑅 − 𝐴) Baret et al. (1989); Baret e Guyot
TSAVI Índice de Vegetação Ajustada ao Solo Transformado 𝑇𝑆𝐴𝑉𝐼 =
(𝑆 × 𝑁𝐼𝑅 + 𝑅 − 𝐴 × 𝑆 + 𝑋 × (1 + 𝑆 × 𝑆) (1991)
WDVI Índice de Vegetação por Diferença Ponderada 𝑊𝐷𝑉𝐼 = 𝑁𝐼𝑅 − 𝑔 × 𝑅 Clevers (1988).
Fonte: Adaptado de SNAP ESA - help contents
Estela Laquimane Página 9

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).
Figura 1: Localização do Distrito de Vilankulo
Fonte: Autora (2023), elaborado no QGIS.
3.1.2 Solos e clima

No Distrito de Vilankulo predominam os solos arenosos (58 % da área total do Distrito),
seguido dos solos argilosos vermelhos (22%), solos de mananga (15 %), e os solos de
sedimentos marinhos estuarinos (5%). As restantes tipologias não têm expressão significativa
(Impacto, 2012).
O clima do Distrito de Vilankulo é classificado como tropical seco de savana, no interior,
e húmido, à medida que se caminha para a costa, com duas estações: a quente ou chuvosa que
vai de Outubro a Março e a fresca que vai de Abril a Setembro. A zona do interior do Distrito
apresenta uma precipitação média anual de 1000 a 1200 mm com temperaturas elevadas que
provocam deficiência de água (MAE, 2014).

3.2 Área Experimental

O ensaio foi realizado no campus da Escola Superior de Desenvolvimento Rural
(ESUDER) situado no Bairro 5o congresso zona em Expansão a 5 km da Cidade de Vilankulo,
podendo ser localizado geograficamente nas coordenadas latitude -21,9919868S; longitude
35,2718552E, como ilustra a Figura 2.
Figura 2: Localização da Área de Estudo

Fonte: Autora (2023), extraído do Google Earth.
O experimento ocorreu no período de 28 de Abril a 17 de Outubro de 2022, numa área de
129 m X 30 m, equivalente a 0,39 ha.
O tipo de solo na área é classificado como franco arenoso (Ngungulu et al., 2019) e a
cultura instalada é a de milho (Zea mays) com sistema de irrigação gota-á-gota com fita de rega.
3.2.1 Preparação do terreno
A preparação do terreno iniciou-se no dia 28 de Abril de 2022, com a delimitação do
terreno com uso de fita métrica, onde foram feitas medidas de 135 m de comprimento e 50 m
de largura. Seguiu-se a limpeza do campo (desmatamento) por meio de operações manuais
(Figura 3) e após a limpeza foi feita à medição da área para a implantação da cultura: 129 m X
30 m, e a demarcação dos sulcos com espaçamento de 1 m com largura de 30 m.

Figura 3: Limpeza do Campo

Fonte: Autora (2022)
3.2.2 Implantação do sistema de rega
Foi instalado um sistema de irrigação gota-á-gota com fita de rega apresentando uma
distância entre emissores (gotejadores) de 30 cm abastecendo um caudal médio de 270 ml/h
(1,6 mm), tendo-se usado a proveta graduada para a medição da eficiência dos emissores como
ilustram as Figuras 4 e 5.
Figura 4: Medição do Caudal dos Gotejadores Figura 5: Proveta Graduada

Fonte: Autora (2022) Fonte: Autora (2022)
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.
Figura 6: Insecticida Belt

Fonte: Autora (2022)
3.3 Colecta de Dados

Foram marcados quatro pontos (Figura 7) amostrais usando GPS Gramin com distância
de 20m entre eles e 15m entre as laterais (pontos centrais) nas coordenadas:
 Ponto 1 (35,268888E; -21,99S);
 Ponto 2 (35,269166E -21,9902777S);
 Ponto 3 (35,269444E; -21,9902777S);
 Ponto 4 (35,269722E; -21,9902777S).
Para a monitorização contínua das variáveis (IVs) através de imagens de satélite Sentinel-
2 e nos mesmos pontos eram colhidas as reflectâcias das folhas nas datas de passagem do
satélite usado espectrorradiômetro calibrado para colher comprimentos de onda de 236 a 1100
nm.
Baixou-se 27 imagens do Sentinel-2 correspondentes ao período em que a cultura estava
no campo com nível de processamento 2A pertencentes a órbita 400 e folha 49, adquiridas no
site do Programa de Observação da Terra da Comissão Europeia (Copernicus), que passaram
por um pré-processamento no SNAP da ESA onde através das coordenadas do campo foi

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).
Figura 7: Ponto 4 de Colecta de Dados

Fonte: Autora (2022).
3.4 Processamento dos Dados

3.4.1 Evapotranspiração de referência
Os valores de ETo usados neste estudo foram estimados no CROPWAT 8.0, usando a
equação da FAO Penman-Monteith:
900
0.408∆(𝑅𝑛 −𝐺)+𝛾 𝑢 (𝑒 −𝑒𝑎 )
𝑇+273 2 𝑠
𝐸𝑇𝑜 = (1)
∆+𝛾(1+0.34𝑢2 )
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].

3.4.2 Método de cálculo de Kc médio

O Kc médio do milho foi obtido a partir de valores representativos dos principais estágios
fenológicos (1,3 e 4) propostos por Allen et al. (1998) no boletim 56 da FAO admitindo uma
situação em que humidade relativa é maior que 70% e velocidade do vento está abaixo de 5 m/s
para as fases três e quatro e para a fase um foi tomado em conta o intervalo de rega dois dias e
a ETo.
Tendo os valores médios de Kc, estes foram interpolados para se ter os valores médios de
outras datas (disponível no Apêndice 2 e 3).
3.4.3 Pré-processamento das imagens de satélite
Consistiu na selecção de imagens sem presença de nuvens na área de estudo, que foi
possível identificar mediante uma mascara de cores naturais (RGBRed-Green-Blue) feita no
SNAP, para tal, as imagens foram recortadas e redimensionadas para 10 m nas coordenadas -
21,983N; 35,258W; -22,003S; 35,293E; para permitir uma boa visibilidade da área de interesse
e com esse critério foi possível obter 12 imagens ao longo do ciclo.
3.4.4 Selecção dos índices apropriados
Os índices foram seleccionados aleatoriamente com vista a avaliar qual deles oferece
melhor estimativa do Kc, com a excepção do NDVI que já vem sendo utilizados para estimar o
Kc comumente em outros estudos (Gomes et al., 2019; Oliveira et al., 2016; Kamble et al.,
2013), uma vez que os índices radiométricos apresentam uma curva similar a do Kc.
3.4.5 Processamento das imagens
As imagens obtidas após o pré-processamento, foram processadas usando a ferramenta
Thematic Land processing do SNAP onde após calcular os índices foram usados dados
vectoriais (coordenadas dos pontos de recolha de dados) para ter os valores dos pixéis
correspondentes fazendo-se de seguida a média dos quatro pontos para se ter um único valor
representativo do campo para cada imagem em cada índice. As equações usadas para o cálculo
dos índices estão dispostas na Tabela 1.
3.4.6 Estimativa do KCNDVI usando os modelos de Singh e Imark (2009) e Kamble et al.
(2013)
O Kc foi estimado pela alimentação das equações 2 e 3 com valores de NDVI e NDVIE
propostas respectivamente por Kamble et al (2013) e Singh e Imark (2009), com vista a testar
a aplicabilidade desses nessa pesquisa.
𝐾𝑐 = 1.317 × 𝑁𝐷𝑉𝐼 + 0.023 (2)
𝐾𝑐 = 0.8573 × 𝑁𝐷𝑉𝐼 + 0.2117 (3)

3.4.7 Processamento dos dados de espectrorradiômetro para obtenção de NDVI

Os dados de reflectância das plantas foram processados no MS-Office Excel e calibrados
com os valores de Fc onde foram seleccionados e extraídas médias das leituras dos
comprimentos de onda correspondentes ao Sentinel-2 para a bandas 4 (650-678 nm) e banda 8
(779-891 nm) e posteriormente calculado o NDVI a partir da equação extraída na Tabela 1 e
multiplicado pela Fc.
3.4.8 Desenvolvimento de modelos de regressão Kc e IV
Para desenvolver as relações Kc-IV foram usados dados de KcFAO e valores dos índices
seleccionados usando uma regressão linear simples do tipo:
𝐾𝑐 = 𝑎 × í𝑛𝑑𝑖𝑐𝑒 + 𝑏 (4)
Onde: a- Inclinação da regressão (coeficiente angular),
b- intercepto.
3.5 Análise e interpretação dos dados
Para a validação dos modelos propostos por Singh e Imark (2009) e Kamble et al. (2013)
esses foram comparados com o método de estimativa padrão da FAO com recurso ao
Agrimetsoft e R-studio conforme a metodologia proposta por Allen e Asce (1986), a qual se
fundamenta na avaliação:
Do desempenho dos modelos: pela correlação dos valores estimados pelo método padrão
FAO e os valores estimados pelos modelos propostos, atentando para o Erro padrão de
Estimativa (EPE), Erro Quadrado Médio (EQM), Raiz do Erro Quadrado Médio (RMSE) e Erro
Médio Absoluto (EMA) em que quanto mais próximos de zero forem esses valores, melhor o
modelo de previsão.
Um modelo de previsão perfeito teria a raiz do EQM igual a zero. O desempenho do
modelo também foi avaliado utilizando-se o Índice de Confiança “c” (equação 5) proposto por
Camargo e Sentelhas (1997). O coeficiente “c” é interpretado segundo a Tabela 2.
Tabela 2: Classificação do índice de Confiança
Índice de Confiança (c) Classificação

> 0,85 Muito bom
0,76 < c ≤ 0,85 bom
0,60 < c ≤0,76 mediano
0,50 < c ≤ 0,60 sofrível
0,40 < c ≤ 0,50 mau
c ≤ 0,40 Péssimo
Fonte: Autora, adaptado de Camargo e Sentelhas (1997).

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.

E isso justifica o coeficiente de correlação/Pearson que mede a força da relação entre o

modelo e a variável dependente e pode ser interpretado dentro dos seguintes intervalos:
Tabela 3: Critérios para Interpretação do Coeficiente de Pearson.
Coeficiente de Pearson Correlação

> 0.9 Muito forte
0.7 < p ≤ 0.9 Forte
0.5 < p ≤ 0.7 Moderada
0.3 < p ≤ 0.5 Fraca
0 < p ≤ 0.3 Desprezível
Fonte: Autora, adaptado de Mariano (2022)
O coeficiente angular: indica a natureza da correlação entre as variáveis do modelo,
quando positivo justifica uma correlação positiva entre as variáveis, aumentando uma unidade
da variável independente mantendo as outras variáveis constantes, a média da variável
dependente vai aumentar x (valor do coeficiente angular) vezes, o contrário vai acontecer se o
sinal for negativo justificando a correlação negativa.
O coeficiente de determinação/R2: que informa sobre a proporção da variabilidade na
variável dependente que o modelo consegue explicar quando o valor for próximo de um,
justifica que a maior parte da variância dos valores encontrada pelos IVs é explicada através
dos valores obtidos pelo modelo.

IV. RSULTADOS E DISCUSSÃO

4.1 Resultados
4.1.1 Testagem dos modelos
Os resultados dos valores médios de NDVI e NDVIE relativos aos Dias Apos a
Sementeira (DAS) podem ser observadas nos Apêndices 4 e 5 respectivamente e observa-se
que há uma variação dos valores de NDVI com o desenvolvimento da cultura tanto para os
dados obtidos pelo Sentinel-2 assim como pelo espectrorradiômetro, tendo seus valores
máximos de 0,56 e 0,50 respectivamente nos meados da fase III aos 75 DAS, e essa variação
do NDVI ao longo do ciclo pode ser observada na Figura 8.
05 DAS 15 DAS 20 DAS 25 DAS 40 DAS
55 DAS 65 DAS 70 DAS 75 DAS 85 DAS
90 DAS 100 DAS
Figura 8: Mapa Espacial da Evolução do NDVI para os Diferentes DAS

Na Tabela 6 são apresentados os valores estatísticos usados para verificar o desempenho
dos modelos de estimativa de Kc de Singh e Imark (2009) e Kamble et al. (2013) em relação
ao método padrão da FAO e os valores de Kc estimados através dos modelos alimentados com
NDVI e NDVIE e os estimados pelo método padrão FAO usados para a comparação dos
métodos, estão ilustrados nas Tabelas 4 e 5.

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
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

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.
Índice Equações r d c Classificação EMA EPE EQM RMSE R2

Singh e Imark 0,94 0,11 0,10 Péssimo 0,48 0,52 0,25 0,50 0,89
NDVI Kamble et al. 0,94 0,09 0,08 Péssimo 0,47 0,49 0,22 0,47 0,89
Singh e Imark 0,84 0,05 0,04 Péssimo 0,46 0,48 0,22 0,47 0,70
NDVIE Kamble et al. 0,84 0,03 0,03 péssimo 0,46 0,48 0,21 0,46 0,70
Legenda: Coeficiente de correlação de Person (r), índice de concordância (d), índice de confiança ou
desempenho (c), erro médio absoluto (EMA), erro padrão de estimativa (EPE), erro quadrado médio (EQM), raiz
do erro quadrado médio (RMSE), coeficiente de determinação (R 2), Índice de vegetação de diferença
normalizada obtido por imagens sentinel (NDVI), Índice de vegetação de diferença normalizada obtido pelo
Espectrorradiômetro (NDVIE).
Observa-se pela Tabela 6 que os modelos revelaram um péssimo desempenho e quase

nenhuma exactidão face ao padrão KcFAO mesmo apresentando uma boa precisão de
estimativa.
É possível observar na Figura 9 o comportamento dos gráficos gerados pelas estimativas
dos modelos alimentados com NDVI e NDVIE em relação ao padrão FAO-56.
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.
Data DAS NDVI SAVI PVI MSAVI MSAVI2 GNDVI MCARI

14.07.2022 05 0,20 0,12 0,05 0,11 0,11 0,30 0,01
24.07.2022 15 0,20 0,14 0,06 0,12 0,12 0,29 0,01
29.07.2022 20 0,22 0,14 0,06 0,12 0,13 0,29 0,01
03.08.2022 25 0,25 0,16 0,07 0,14 0,14 0,31 0,02
18.08.2022 40 0,36 0,25 0,11 0,23 0,23 0,37 0,04
02.09.2022 55 0,51 0,34 0,15 0,30 0,32 0,46 0,08
12.09.2022 65 0,53 0,35 0,15 0,31 0,33 0,47 0,09
17.09.2022 70 0,52 0,35 0,15 0,31 0,32 0,48 0,07
22.09.2022 75 0,56 0,37 0,15 0,32 0,34 0,52 0,10
02.10.2022 85 0,44 0,28 0,11 0,24 0,25 0,44 0,06
07.10.2022 90 0,42 0,26 0,10 0,22 0,23 0,41 0,05
17.10.2022 100 0,37 0,24 0,10 0,20 0,21 0,40 0,05
Observando os gráficos de resíduos das regressões (Figura 10 a 17), podemos notar

que o modelo com base no NDVI (Figura 10) fornece um melhor ajuste, seguido do modelo
com base no SAVI (Figura 11) com pontos mais próximos das linhas de regressão ao longo
dos gráficos residuais.

Figura 10: Gráficos Residuais KCFAO-NDVI Figura 1: Gráficos Residuais KCFAO-SAVI
Figura 2: Gráficos Residuais KCFAO-PVI Figura 13: Gráficos Residuais KCFAO-MSAVI
Figura 14: Gráficos Residuais KCFAO-MSAVI2 Figura 15: Gráficos Residuais KCFAO-GNDVI

Figura 16: Gráficos Residuais KCFAO-MCARI Figura 3: Gráficos Residuais KCFAO-NDVIE
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).

Tabela 8: Resultados Estatísticos das Regressões
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
Os modelos de estimativa de Kc gerados a partir dos coeficientes fornecidos pelas

regressões (Tabela 8) estão apresentados nas Equações 5 a 12. Foram desenvolvidas 8 equações
de regressão linear simples, uma para cada IV seleccionado.
(5)
KcNDVI=0,8718+0,3473∗NDVI
(6)
KcSAVI=0,8752+0,5169∗SAVI
(7)
KcPVI=0,8784+1,2021∗PVI
(8)
KcMSAVI=0,87886+0,57414∗MSAVI
(9)
KcMSAVI2=0,8829+0,531∗MSAVI2
(10)
KcGNDVI=0,7753+0,5785∗GNDVI
(11)
KcMCARI=0,9322+1,4671∗MICARI
(12)
KcNDVIE=0,8568+0,40312∗NDVIE
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.

Os modelos testados apresentaram um péssimo desempenho com c = (0,03-0,10) e r =

(0,84-0,94) devido aos valores de d = (0,03-0,11) e para Souza (2016) o (c = 0,77 e r = 0,96)
reflectiu num desempenho muito bom devido ao d = 0,81, segundo este autor, modelos com
boa precisão reflectirão em desempenhos menores se tiverem baixos valores de “d”.
4.2.2 Desenvolvimento de modelos pela relação Kc-IV
O presente trabalho mostra que os índices de vegetação radiométricos conseguiram
discriminar as diferentes fases de desenvolvimento das plantas, o que foi possível constatar
diante das similaridades observadas nas curvas dos IVs e Kc (Apêndice 7 e 8), fato que leva
(Duchemin et al., 2006; Kamble et al., 2013) a afirmarem que os IVs derivados de imagens de
satélite são uma grande alternativa para modelagem do Kc, uma vez que os IVs conseguem
captar as variações pontuais das culturas.
Os modelos gerados nesta pesquisa apresentaram forte correlação R2 = (0,89-0,80) com
excepção do NDVIE que teve uma correlação moderada com R2 = 0,70. Os melhores resultados
foram obtidos pelo modelo gerado com base no NDVI (R2 = 0,89) valores próximos obtidos
por Singh e Imark (2009) R2 = 0,74 e Kamble et al., (2013) R2 = (0,92 e 0,90), para Bezerra et
al. (2010) modelos com esses valores são considerandos de precisão satisfatória e aceitável,
verificando-se a viabilidade da utilização desse modelo.
Segundo Mailson (2017) e Gomes (2019) ainda que a diferença estatística entre dois ou
mais modelos não seja muito distinta o modelo que apresentar melhores resultados na sua
generalidade tem maior fiabilidade.

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.

VI. REFERÊNCIAS BIBLIOGRÁFICAS

Albuquerque, P. E. P. de, & Maeno, P. (2007). Requerimento de água das culturas para fins de
dimensionamento e manejo de sistemas de irrigação localizada. www.cnpms.embrapa.br
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
Avilez, A. M. A., Hernandez, F. B. T., Galvão, Í. M., & Teixeira, A. H. de C. (2020).

Determinação dos coeficientes de cultivo e a evapotranspiração real da cana-de-açúcar com o
uso do modelo SAFER. Agrometeoros, 28(2). https://doi.org/10.31062/agrom.v28.e026831
Barros, J. F. C., & Calado, J. G. (2014). A Cultura do Milho.

https://dspace.uevora.pt/rdpc/handle/10174/10804
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
Camargo, A. P., & Sentelhas, P. C. (1997) Avaliação do desempenho de diferentes métodos de

estimativa da evapotranspiração potencial no Estado de São Paulo, Brasil. Revista Brasileira
de Agrometeorologia, 5(1), 89–97.
http://www.leb.esalq.usp.br/agmfacil/artigos/artigos_sentelhas_1997/1997_RBAgro_5(1)_89-
97_ETPM%E9todosSP.pdf
Costa, E. de C. P., & Seabra, V. da S. (2022). Avaliação de índices radiométricos para

classificação da arborização em ambiente urbano.
https://editorarealize.com.br/editora/anais/enanpege/2021/TRABALHO_COMPLETO_EV15
4_MD1_SA131_ID314113102021101848.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

EMBRAPA- Empresa Brasileira de Pesquisa Agropecuária (2020). SENTINEL - Missão

Sentinel https://www.embrapa.br/satelites-de-monitoramento/missoes/sentinel
Fontes, P. H. D. V. C. A. (2021). Evapotranspiração, coeficientes de cultura e eficiência no

uso da água na cultura do milho. Universidade Estadual Paulista “Júlio De Mesquita Filho”
https://www.feis.unesp.br/Home/departamentos/fitossanidadeengenhariaruralesolos715/irriga
cao5868/tcc_pedro_rev_final_3.pdf
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
Gomes, M. D. de A. (2019). Coeficiente de cultivo para a videira com base no índice de

vegetação por diferença normalizada obtido com uso de VANT Crop coefficient for a vine
based on normalized difference vegetation index using UAV.
http://hdl.handle.net/11449/183600
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
Kersten, D. S. (2018). Estimativa da demanda hídrica da cultura do milho irrigado no sul do

brasil utilizando imagens orbitais e kc dual. https://repositorio.ufsm.br/handle/1/15638
MAE-Ministério de Administração Estatal. (2014). Perfil do Distrito de Vilankulo.

https://www.portaldogoverno.gov.mz/por/content/download/2948/23792/version/1/file/Vilank
ulo.pdf
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
Mailson, F. D. O. (2017). Modelos de predição de produtividade da cultura do milho por meio

de ndvi em arranjos espaciais.
https://repositorio.unesp.br/bitstream/handle/11449/151597/oliveira_mf_me_jabo.pdf?sequen
ce=3
Mariano, D. (2022) Análise de Correlação – Correlação de Pearson.

https://diegomariano.com/analise-de-correlacao/

Menenses, P. R., Almeida, T., Baptista, G. M. M. (2020) Medida da reflectância com os

espectrorradiômetros. In Reflectância Dos Materiais Terrestres.
https://www.ofitexto.com.br/comunitexto/medida-da-reflectancia-com-os-
espectrorradiometros/
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
Oliveira, L. S. S. (2019). Índice espectral de vegetação e fertilidade do solo na cultura de cana-

de-açúcar.
https://repositorio.unesp.br/bitstream/handle/11449/190790/oliveira_lss_me_jabo_int.pdf?seq
uence=6
Pereira, R. de A. A. (2018). Balanço de energia, consumo hídrico e coeficiente de cultivo do

trigo no sudeste brasileiro Piracicaba. Universidade de São Paulo.
https://www.teses.usp.br/teses/disponiveis/11/11152/tde-13112018-
170419/publico/Rodolfo_Armando_de_Almeida_Pereira_versao_revisada.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

mateus – ES. Enciclopédia Biosfera, 13(23), 598–609.

https://doi.org/10.18677/enciclopedia_biosfera_2016_053
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
Sena, C. C. R. (2021). Uso do sensoriamento remoto para a estimativa da evapotranspiração

atual e diagnóstico do manejo da irrigação da cultura do tomate industrial em goiás Goiânia-
GO Brasil. https://repositorio.bc.ufg.br/tede/bitstream/tede/11361/3/Tese%20-
%20Carolina%20Carvalho%20Rocha%20Sena%20-%202021.pdf
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
Silva, L. M. M. M. da. (2015). Caracterização de culturas para controlo agrícola através de

análise multitemporal de imagens de satélite.
https://repositorio.ul.pt/bitstream/10451/20670/1/ulfc115866_tm_Lu%C3%ADsa_da_Silva.p
df
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
Sitoe, T. A. (2010). Diversificação Produtiva e de Atividades de Geração de Renda: Uma

Análise da Produção Hortícola no Cinturão Verde da Cidade de Maputo Região Sul de
Moçambique. In Universidade Federal.
https://www.lume.ufrgs.br/bitstream/handle/10183/36849/000817158.pdf?sequence=1
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
Souza, J. M. F. (2016). Aplicação do algoritmo SAFER na obtenção da evapotranspiração atual

das culturas em condições de Cerrado.
https://repositorio.bc.ufg.br/tede/handle/tede/6469?mode=full
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

Uamusse, M. A. (2015). Avaliação dos determinantes da oferta de milho no Distrito de Boane

nos períodos compreendidos entre 2004-2013.
http://monografias.uem.mz/jspui/handle/123456789/2498
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
Vilar, P. M. do C. (2015). Utilização de Imagens de Deteção Remota para Monitorização das

Culturas e Estimação das Necessidades de Rega.
https://repositorio.ul.pt/bitstream/10451/20677/1/ulfc114277_tm_Pedro_Vilar.pdf
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

Apêndices
Apêndice 1: Dados das Bandas Espectrais Sentinel-2
Sentinel-2A Sentinel-2B
Número Largura Largura
Comprimento Comprimento Resolução
Sensor da Nome da banda de de
de onda de onda (metros)
banda banda banda
central (nm) central (nm)
(nm) (nm)
MSI 1 Aerossol costeiro 443,9 20 442,3 20 60
MSI 2 Azul 496,6 65 492,1 65 10
MSI 3 Verde 560,0 35 559 35 10
MSI 4 Vermelho 664,5 30 665 30 10
Borda Vermelha da
MSI 5 703,9 15 703,8 15 20
Vegetação
Borda Vermelha da
MSI 6 740,2 15 739,1 15 20
Vegetação
Borda Vermelha da
MSI 7 782,5 20 779,7 20 20
Vegetação
MSI 8 NIR 835,1 115 833 115 10
MSI 8b Narrow NIR 864,8 20 864 20 20
MSI 9 Vapor d'água 945,0 20 943,2 20 60
MSI 10 SWIR-Cirrus 1373,5 30 1376,9 30 60
MSI 11 SWIR 1613,7 90 1610,4 90 20
MSI 12 SWIR 2202,4 180 2185,7 180 20
Apêndice 2: Valores Médios de Kc
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
Apêndice 3: Valores Médios de Kc para as Datas em Estudo.
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
Apêndice 4: Valores Médios de NDVI

NDVI- NDVI-
Fase DAS Data Fase DAS Data
Sentinel Sentinel
5 14.07.2022 0.198 65 12.09.2022 0.530
I 15 24.07.2022 0.203 70 17.09.2022 0.524
20 29.07.2022 0.216 III 75 22.09.2022 0.561
25 03.08.2022 0.248 85 02.10.2021 0.436
II 40 18.08.2022 0.358 90 07.10.2022 0.418
55 02.09.2022 0.508 IV 100 17.10.2022 0.374
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
Apêndice 7: Similaridades nas Curvas dos IVs
Similaridades nas Curvas dos IVs

0,6
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
Comparação das Curvas de Kc e IVs

1,2
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
Apêndice 9: Script das Regressões lineares

NDVI
Pearson's product-moment correlation
data: KCFAO and NDVI

t = 8.8008, df = 10, p-value = 5.058e-06
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.7984051 0.9837020
sample estimates:
cor
0.9410925
> Regressão = lm(KCFAO~NDVI)

> Regressão
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
data: KCFAO and SAVI

t = 7.8665, df = 10, p-value = 1.364e-05
0.7570623 0.9799357
sample estimates:
cor
0.9278377
> Regressão = lm(KCFAO~SAVI)

> Regressão
Call:
lm(formula = KCFAO ~ SAVI)
Coefficients:
(Intercept) SAVI
0.8752 0.5169
Call:
lm(formula = KCFAO ~ SAVI)
Residuals:
-0.027705 -0.007512 -0.004773 0.000715 0.041440
Coefficients:
(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
data: KCFAO and PVI
t = 6.9926, df = 10, p-value = 3.749e-05
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
Call:
lm(formula = KCFAO ~ PVI)
Residuals:
-0.025051 -0.010721 -0.005757 -0.000080 0.047737
Coefficients:
(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
data: KCFAO and MSAVI
t = 7.5087, df = 10, p-value = 2.042e-05
0.7380824 0.9781517
sample estimates:
cor
0.9216046
> Regressão = lm(KCFAO~MSAVI)

> Regressão
Call:
lm(formula = KCFAO ~ MSAVI)
Coefficients:
(Intercept) MSAVI
0.8789 0.5741
Call:
lm(formula = KCFAO ~ MSAVI)
Residuals:
-0.025985 -0.008832 -0.005291 0.000209 0.044254
Coefficients:
(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
MSAVI2
data: KCFAO and MSAVI2

t = 7.4751, df = 10, p-value = 2.123e-05
0.7361958 0.9779724
sample estimates:
cor
0.9209798
> Regressão = lm(KCFAO~MSAVI2)

> Regressão
Call:
lm(formula = KCFAO ~ MSAVI2)
Coefficients:
(Intercept) MSAVI2
0.8830 0.5311
Call:
lm(formula = KCFAO ~ MSAVI2)
Residuals:
-0.025537 -0.008220 -0.005582 -0.000484 0.044373
Coefficients:
(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
data: KCFAO and GNDVI

t = 7.8556, df = 10, p-value = 1.381e-05
0.7565129 0.9798846
sample estimates:
cor
0.9276586
> Regressão = lm(KCFAO~GNDVI)

> Regressão
Call:
lm(formula = KCFAO ~ GNDVI)
Coefficients:
(Intercept) GNDVI
0.7753 0.5785
VII
Call:
lm(formula = KCFAO ~ GNDVI)
Residuals:
-0.037252 -0.005785 0.001343 0.009008 0.035806
Coefficients:
(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
data: KCFAO and MCARI

t = 6.3471, df = 10, p-value = 8.383e-05
0.6603897 0.9704605
sample estimates:
cor
0.8950634
> Regressão = lm(KCFAO~MCARI)

> Regressão
Call:
lm(formula = KCFAO ~ MCARI)
Coefficients:
(Intercept) MCARI
0.9323 1.4671
Call:
lm(formula = KCFAO ~ MCARI)
Residuals:
-0.040035 -0.008784 -0.003552 0.011268 0.039965
Coefficients:
(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
VIII
data: KCFAO and NDVIESP
t = 5.488, df = 13, p-value = 0.0001043
0.5656887 0.9439096
sample estimates:
cor
0.835763
> Regressão = lm(KCFAO~NDVIESP)

> Regressão
Call:
lm(formula = KCFAO ~ NDVIESP)
Coefficients:
(Intercept) NDVIESP
0.8568 0.4032
Call:
lm(formula = KCFAO ~ NDVIESP)
Residuals:
-0.027950 -0.008108 -0.004392 0.000924 0.048018
Coefficients:
(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

F-statistic: 30.12 on 1 and 13 DF, p-value: 0.0001043
IX

Departamento de Engenharia Rural

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Departamento de Engenharia Rural

Enviado por

Direitos autorais:

Formatos disponíveis

ESCOLA SUPERIOR DE DESENVOLVIMENTO RURAL

DEPARTAMENTO DE ENGENHARIA RURAL

Desenvolvimento de Modelo para Estimativa do Coeficiente de Cultura do

Curso de Licenciatura em Engenharia Rural

Estela Eusébio Laquimane

Vilankulo, Setembro de 2023

Desenvolvimento de Modelo para Estimativa do Coeficiente de Cultura do

Trabalho de Culminação de Curso

Vilankulo, Setembro de 2023

(Estela Eusébio Laquimane)

Prepara-se o cavalo para o dia da batalha, mas o Senhor é que dá a vitória

Palavras-chave: Coeficiente de Cultura, Detecção Remota, Índices de Vegetação,

Keywords: Crop Coefficient, Remote Sensing, Vegetation Index, Vilankulo.

1.2 Problema da Pesquisa ........................................................................................................ 1

1.3 Justificativa ....................................................................................................................... 2

1.4 Objectivos da Pesquisa ...................................................................................................... 3

1.4.1 Objectivo geral ............................................................................................................. 3

1.4.2 Objectivos específicos .................................................................................................. 3

1.5 Hipóteses ........................................................................................................................... 3

II. REVISÃO DA LITERATURA ............................................................................................ 4

2.2 Necessidades de Rega ....................................................................................................... 4

2.3 Evapotranspiração ............................................................................................................. 5

2.3.1 Evapotranspiração de referência (ETo) ........................................................................ 5

2.3.2 Evapotranspiração da cultura (ETc) ............................................................................. 5

2.4 Coeficiente de Cultura (Kc) .............................................................................................. 5

2.5 Detecção Remota (DR) ..................................................................................................... 6

2.5.1 Comportamento espectral dos alvos ............................................................................. 6

2.5.2 Sensores ópticos ........................................................................................................... 6

2.5.3 Processamento de imagens ........................................................................................... 7

2.5.4 Aplicação da DR na agricultura ................................................................................... 7

2.5.5 Índices de vegetação radiométricos .............................................................................. 8

III. METODOLOGIA .............................................................................................................. 10

3.1.1 Localização geográfica ............................................................................................... 10

3.1.2 Solos e clima .............................................................................................................. 10

3.2 Área Experimental .......................................................................................................... 11

3.2.2 Implantação do sistema de rega.................................................................................. 12

3.2.3 Sementeira .................................................................................................................. 12

3.2.4 Adubação .................................................................................................................... 12

3.2.5 Rega ............................................................................................................................ 13

3.2.6 Controlo fitossanitário ................................................................................................ 13

3.3 Colecta de Dados............................................................................................................. 13

3.4 Processamento dos Dados ............................................................................................... 14

3.4.1 Evapotranspiração de referência ................................................................................ 14

3.4.2 Método de cálculo de Kc médio ................................................................................. 15

3.4.3 Pré-processamento das imagens de satélite ................................................................ 15

3.4.4 Selecção dos índices apropriados ............................................................................... 15

3.4.5 Processamento das imagens ....................................................................................... 15

3.4.7 Processamento dos dados de espectrorradiômetro para obtenção de NDVI .............. 16

3.4.8 Desenvolvimento de modelos de regressão Kc e IV .................................................. 16

3.5 Análise e interpretação dos dados ................................................................................... 16

IV. RSULTADOS E DISCUSSÃO ......................................................................................... 19

4.1.1 Testagem dos modelos ............................................................................................... 19

4.1.2 Desenvolvimento de modelos pela relação Kc-IV ..................................................... 23

4.2 Discussão ........................................................................................................................ 26

4.2.1 Testagem dos modelos ............................................................................................... 26

4.2.2 Desenvolvimento de modelos pela relação Kc-IV ..................................................... 27

V. CONCLUSÃO E RECOMENDAÇÕES ............................................................................ 28

VI. REFERÊNCIAS BIBLIOGRÁFICAS .............................................................................. 29

1.2 Problema da Pesquisa

Estela Eusébio Laquimane Página 1

condizentes com as condições da área de cultivo, as fases fenológicas, fisiológicas e demandas

Estela Eusébio Laquimane Página 2

1.4 Objectivos da Pesquisa