Aplicações agrícolas – Aspectos básicos

Durante as fases iniciais da detecção remota por

satélite, a maioria dos investigadores concentra-se na
utilização de dados para classificação dos tipos de
cobertura do solo, sendo os tipos de culturas um foco
principal entre aqueles interessados em aplicações
agrícolas. Nos últimos anos, o trabalho em
sensoriamento remoto agrícola tem se concentrado
mais na caracterização das propriedades biofísicas das
plantas. O sensoriamento remoto tem sido usado há
muito tempo no monitoramento e análise de atividades
agrícolas. A detecção remota de copas agrícolas
forneceu informações valiosas sobre vários parâmetros
agronômicos. A vantagem do sensoriamento remoto é a
sua capacidade de fornecer informações repetidas sem
amostragem destrutiva da cultura, o que pode ser usado
para fornecer informações valiosas para aplicações
agrícolas de precisão. Sensoriamento remoto
fornece uma alternativa barata para aquisição de dados
em grandes áreas geográficas (De beurs e Townsend,
2008). Na Índia, o sensoriamento remoto por satélite é
usado principalmente para a área cultivada e estimativa
de produção de culturas agrícolas. A tecnologia de
detecção remota tem o potencial de revolucionar a
detecção e caracterização da produtividade agrícola
com base em atributos biofísicos de culturas e/ou solos
(Liaghat e Balasundram, 2010). Os dados registrados
por satélites de sensoriamento remoto podem ser
usados para estimativa de produtividade (Doraiswamy
et al., 2005; Bernerdes et al., 2012), informações
fenológicas de culturas (Sakamoto et al., 2005),
detecção de situações de estresse (Gu et al., 2007) e
perturbações. O sensoriamento remoto junto com o
GIS é altamente benéfico para a criação de camadas
informativas básicas espaço-temporais que podem ser
aplicadas com sucesso a diversos campos, incluindo
mapeamento de planícies aluviais, modelagem
hidrológica, fluxo de energia superficial,
desenvolvimento urbano, mudanças no uso da terra,
monitoramento do crescimento de culturas e detecção
de estresse ( Kingra et al., 2016). Os avanços no uso de
métodos de sensoriamento remoto devem-se à
introdução de sensores de banda estreita ou
hiperespectrais e ao aumento da resolução espacial de
sensores montados em aeronaves ou satélites. A
detecção remota hiperespectral também ajudou a
melhorar a análise mais detalhada da classificação das
culturas. Thenkabail et al., (2004) realizaram análises
rigorosas de sensores hiperespectrais (de 400 a 2500
nm) para classificação de culturas com base em
técnicas de mineração de dados que consistem em
análise de componentes principais, modelos lambda-
lambda, análise discriminante passo a passo e índices
derivados de vegetação de vegetação. Muitas
investigações incluíram diferentes tipos de sensores
que são capazes de fornecer dados confiáveis em
tempo hábil por uma fração do custo do método
tradicional de coleta de dados.
Monitoramento da cobertura vegetal
A ciência da detecção remota desempenha um papel
vital na área de classificação de culturas, área cultivada
Int.J.Curr.Microbiol.App.Sci (2019) 8(1): 2270-2283
2272
estimativa e avaliação de rendimento. Muitos
experimentos de pesquisa foram feitos usando
fotografias aéreas e técnicas de processamento digital
de imagens. Mas o campo do sensoriamento remoto
ajuda a reduzir a quantidade de dados de campo a
serem coletados e melhora a maior precisão das
estimativas (Kingra et al., 2016). A capacidade dos
dados hiperespectrais de melhorar significativamente a
caracterização, discriminação, modelagem e
mapeamento de culturas e vegetação, quando
comparados com o sensoriamento remoto
multiespectral de banda larga, é bem conhecida
(Thenkabail et al., 2011). Isto foi útil para estabelecer
os 33 HNBs ideais e um número igual de HVIs
específicos de diferença normalizada de duas bandas
são usados para caracterizar, classificar, modelar e
mapear e também para estudar quantidades biofísicas e
bioquímicas específicas das principais culturas
agrícolas do mundo (Thenkabail et. al., 2013). Em
relação à condição da cultura, algumas técnicas de
detecção remota estão mais focadas em parâmetros
físicos do sistema de cultura, tais como stress
nutricional e disponibilidade de água, na avaliação da
saúde e rendimento da cultura. E outros investigadores
estão mais concentrados em perspectivas sinópticas das
condições regionais das culturas, utilizando índices de
detecção remota. O índice mais comumente utilizado
para avaliar a condição da vegetação é o Índice de
Vegetação por Diferença Normalizada proposto por
Rouse et al., (1974). O NDVI tornou-se o índice de
vegetação mais utilizado (Calvao e Palmeirim, 2004,
Wallace et al., 2004) e muitos esforços têm sido feitos
com o objectivo de desenvolver outros índices que
possam reduzir o impacto do fundo do solo e da
atmosfera nos resultados da medições espectrais. Um
exemplo de índice de vegetação que limita a influência
do solo nos dados de vegetação de sensoriamento
remoto é o SAVI (Índice de Vegetação Ajustado ao
Solo) proposto por Huete (1988). O índice de
vegetação por diferença normalizada (NDVI), o índice
de condição de vegetação (VCI), o índice de área foliar
(LAI), o Índice de Referência Unificado de
Rendimento Geral (GYURI) e o Índice de Cultura de
Temperatura (TCI) são exemplos de índices que foram
usados para
mapeamento e monitorização da seca e avaliação da
saúde e produtividade da vegetação (Doraiswamy et
al., 2003, Ferencz et al., 2004, Prasad et al., 2006).
Kogan et al., (2005) usaram índices de vegetação de
dados do Advanced Very High Resolution Radiometer
(AVHRR) para modelar a produtividade do milho e o
alerta precoce de seca na China. Hadria et al., (2006)
fornece um exemplo de desenvolvimento de índices de
área foliar a partir de quatro cenários de satélite para
estimar a distribuição da produção e do trigo irrigado
em áreas semiáridas. Exemplos de índices de vegetação
usados especificamente para fins agrícolas estão
listados na tabela 1