Estimativa amostral objetiva de área plantada regional, apoiada em imagens de sensoriamento remoto

Abstract

Resumo -O objetivo deste trabalho foi desenvolver e avaliar um método para estimar a área plantada de soja em escala regional e calcular o erro estatístico associado à estimação. O método (Geosafras), que associa técnicas de amostragem estatística com características das imagens obtidas por sensoriamento remoto orbital, foi aplicado para obter estimativa amostral objetiva da área cultivada com soja, na safra de 2005/2006, no Estado do Rio Grande do Sul. Os municípios produtores de soja, no RS, foram distribuídos em dez estratos, com base em dados pré-existentes de área cultivada com a cultura. O número de municípios selecionados, em cada estrato, seguiu a regra de alocação de Neyman. Em cada município selecionado, foram aleatorizados pontos correspondentes aos pixels das imagens, classificados como "soja" ou "não soja" após visita a campo. A partir dos dados de 3.000 pontos distribuídos nos 30 municípios selecionados, nos dez estratos, foi estimada a área cultivada com soja no RS, que totalizou 4.069.887 ha, com coeficiente de variação (CV) de 3,4%. Esta estimativa foi consistente com os dados oficiais. O método amostral objetivo estratificado, auxiliado por sensoriamento remoto, permite estimar a área cultivada com soja no Rio Grande do Sul e é capaz de quantificar o erro associado à estimativa realizada.Termos para indexação: Glycine max, erro amostral, estatística agrícola, estratificação, imagem de satélite, previsão de safras. Objective sampling estimation of regional crop area supported by remotely sensed imagesAbstract -The objective of this work was to develop and evaluate a method for estimating soybean crop area on a regional scale and to calculate the statistical error associated with the estimate. The method (Geosafras), which combines statistical sampling techniques with characteristics of images obtained by orbital remote sensing, was applied to obtain an objective sampling estimation for soybean crop area in the 2005/2006 harvest season in the state of Rio Grande do Sul (RS), Brazil. Soybean-producing municipalities in RS were distributed into ten strata according to preexisting data on the area cultivated with the crop. The number of municipalities selected in each stratum followed Neyman's allocation rule. In each selected municipality, points corresponding to the pixels of images were randomized and classified as "soybean" or "non-soybean" after site visitation. From the data of 3,000 points in the 30 selected municipalities across the ten strata, soybean crop area in RS was estimated, totaling 4,069,887 ha, with a coefficient of variation (CV) of 3.4%. This estimate was consistent with official data. The stratified objective sampling method, supported by remote sensing, allows for the estimation of the area cultivated with soybean in the state of Rio Grande do Sul and is able to quantify the error associated with the calculated estimate.Index terms: Glycine max, sampling error, agricultural statistics, stratification, satellite image, crop forecasting. IntroduçãoAs imagens obtidas por sensoria...

Cloud Cover Assessment for Operational Crop Monitoring Systems in Tropical Areas

“…In fact, even under the worst conditions observed within the study area, there was still a 17% percent of probability to find cloud free pixels. Therefore, even under the worst conditions, it would probably still be possible to estimate crop acreage using sampling techniques which are already in use [35,59,65]. In addition, the integration of active sensors into the monitoring system could be an option.…”

“…To overcome the cloud cover issue, probabilistic sampling methods have been developed for crop acreage estimation, minimizing the need of wall-to-wall mapping [35][36][37][38][39]. In such approaches, random sampling within the cloud-free portions of the images is used for classification.…”

Untitled

“…Esse método também foi aplicado nos estudos de Netto e Sanquetta (1997) e Luiz et al (2012). O trabalho foi realizado com erros amostrais de 5% e nível de confiança de 95%, sendo que dez foi o número mínimo de formulários aplicados em cada município.…”

Detecção de áreas agrícolas em tempo quase real com imagens Modis

“…Essa área foi a mais próxima possível daquela indicada para cada mesorregião, obtida por meio da aleatorização de um conjunto de 5.000 pixels Landsat de imagens adquiridas pelo sensor "operational land imager" (OLI), para cada um dos quatro períodos bimensais de monitoramento. Os pixels foram obtidos por amostragem aleatória seguindo os critérios definidos por Luiz et al (2012) e foram classificados por interpretação visual, tendo-se utilizado a composição colorida RGB-564 de imagens adquiridas pelo sensor Landsat/OLI. Assim, foram gerados quatro conjuntos de 5.000 pixels aleatorizados: um para cada período bimensal de estimativa.…”