Identificação da dinâmica espaço-temporal para estimar área cultivada de soja a partir de imagens MODIS no Rio Grande do Sul

Santos, Juliana Silveira dos; Fontana, Denise Cybis; Silva, Thiago Sanna Freire; Rudorff, Bernardo Friedrich Theodor

doi:10.1590/s1415-43662014000100008

Cited by 23 publications

(15 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Mesmo trabalhando com a série MODIS, com resolução de 250 m, Santos et al (2014) afirmaram que a superestimativa de áreas de soja pode ser explicada pela resolução espacial destas imagens, em que pequenas áreas de soja vizinhas podem ter sido agregadas a uma grande área de soja no mapeamento. Por outro lado, a subestimativa de áreas pode ocorrer pela presença de pequenas áreas de soja, que não são detectadas pelo sensor MODIS e que também não apresentam padrão de agregação espacial.…”

Section: Resultsunclassified

“…O NDVI decresce na época de colheita dos grãos dos cereais de outono-inverno, que na maior parte da área ocorre em novembro (JUNGES; FONTANA, 2011) e implantação das lavouras de primavera-verão, que, neste mês, apresenta forte resposta espectral do solo ou palha (WAGNER et al, 2007). O segundo máximo de NDVI ocorre em fevereiro (0,80), que corresponde ao período de floração e/ou enchimento de grãos da soja, que é o cultivo dominante nesta época na região (RIZZI; RUDORFF, 2005;WAGNER et al, 2007;MELO et al, 2008;SANTOS et al, 2014). Neste período, a cultura apresenta a maior densidade de biomassa (MELO et al, 2008).…”

Section: Resultsunclassified

See 1 more Smart Citation

Regiões Homogêneas De Vegetação Utilizando a Variabilidade Do Ndvi

Cordeiro¹,

Berlato²,

Fontana³

et al. 2017

Ciênc. Florest.

View full text Add to dashboard Cite

RESUMOAs técnicas de classificação, como a análise de agrupamento, utilizadas nas áreas biológicas, em chaves de classificação de plantas e animais, também são úteis para definição de regiões homogêneas, seja para dados climáticos ou para identificação ou monitoramento da vegetação. O objetivo desse trabalho foi caracterizar a dinâmica espaço-temporal do Índice ABSTRACTThe classification techniques, such as cluster analysis, used in biological areas, in the plants and animals classification keys, are also useful for defining homogeneous regions, for climate data or for identification or monitoring of vegetation. The objective of the research was to characterize the spatiotemporal dynamic of NDVI (Normalized Vegetation Index Difference) of vegetation groups of Rio Grande do Sul, clustering homogeneous regions based on NDVI temporal variability and to analyze the pattern of NDVI annual variability of the different groups. For this NDVI data from the Global Inventory Modeling and Mapping Studies (GIMMS) series, derived from Advanced Very High Resolution Radiometer / National Oceanic and Atmospheric Administration (AVHRR/NOAA) over the period from January 1982 to December 2008 were used. Six groups were defined, which were compared to environmental macrozoning. The results showed that the variability of NDVI, obtained from GIMMS/AVHRR series, allows clustering homogeneous regions in order to identify and map the main vegetation groups that occur in the Rio Grande do Sul

show abstract

Section: Resultsunclassified

Regiões Homogêneas De Vegetação Utilizando a Variabilidade Do Ndvi

Cordeiro¹,

Berlato²,

Fontana³

et al. 2017

Ciênc. Florest.

View full text Add to dashboard Cite

show abstract

“…For each crop-year satellite images acquired in two different dates were necessary to obtain the final map: an image from November to identify the bare soil and an image from March to verify if the bare soil has vegetation cover or not, allowing to the summer croplands map (SANTOS et al, 2014). We used NDVI images (Normalized Difference Vegetation Indice) from MODIS sensor (Moderate Resolution Imaging Spectroradiometer) that cover all the RS area.…”

Section: Methodsmentioning

confidence: 99%

Land use changes after the period commodities rising price in the Rio Grande do Sul State, Brazil

2017

View full text Add to dashboard Cite

At the end of the 20th and early 21st century, agricultural systems incorporated definitively a new mission: to generate goods for a world population that continues to grow and whose way of life demand food with low environmental impact. Soybean is the main raw material for the production of biodiesel in Brazil, accountably responsible for 82.4% of the total produced between 2006 and 2013. The Brazilian state of Rio Grande do Sul (RS), which is formed by the Pampa and the Atlantic forest biomes, was responsible for 35.7% of the country's biodiesel production in the referred period. The aim of this paper was to verify the impact of the increased area of soybean cultivation in land use in Rio Grande do Sul State, in the period between 1990 and 2015, considering separately its two biomes (Pampa and Atlantic Forest) original areas, using both census dataset and satellite images. We used the period from 1990 to 2000 as before commodity rising price (BCRP) and the period from 2000 to 2013 as commodity rising price (CRP). The 505,162 ha from Atlantic Forest biome and 1,192,115ha from Pampa biome were added to soybean production in the CRP period. In the Atlantic Forest, this enlargement occurred in the border of the main production area, while in Pampa biome conversion of natural grassland to crop land was the main reason for the large increment in the cultivated area.

show abstract

“…O sensor MODIS apresentou a relação mais forte com os dados do SIDRA, com R² de 0,83, ou seja, a regressão linear pode explicar 83% da variação das áreas agrícolas (Figura 4a). Resultados similares a esses foram encontrados por Santos et al (2014) Para melhorar a separação das classes pode-se aumentar o número de amostras de treinamento para pastagem, ou mesmo, agrupar as amostras em classes como agricultura e não-agricultura, por exemplo, afim de aumentar os vetores de separação e melhorar a acurácia da classificação e evitar a superestimativa para a classe de agricultura (Ouzemou et al, 2018). Segundo Schmidt et al (2016), a identificação de culturas agrícolas, por meio de aprendizado de máquina, tem maior precisão com uso de imagens no inverno, já que áreas de pastagem não irrigadas apresentam menor fitomassa e não seriam confundidas com culturas agrícolas.…”

Section: Mapeamento De áReas Agrícolas Com Máquina De Vetor De Suportunclassified

Mapping of Agricultural Areas with Support Vector Machine in the Northwest of Minas Gerais, Brazil

et al. 2020

View full text Add to dashboard Cite

ResumoA agricultura é um dos setores que mais se destaca na economia do Brasil, sendo necessário muitas vezes o emprego do sensoriamento remoto, para identificação da expansão das áreas agrícolas e estimativas da sua produção. Esse trabalho tem por objetivo mapear as áreas agrícolas do noroeste de Minas Gerais por meio de máquina de vetor de suporte e comparar os resultados obtidos com o censo estatístico do Instituto Brasileiro de Geografia e Estatística. Para identificação das áreas agrícolas foi utilizado o algoritmo Service Vector Machine e imagens dos satélites e sensores Landsat 8 / OLI e Terra / MODIS. As amostras de treinamento do algoritmo foram obtidas por meio de imagem de alta resolução espacial, disponível no programa Google Earth Pro, nas classes rios, floresta, agricultura, pastagem e silvicultura. O mapeamento utilizando imagem do sensor OLI apresentou melhor Acurácia Global (0,81) e Kappa (0,66). A classificação com imagem OLI e MODIS apresentaram maior precisão na classe agricultura quando comparada as demais classes, apresentando confusão com pastagem, em decorrência da alta fitomassa da pastagem na época de aquisição das imagens (verão). O cálculo das áreas agrícolas demonstra superestimativa do Service Vector Machine (SVM) na classificação das imagens OLI e MODIS, com forte relação dos dados MODIS com o censo do IBGE (R²=0,83). Apenas municípios com áreas agrícolas superiores a 50.000 ha apresentaram menor erro na estimativa das áreas agrícolas. A aplicação do algoritmo mostra-se potencial para mapeamento da agricultura por meio de imagens dos sensores MODIS e OLI, porém deve-se avaliar a época de aquisição das imagens orbitais e variações nos parâmetros do algoritmo para melhorar a acurácia da classificação. Palavras-chave: agricultura; classificação supervisionada; aprendizado de máquina AbstractAgriculture is one of the sectors that stands out most in the Brazilian economy, often requiring the use of remote sensing to identify the expansion of agricultural areas and estimates of their production. This work aims to map the agricultural areas of the northwest of Minas Gerais by means of a support vector machine and compare the results obtained with the statistical census of the Brazilian Institute of Geography and Statistics. For the identification of the agricultural areas, the Service Vector Machine algorithm and images of the Landsat 8 / OLI and Terra / MODIS satellites and sensors were used. The training samples of the algorithm were obtained by high resolution spatial image, available in Google Earth Pro software, in the categories rivers, forest, agriculture, pasture and forestry. The OLI image mapping showed better Global Accuracy (0.81) and Kappa (0.66). The classification with OLI and MODIS images showed greater precision in the agriculture class when compared to the other classes, presenting confusion with pasture, due to the high phytomass of the pasture at the time of acquisition of the images (summer). The calculation of the agricultural areas shows an overestimation of the Serv...

show abstract

Identificação da dinâmica espaço-temporal para estimar área cultivada de soja a partir de imagens MODIS no Rio Grande do Sul

Cited by 23 publications

References 17 publications

Regiões Homogêneas De Vegetação Utilizando a Variabilidade Do Ndvi

Regiões Homogêneas De Vegetação Utilizando a Variabilidade Do Ndvi

Land use changes after the period commodities rising price in the Rio Grande do Sul State, Brazil

Mapping of Agricultural Areas with Support Vector Machine in the Northwest of Minas Gerais, Brazil

Contact Info

Product

Resources

About