Orientadores: Rubens Augusto Camargo Lamparelli, Jansle Vieira Rocha

Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola

Resumo: A produção de café esteve intimamente ligada ao desenvolvimento econômico do Brasil e ainda hoje o café é um importante produto da agricultura nacional. O Estado de Minas Gerais responde atualmente por 52% de toda a área de café do Brasil. Dessa forma, dada a importância da cafeicultura para...

Resumo: A produção de café esteve intimamente ligada ao desenvolvimento econômico do Brasil e ainda hoje o café é um importante produto da agricultura nacional. O Estado de Minas Gerais responde atualmente por 52% de toda a área de café do Brasil. Dessa forma, dada a importância da cafeicultura para a economia brasileira, é necessário desenvolver e melhorar as metodologias para seu monitoramento. Dados de sensoriamento remoto podem fornecer informações para o monitoramento e o mapeamento de café de maneira mais rápida e menos onerosa do que os métodos convencionais. Nesse contexto, os objetivos desta pesquisa foram identificar a bienalidade da cultura de café por meio de dados do sensor MODIS, juntamente com dados de estações meteorológicas, entre os anos de 2004 a 2012, e avaliar a eficácia das imagens-fração derivadas do sensor MODIS no mapeamento automático das áreas de café do município de Monte Santo de Minas/MG. Foi utilizada uma série temporal com 163 imagens da banda NIR do MODIS, produto MOD13Q1, para se extrair os valores de refletância dos pixels com pelo menos 80% de café. Dados diários de temperatura e precipitação foram agrupados de acordo com a resolução temporal das imagens (16 dias) para o cálculo do balanço hídrico. Para o mapeamento das áreas de café, foram utilizadas imagens do MODIS, bandas MIR, NIR e RED, dos períodos seco e chuvoso. Através do Modelo Linear de Mistura Espectral foram derivadas imagens-fração de solo, café e água/sombra. Estas imagens-fração serviram como dados de entrada para a classificação automática supervisionada com o método SVM - Support Vector Machine. Os resultados mostraram que para o monitoramento do café os dados de refletância dos períodos de colheita apresentaram maior correlação com a alternância da quantidade da produção. A partir da matriz de erro montada entre as classificações e as máscaras de referência, observou-se que os melhores resultados de Exatidão Global e Índice Kappa foram obtidos na classificação do período seco, sendo 67% e 0,41, respectivamente. Análises estatísticas de correlação e coeficiente de variação aplicadas sobre as imagens-fração de café permitiram melhor compreensão da complexidade do mapeamento do café

Abstract: Coffee production was closely linked to the economic development of Brazil and even today coffee is an important product of national agriculture. The State of Minas Gerais currently accounts for 52% of the whole area of coffee in Brazil. Thus, given the importance of the coffee crops to...

Abstract: Coffee production was closely linked to the economic development of Brazil and even today coffee is an important product of national agriculture. The State of Minas Gerais currently accounts for 52% of the whole area of coffee in Brazil. Thus, given the importance of the coffee crops to Brazilian economy, it is necessary to develop and improve methodologies for its monitoring. Then, remote sensing data can provide information for monitoring and mapping of coffee crops faster and cheaper than conventional methods. In this context, the objectives of this study were to identify the biennial yield of the coffee crop using data from MODIS and meteorological stations, over the period between 2004 and 2012, and assess the effectiveness of the fraction-images derived from MODIS in the automatic mapping of the areas of coffee in Monte Santo de Minas/MG. Were used a time series of 163 images of NIR band from MODIS, MOD13Q1 product, to extract the values of reflectance of pixels with at least 80% of coffee. Daily data of air temperature and precipitation were compiled to 16-day intervals to match the temporal resolution of MODIS imagery and to calculate the water balance. For coffee mapping, we used MODIS imagery, MIR, NIR and RED bands, of dry and rainy seasons. Through the Spectral Linear Mixing Model were derived fraction images of soil, coffee and water/shadow. These fraction images served as input data for supervised classification with SVM - Support Vector Machine approach. The results showed that for coffee monitoring the reflectance data of harvest period presented higher correlation with the alternation of coffee production. From the error matrix between the classifications and reference masks, it was observed that the best results of Overall Accuracy and Kappa Index were obtained in the classification of the dry season, with 67% and 0.41, respectively. Statistical analyses of correlation and coefficient of variation applied over images fraction of coffee allowed a better understanding about the complexity of mapping coffee