Obtenção de calendário agrícola baseado em série temporal de índice de vegetação
O trabalho foi publicado no XX Simpósio Brasileiro de Sensoriamento Remoto com as seguintes autorias:
Paulo Teixeira, Adriana Moreira , Joelen Silva, Kênia Santos, Luciana Oliveira, Moisés Salgado, Bernardo Rudorff
Introdução
Para se realizar mapeamentos com base em imagens de satélite é de suma importância a compreensão da dinâmica de plantio dos cultivos. Cultivos temporários, por definição, estão presentes no solo em apenas uma janela de tempo dentro do ano, e é necessária a identificação desta janela, de forma a selecionar as imagens de satélite para o mapeamento, no período em que os cultivos estão mais ressaltados nas imagens (i.e período do pico vegetativo do cultivo ou maior vigor vegetativo). Esses períodos de safra são variáveis regionalmente, por questões climáticas e econômicas. No Brasil, o acompanhamento das safras é realizado pela Companhia Nacional de Abastecimento (Conab) [1], que fornece estimativas de produção e períodos de cultivo. Quando mapeados grãos no Brasil, é comum que as abordagens utilizem estas informações ou fontes semelhantes para estabelecer um período fixo de obtenção das imagens. Essa abordagem, apesar de válida, pode apresentar alguns desafios. Por exemplo: i) no quesito espacial, é necessário que variações regionais sejam sempre consideradas, sobretudo no caso
brasileiro e ii) no quesito temporal, ao ser aplicada para um mapeamento multitemporal, não considera possíveis variações anuais climáticas ou econômicas, que podem afetar o real período de cultivo, e consequentemente afetar a qualidade do mapeamento elaborado.
No âmbito do projeto MapBiomas [2], o mapeamento de lavouras temporárias se baseava até a
Coleção 6 em um calendário regionalizado, porém estático. Para a Coleção 7 e 7.1 foi proposta uma abordagem de obtenção de calendários agrícolas automáticos e dinâmicos, gerados a partir da resposta espectral dos alvos agrícolas no tempo (Figura 1), reduzindo o caráter empírico da definição dos períodos, e refinando a classificação para evitar possíveis problemas de variações inter-anuais.
Utilizar a resposta espectral como definição para calendário agrícola não é inédito, sendo a
viabilidade desta abordagem já comprovada [3]. No entanto, neste estudo, objetiva-se tanto reduzir o caráter empírico da definição dos períodos, quanto demonstrar a viabilidade desse tipo de abordagem no Brasil, que apresenta expressivas diferenças climáticas e agrícolas ao longo de seu território.
Metodologia
Resultados e Discussão
Por meio dos resultados apresentados na Figura 2 verifica-se que existe uma diversidade espacial dos
meses de maior vigor vegetativo, reforçando o caráter de diversidade climática e agrícola do Brasil.
Comparando as informações obtidas por meio da identificação automática de pico vegetativo com o
calendário da Conab da safra 2019/2020 [1]
Para o cultivo de soja, verifica-se uma coerência entre as informações (Figura 3). Por exemplo, para a Conab, onde o calendário é dividido a nível de estado, o plantio da soja inicia em meados de Setembro/Outubro nas principais regiões produtoras (estados do Cerrado, Rio Grande do Sul, Santa Catarina, Mato Grosso, Mato Grosso do Sul, Rondônia). No entanto, na abordagem deste estudo, consideram-se regiões à nível de cena Landsat, e por isso se verifica um padrão mais detalhado no calendário agrícola, sendo esse detalhamento destacado nos estados do Pará e
Mato Grosso.
Um dos principais desafios da obtenção de calendários agrícolas é um efetivo ajustamento dos
períodos de plantio e colheita devido a variações temporais e mudanças climáticas. Nesse sentido, na Figura 4 é possível observar que na região de fronteira agrícola entre o norte do Mato Grosso e sul do Pará, em 2005, grande parte da região teve o plantio estimado para Janeiro, enquanto que para 2010 foi entre meados de Outubro a Dezembro, em 2015 principalmente em Outubro, e em 2020 entre Agosto e Outubro. Já no leste do Pará, os períodos de plantio foram mais tardios. Outras regiões de agricultura mais consolidadas, como o Mato Grosso do Sul, mostram pouca variação, concentrando principalmente no mês de Outubro.
Alguns estudos têm apontado variações no início do período chuvoso em algumas regiões brasileiras,além da variação do tamanho dos períodos úmidos e secos [4]. As variações nos meses de plantio observadas ao longo dos anos analisados neste estudo podem ser explicadas devido às variações do início chuvoso. Neste sentido, os resultados apontam, por exemplo, para um período mais tardio de plantio no leste do Pará e a antecipação dos cultivos na região entre o sul do Pará e norte do Mato Grosso podem estar relacionados a essas variações do início do período chuvoso.
Conclusões
Neste estudo objetivou-se utilizar série temporal de dados de sensoriamento remoto para a obtenção de calendário agrícola automatizado, que capturasse tanto as variações espaciais quanto temporais do período de cultivos agrícolas no Brasil. Os resultados reforçam o potencial dos dados de sensoriamento remoto para o monitoramento agrícola, propiciando a obtenção dos meses de plantio e colheita de forma aderente aos dados oficiais e que capturam variações espaciais e temporais.
Este estudo foi um primeiro passo para o desenvolvimento de uma metodologia robusta para
obtenção de calendários agrícolas automatizados a partir da resposta espectral dos cultivos. Os
esforços futuros incluem: i) averiguar as vantagens de utilizar detecção direta dos períodos de plantio e de colheita; ii) utilizar o calendário para regiões menores, como municípios; além de iii) analisar se existem correlações entre as variações no calendário e variáveis climáticas.
Esta metodologia também contribuiu com o desenvolvimento do produto de Dinâmica de Pivôs,
inserido no módulo de Agricultura Irrigada do MapBiomas, ainda em caráter beta. Nesse, os períodos foram identificados em relação a objetos menores, que foram os pivôs centrais de irrigação individualizados.
Referências
[1] COMPANHIA NACIONAL DE ABASTECIMENTO (Conab). Calendário de Plantio e Colheita de Grãos no Brasil 2020. Conab, 2020. Disponível em: http://www.conab.gov.br . Acesso em: 27/10/2022.
[2] SOUZA Jr., Carlos M. et al. Reconstructing Three Decades of Land Use and Land Cover Changes in Brazilian Biomes with Landsat Archive and Earth Engine. Remote Sensing, v. 12, n. 17, pp. 2735, 2020.
[3] MISHRA, Bhogendra et al. RICA: A rice crop calendar for Asia based on MODIS multi year data. International Journal of Applied Earth Observation and Geoinformation, v. 103, 2021.
[4] LEITE-FILHO, Argemiro Teixeira et al. Deforestation reduces rainfall and agricultural revenues in the Brazilian Amazon. Nature Communications, v. 12, 2021.