Orientadores: Rubens Augusto Camargo Lamparelli, Luiz Henrique Antunes Rodrigues

Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola

Resumo: O setor agrícola brasileiro está sendo marcado por um novo ciclo de expansão do cultivo da cana-de-açúcar. O Brasil é hoje o maior produtor de cana-de-açúcar do mundo, sendo o Estado de São Paulo o maior produtor nacional, com grandes áreas de plantio. Nesse sentido, a estimativa confiável...

Resumo: O setor agrícola brasileiro está sendo marcado por um novo ciclo de expansão do cultivo da cana-de-açúcar. O Brasil é hoje o maior produtor de cana-de-açúcar do mundo, sendo o Estado de São Paulo o maior produtor nacional, com grandes áreas de plantio. Nesse sentido, a estimativa confiável de área plantada da cana-de-açúcar é de fundamental importância para o agronegócio sucroalcooleiro. As geotecnologias têm sido empregadas nas estimativas de safras agrícolas para diminuir o nível de subjetividade dos métodos tradicionais. As imagens do sensor MODIS fornecem uma ampla cobertura da superfície da Terra com alta periodicidade, que possibilitam o monitoramento agrícola sistemático. Entretanto, a sua moderada resolução espacial faz com que possa ocorrer a mistura espectral de diferentes classes de cobertura do solo dentro de um mesmo pixel, acarretando problemas de acurácia na obtenção de estimativas de área. Nesse contexto, o objetivo principal do trabalho foi desenvolver uma metodologia de classificação automática baseada em redes neuro-fuzzy utilizando séries temporais de índices de vegetação MODIS, para estimar a área plantada de cana-de-açúcar no nível sub-pixel. Considerando as safras 2004/2005 a 2011/2012 analisadas no Estado de São Paulo, os mapeamentos gerados pelo modelo de classificação Fuzzy ARTMAP obtiveram uma alta exatidão e baixa discordância, aliado a uma forte correlação linear com as proporções de cana-de-açúcar de referência. Com isso, foi possível obter a estimativa de área plantada no final de março, com antecedência em relação à colheita, ao contrário dos levantamentos oficiais que se estendem até o final da safra, além de utilizarem dados subjetivos. As estimativas de área plantada de cana-de-açúcar baseadas nas Medidas de Compromisso do classificador Fuzzy ARTMAP mostraram-se fortemente correlacionadas e em concordância com as estimativas de área de referência do Canasat, também bem balizadas com as estimativas oficiais do IBGE, em nível municipal, sendo um indicativo de boa precisão. O nível dos desvios entre as estimativas de área mostrou uma variação média municipal menor em relação aos dados do Canasat do que os dados do IBGE. O desempenho do classificador Fuzzy ARTMAP está intrinsecamente relacionado à caracterização da distribuição geográfica do cultivo da cana-de-açúcar nas mesorregiões do Estado de São Paulo, alcançando melhores ajustes onde o cultivo é mais expressivo. Na consolidação para o nível de mesorregiões, os ajustes alcançaram um desempenho ainda superior, indicado por valores extremamente altos de correlação e concordância. Na comparação da área plantada com os dados do Zoneamento Agroecológico da cana-de-açúcar ao longo das oito safras, observou-se que a expansão do cultivo da cana-de-açúcar predomina essencialmente em regiões aptas, com a tendência recente de incorporar mais áreas para produção agrícola do que pastagens. A metodologia de estimativa de área plantada baseada nas Medidas de Compromisso do classificador Fuzzy ARTMAP foi eficiente para o mapeamento da cana-de-açúcar, demostrando grande potencial para a análise sub-pixel de séries temporais de índices de vegetação MODIS

Abstract: The Brazilian agricultural sector has been marked by a new cycle of expansion of sugarcane cultivation. Currently, Brazil is the largest sugarcane producer and the São Paulo State is the largest national producer, with an extensive cropping area. In this sense, a reliable estimation of...

Abstract: The Brazilian agricultural sector has been marked by a new cycle of expansion of sugarcane cultivation. Currently, Brazil is the largest sugarcane producer and the São Paulo State is the largest national producer, with an extensive cropping area. In this sense, a reliable estimation of sugarcane crop area is essential for the sugar-ethanol agribusiness. Geotechnologies have been employed on agricultural crop estimates to reduce the level of subjectivity of the traditional methodologies. MODIS sensor images provide a wide coverage of the Earth¿s surface with high periodicity, supporting the systematic agricultural monitoring. However, its moderate spatial resolution leads to the spectral mixture of different land cover classes within the same pixel, causing accuracy problems on crop area estimation. In this context, the main objective of the study was to develop an automatic classification methodology based on neuro-fuzzy networks using MODIS vegetation indices time-series to estimate the sugarcane crop areas at sub-pixel level. Considering the analyzed cropping years in the São Paulo State, from 2004/2005 to 2011/2012, the maps generated by the Fuzzy ARTMAP classification model showed high accuracy and low disagreement, in addition to a strong linear correlation with the proportions of the sugarcane reference. Then, it was possible to obtain the crop area estimation at the end of March, prior to the harvest period, unlike the official surveys, which extend until the end of the harvest and use subjective data. The sugarcane crop area estimation based on the Commitment Measures from the Fuzzy ARTMAP classifier showed to be strongly correlated and in agreement with the reference area estimation of Canasat, also well marked out with the official estimation from IBGE, at municipal level, being an indicative of good accuracy. The deviation level between the estimations showed a lower municipal average variation in relation to Canasat data than IBGE data. The performance of the Fuzzy ARTMAP classifier is intrinsically related to the characterization of geographical distribution of the sugarcane cultivation in the mesoregions of the São Paulo State, reaching best adjustments where the cultivation is more expressive. In the data consolidation at the mesoregion level, the adjustments achieved even greater performance, demonstrated by extremely high values of correlation and agreement. Comparing the crop area estimation with the Sugarcane Agroecological Zoning in the eight crop seasons, it was observed that this cultivation predominates mostly in suitable regions, with the recent trend of incorporating more areas for agricultural production than pastures. The methodology for crop area estimation, based on the Commitment Measures of the Fuzzy ARTMAP classifier, was efficient for sugarcane crop area mapping, showing great potential for the sub-pixel analysis of MODIS time-series of vegetation indices