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