UTILIZAÇÃO DE DADOS SAR E ÓPTICOS PARA AVALIAÇÃO SAZONAL DE

ÁREAS DE CULTURAS IRRIGADAS NO PAD-DF

Carla Kely Matos dos Santos

Orientador: Gustavo Macedo de Mello Baptista

Universidade de Brasília, UnB

RESUMO:

O crescimento das culturas agrícolas irrigadas, especialmente na região do Cerrado, tem

sido crescente devido à sua importância na otimização dos recursos hídricos e no aumento da
produtividade. E este trabalho utilizou uma combinação de dados SAR e ópticos para avaliar
sazonalmente as culturas em pivô. O dado SAR fornece informações valiosas sob condições
climáticas adversas, enquanto os dados ópticos detalham a saúde das plantas e os tipos de
culturas. O índice de vegetação (EVI), avalia as áreas irrigadas em relação aos fatores
atmosféricos. A análise conjunta dos dados EVI e SAR revela uma forte correlação positiva,
destacando a sua eficácia na monitorização de terras irrigadas. Combinando dados EVI e SAR,
a plataforma SATVeg fornece análises precisas e contribui para a agricultura de precisão e a
sustentabilidade. Estas ferramentas beneficiam a agricultura moderna, oferecendo informações
essenciais para uma gestão eficiente da água e aumentando a produtividade agrícola, e verificam
a sua eficácia na análise e gestão de culturas irrigadas através de detecção remota.

PALAVRAS-CHAVE: Culturas Irrigadas; Sensoriamento Remoto; dados

SAR; EVI; SATVeg.

INTRODUÇÃO

As áreas de culturas agrícolas vêm crescendo cada vez mais no território brasileiro,
especialmente na região do Cerrado. E uma área em especial que vem crescendo com a evolução
da agricultura é as áreas em pivôs. E a utilização da técnica de irrigação nessas áreas é de
extrema importância para que se tenha uma gestão eficiente dos recursos hídricos e para o
aumento da produtividade agrícola, no Cerrado.

Para que se tenha uma eficiência e produtividade agrícola, precisa realizar uma
avaliação sazonal de forma precisa e eficaz, e com a ajuda do sensoriamento remoto que vem
se destacando com o seu fornecimento de dados rápidos, pela sua facilidade de acesso às
informações e por contribuir na avaliação de diferentes fatores ligados ao ambiente e às
atividades humanas. E conforme destaca VALENCIA, et al. (2020), o sensoriamento remoto
nos proporciona informações de grandes extensões de áreas em pouco tempo, coletando dados
de diferentes parâmetros do solo e vegetação, que nos permite analisar uma série temporal da
área em estudo.

No contexto da avaliação sazonal de culturas irrigadas em pivôs, e com a junção de

dados SAR (Synthetic Aperture Radar) e de dados ópticos é de extrema importância, pois
oferecem informações valiosas sobre as áreas de cultivo ao longo do tempo. Os dados SAR, é
eficaz na obtenção dos dados em condições climáticas e em áreas com cobertura de nuvens, o
que permite a detecção de mudanças na umidade do solo e na vegetação, FERRO-FAMIL et al.
(2020). Em contrapartida, os dados ópticos de acordo com BASTIAANSSEN et al. (2018),
oferece uma observação mais detalhada das plantas e possibilita a identificação das culturas e
monitora o desenvolvimento da cultura ao longo das estações.

Além disso, o sensoriamento remoto nos proporcionam informações de grandes áreas e

a baixos custos, e sem se preocupar com interferências nas imagens como: nuvens e o horário
do monitoramento. Porém, a utilização de dados SAR (Radar de Abertura Sintética) enfrenta
um problema e de acordo com SILVA, et al. (2019) o problema é em relação a capacidade de
processar os dados, pois o armazenamento e processamento dessas imagens requerem uma
infraestrutura computacional muito grande.

Utilizaremos também uma métrica para avaliar o estado das áreas de culturas irrigadas
chamado Enhanced Vegetation Index (EVI), que proporciona a estimativa da vegetação verde,
levando em consideração fatores atmosféricos. Como destacado por Huete at al. (2002) o EVI
é uma ferramenta métrica robusta e sensível para o monitoramento da vegetação, sendo útil
para identificar o vigor das plantas e identificar potenciais problemas de saúde das culturas ao
longo da época do ano.

E para analisar e processar os dados SAR e ópticos na avaliação fenológica de áreas de

cultivo irrigadas, o software SATVeg emergiu como uma ferramenta poderosa. Almagbile et
al. (2015), “SATVeg fornece recursos avançados de processamento e análise de dados de
sensoriamento remoto para gerar informações precisas e atualizadas sobre áreas agrícolas e de
vegetação”.
 E o objetivo deste trabalho é explica como a combinação de dados SAR e ópticos
juntamente com a utilização do EVI e SATVeg podem contribuir para a avaliação fenológica
de áreas de cultivo irrigadas, permitindo uma gestão mais eficiente dos recursos hídricos,
aumentando a produtividade agrícola e a sustentabilidade agrícola. Essas ferramentas e
indicadores desempenham um papel importante na transformação da agricultura moderna
através da detecção remota.

MATERIAL E MÉTODOS
A área de estudo é uma importante área agrícola do Centro-Oeste o PAD-DF, que
significa Programa De Assentamento Dirigido Do Distrito Federal, localizado na cidade do
Paranoá, do Distrito Federal-DF.

As imagens SAR do Sentnel-1, na banda C, foram obtidas no Alaska Satellite Facility:

making remote-sensing data accessible (ASF) disponível no portal
(https://search.asf.alaska.edu/), nas imagens obtidas foi usado um filtro de busca entre primeiro
(1) de janeiro de 2022 a 31 de dezembro de 2022, correspondendo os dados analisados. As
imagens foram pré-processadas no Sentinel Application Platform (SNAP) na versão 9.0.0, onde
seguiu uma sequência de procedimentos como: aplicação de arquivo de órbita (Apply-Orbit-
File); Calibração (Calibration); Remoção de Ruídos Térmicos (Termal Noise Removal);
Aparência multipla (Multilook); Filtro de Manchas (Speckle-Filter); Correção do Terreno
(Terrain-Correction); Linear para Decibéis (Linear to from dB); Subconjuto (Subset). Após os
procedimentos adquirimos os coeficientes de retro espalhamento Sigma0 (0) para a
polarização de VV e VH. Porém, para esse trabalho optamos por utilizar só o Sigma 0 e a
polarização de VV.

Seguidamente, utilizamos a portal de Sistema de Análise Temporal da Vegetação

(SATVeg) disponível em (https://www.satveg.cnptia.embrapa.br/satveg/pages/home.html),
para a obtenção dos dados do mesmo período das imagens coletadas. Na obtenção dos dados
utilizamos também uma pré-filtragem com as opções Nuvem e NoData, para a redução de
ruídos. As imagens no portal do SATVeg foram obtidas em três (3) pontos de pivô distintos,
com interesse de monitorar o comportamento sazonal da área estudada.

Os três (3) pontos escolhidos para análise apresenta as seguintes coordenadas

geográficas: Pin 1 (-47.573910; -16.025790); Pin 2 (-47.579250; -16.001500); Pin 3 (-
47.558570; -15.996100). Os pontos analisados podem ser observados em (Figura 1).
 Figura 1. Os 3 (três) pontos escolhidos para análise. Imagem do SATVeg.

Os dados dos pontos foram exportados para o Excel para análise, composição dos
gráficos e análise estatística, além disso foram feitos descartes de algumas datas dos dados SAR
obtidos, para se ter um mesmo número de dados do EVI.

RESULTADOS E DISCUSSÃO
A análise dos dados de EVI obtidos por meio da plataforma SATVeg e dos dados de
retroespalhamento do Sigma0 (σ0) nas áreas irrigadas revelou informações de extrema
importância sobre o estado das plantas e das condições ambientais no período de estudos
analisados.

Nas figuras abaixo estão presentes os três (3) gráficos adquiridos do SATVeg das séries
temporais de valores de EVI para o sistema de culturas irrigadas.

Figura 2. Perfil temporal EVI da região PAD-DF (PIN1) no período de janeiro a

dezembro de 2022.
 Figura 3. Perfil temporal EVI da região PAD-DF (PIN2) no período de janeiro a
dezembro de 2022.

Figura 4. Perfil temporal EVI da região PAD-DF (PIN3) no período de janeiro a

dezembro de 2022.

Após a observação dos gráficos dos índices de vegetação nos pontos selecionados,
percebemos que os PIN 1 e 2 teve uma variação parecida, contendo picos de maior índice entre
abril a agostos. E no PIN 3 apresentou poucos índices entre julho e novembro, e isso pode ser
consequência de pousio entressafras, preparo do solo e isso fica evidente na figura (5).

Figura 5: Composição da imagem na plataforma SNAP.

E em paralelo a análise dos dados de EVI, foram feitas as análises dos dados de
retroespalhamento do sensor SAR (Sigma0) que forneceu informações adicionais valiosas. O
Sigma0 (σ0) pode determinar as características do solo e da vegetação processando a refletância
de micro-ondas do terreno e da vegetação.

Nas áreas de irrigação podemos usar dados do Sigma0 (σ0) para determinar o teor de
umidade do solo, a densidade da vegetação e até mesmo detectar inundação ou áreas submersas.
A combinação dos dados de EVI e do Sigma0 (σ0) fornece uma imagem abrangente da
dinâmica das terras agrícolas irrigadas em diferentes estações.

E a partir da análise conjunta desses dados obtivemos os gráficos da regressão linear e

do comportamento sazonal de cada ponto. Os gráficos podem ser observados nas figuras abaixo.

COMPORTAMENTO SAZONAL
y = 3E-06x6 - 0,0002x5 + 0,0066x4 - 0,0827x3 + 0,4761x2 -
1,0442x + 1,0357
R² = 0,8564
1 y = 3E-05x6 - 0,0025x5 + 0,0706x4 - 0,9305x3 + 5,812x2 - 0
0,9 14,927x + 0,6764 -2
0,8 R² = 0,5059 -4
0,7 -6
0,6
-8
EVI

0,5 VV
-10
0,4
0,3 -12
0,2 -14
0,1 -16
0 -18
0 5 10 15 20 25
EVI VV Polinomial (EVI) Polinomial (VV)

Figura 6: Gráfico de comportamento sazonal do ponto 1.

REGRESSÃO LINEAR
0
-2 y = 6,4629x - 12,903
-4 R² = 0,40
-6
-8
VV

-10
-12
-14
-16
-18
0 0,2 0,4 0,6 0,8 1
EVI

Figura 7: Gráfico de regressão linear ponto 1.

 COMPORTAMENTO SAZONAL
y = 4E-06x6 - 0,0003x5 + 0,0066x4 - 0,1042x3 + 1,0075x2 -
4,7731x - 2,142
R² = 0,5245
1,2 0
y = -4E-07x6 + 2E-05x5 - 0,0001x4 - 0,007x3 + 0,1274x2 - 0,6964x -2
1 + 1,5742
R² = 0,7646 -4
0,8 -6
-8
EVI

VV
0,6
-10
0,4 -12
-14
0,2
-16
0 -18
0 5 10 15 20 25
EVI VV Polinomial (EVI) Polinomial (VV)

Figura 8: Gráfico do comportamento sazonal do ponto 2.

REGRESSÃO LINEAR
0
-2
y = 7,3926x - 13,091
-4 R² = 0,45
-6
-8
VV

-10
-12
-14
-16
-18
0 0,2 0,4 0,6 0,8 1 1,2
EVI

Figura 9: Gráfico de regressão linear do ponto 2.

 REGRESSÃO LINEAR
y = -8E-07x6 + 5E-05x5 - 0,0011x4 + 0,0082x3 + 0,0094x2 - 0,3031x +
1,1111
R² = 0,5551
1 y = -2E-05x6 + 0,0013x5 - 0,0316x4 + 0,3408x3 - 1,4964x2 + 1,8795x
0-
0,9 8,2689 -2
0,8 R² = 0,7124
-4
0,7 -6
0,6
-8
EVI

VV
0,5
-10
0,4
0,3 -12
0,2 -14
0,1 -16
0 -18
0 5 10 15 20 25
EVI VV Polinomial (EVI) Polinomial (VV)

Figura 10: Gráfico do comportamento sazonal do ponto 3

REGRESSÃO LINEAR

0
-2
y = 7,2203x - 12,167
-4 R² = 0,23
-6
-8
VV

-10
-12
-14
-16
-18
0 0,2 0,4 0,6 0,8 1
EVI

Figura 11: Gráfico de regressão linear do ponto 3.

Os resultados da regressão linear indicaram um comportamento sazonal significativo

entre os dados Sar e o índice de vegetação (EVI). Observou-se também uma forte relação
positiva entre os dois conjuntos de dados durante o período de estudo, com um erro valor-p
significativos. Isto indica que à medida que o índice de vegetação aumenta sazonalmente, a
retrodifusão SAR também mostra um aumento correspondente. Esta relação mostra que os
dados SAR são sensíveis às mudanças sazonais na vegetação e pode ser usada como um
indicador eficaz para monitorizar o crescimento e a saúde das culturas ao longo do ano, o que
é importante para uma gestão precisa das terras agrícolas irrigadas.

E com a observação dos gráficos de regressão linear de cada ponto, é possível afirmar
que os pontos 1 e 2 são bem parecidos e com os picos do índice de vegetação bem evidentes,
mostrando que as áreas ficaram ocupadas a maior parte do ano com culturas. Todavia, no ponto
3 observa que boa parte do ano teve uma alta refletância, o que conclui que essa área ficou em
repouso ou ficou em preparação para outra cultura nos inícios da chuva, o que mostra o pico de
EVI no início de dezembro. Os gráficos também explicam de forma simples que o
comportamento do EVI no ponto 1 foi de 40%, no ponto 2 45% e no ponto 3 23%, a partir do
coeficiente de retroespalhamento Sigma0 (σ0), e percebemos também nesses dados que o maior
índice de vegetação é visto no ponto 2 onde apresenta uma área verde como mostra na figura
(1).

CONCLUSÕES
A análise do modelo de regressão linear entre os dados SAR e o índice de vegetação
(EVI) mostra uma forte relação sazonal entre estes dois conjuntos de dados. E está forte
correlação positiva observada ao longo do período de estudo destaca a eficácia desta ferramenta
para analisar as áreas de cultivos irrigados.

Os resultados demonstram a importância do uso da plataforma SATVeg e a sua

confiança na obtenção de dados EVI e a utilidade dos dados SAR na detecção de mudanças
sazonais na vegetação. Esta combinação proporcionou uma abordagem abrangente e precisa à
monitoração e a gestão de terras agrícolas irrigadas, permitindo-lhe tomar decisões precisas,
otimizar os recursos hídricos e melhorar a produtividade agrícola.

Portanto, este presente estudo contribui para a agricultura de precisão e a

sustentabilidade agrícola ao validar a eficácia da plataforma SATVeg e dos dados SAR na
análise e gestão de culturas irrigadas nas regiões.
REFERÊNCIAS

HUETEe, A.R.; Justice, C.; Leeuwen, W.V. MODIS vegetation index (MOD13) Algorithm
theoretical basis document Version 3, NASA Goddard Space Flight Center, Greenbelt,
Maryland 20771, USA, p. 122, 1999.

HUETE, A.; Didan, K.; Miura, T.; Rodriguez, E. P.; Gao, X.; Ferreira, L. G. Overview of the
radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of
Environment, n. 83, p. 195-213, 2002.

VALENCIA, Lady Victoria Angulo et al. Comportamento espectral das culturas de milho, arroz
e soja, usando imagens dos Satélites Sentinel-2, CBERS-4 e LANDSAT-8. 2020.

SILVA, Angela Gabrielly Pires et al. Integração de imagens Orbitais Ópticas e SAR Com
Processamento em Nuvem no Mapeamento da Cobertura da Terra no Cerrado. Revista
Geoaraguaia, v. 11, n. Especial, p. 85-106, 2021.

SANTOS, Erli Pinto dos. Monitoramento da cobertura vegetal em bacias hidrográficas

inseridas no bioma mata atlântica com base em integração de imagens ópticas e de radar. 2020.
93 f. Dissertação (Mestrado em Engenharia Agrícola) - Universidade Federal de Viçosa,
Viçosa. 2020.

SANTOS, C. V. B., Baptista, G. M. M., Moura, M. S. B., 2017. Seasonality of Vegetation

Indices in different land uses in the São Francisco Valley. Journal of Hiperespectral Remote
Sensing, 7, 158-167.

L. FERRO-FAMIL, Y. HUANG, H. AGHABABAEI, G. FERRAIOLI, M. M.

D’ALESSANDRO, V. PASCAZIO, G. SCHIRINZI e S. TEBALDINI, " Tomografia SAR
Florestal: Princípios e Aplicações", Revista IEEE de geociência e sensoriamento remoto, 2020.

L. FERRO-FAMIL e A. REIGBER, “Supressão de interferência em imagens SAR

sintetizadas”, IEEE Geociência e Cartas de Sensoriamento remoto, 2005.

BASTIAANSSEN, W. G. M. Regionalization of surface flux densities and moisture indicators

in composite terrain: A remote sensing approach under clear skies in Mediterranean climate.
PhD. Dis., CIP Data Koninklijke Biblioteheek, Den Haag, the Netherlands. 272 p., 1995.

BASTIAANSSEN, W. G. M. SEBAL - based sensible and latent heat fluxes in the irrigated
Gediz Basin, Turkey. Journal of Hydrology, v.229, p. 87-100. 2000.
BASTIAANSSEN, W. G. M.; ALI, S. A new crop yield forecasting model based on satellite
measurements applied across Indus Basin, Pakistan. Agriculture Ecosystems & Environments,
v.94, p.321-340, 2003.

BASTIAANSSEN, W. G. M.; PELGRUM, H.; WANG, J.; MA, Y.; MORENO, J. F.

ROENRINK, G. J. VAN DER WAL, T. A remote sensing surface energy balance algorithm
for land (SEBAL) 2. Validation. Journal of Hydrology, v.212-213, p.213-229, 1998.

BASTIAANSSEN, G. ESPINOZA, IM. SIBURIAN, I. MASIH, “Remote Sensing Based

Indices for Drought Monitoring on Paddy Fields. The Case Study of Lower Citarum-
Indonesia”. AGU Fall Meeting Abstracts, 2018.

BASSOI, Luís Henrique et al. Agricultura de precisão e agricultura digital. TECCOGS:

Revista Digital de Tecnologias Cognitivas, n. 20, 2019.