Identificação e mapeamento de áreas de soja na região sul do Rio Grande do Sul por meio de imagens MODIS
Resumo
Devido à importância da soja na economia brasileira, a correta identificação e mapeamento das áreas de sojas são de suma importância ao planejamento da produção agrícola e da comercialização. Neste sentido, o objetivo deste trabalho foi desenvolver uma metodologia rápida e operacional para a identificação e mapeamento das áreas cultivadas com soja em municípios do sul do Rio Grande do Sul a partir da adaptação da metodologia Crop Enhancement Index (CEI) em imagens MODIS. Inicialmente, obteve-se um mapa de referência a partir da interpretação visual multitemporal de imagens Landsat adquiridas para a safra 2013/14 em três municípios. Para adaptar a metodologia CEI para o calendário agrícola da soja (períodos de mínimo e máximo Índice de Vegetação (IV)) utilizaram-se as imagens MODIS compostas em 16 dias para as bandas espectrais do vermelho (RED) e do Infravermelho próximo (NIR), sob a forma do IV Enhanced Vegetation Index 2 (EVI2). Em seguida, uma adaptação espectral foi realizada adicionando-se a banda do infravermelho de ondas curtas (SWIR). Na adaptação espacial, as imagensMODIS foram reamostradas a partir de três algoritmos (vizinho mais próximo, bilinear e convolução cúbica) para quatro tamanhos de pixel (250, 125, 62,5 e 30m). Por fim, avaliou-se a capacidade da metodologia CEI/MODIS na identificação das áreas de soja considerando a sua dimensão. Os períodos de mínimo e máximo IV mais adequados vão de 17 de novembro a 1º de janeiro e de 17 de janeiro a 22 de março, respectivamente. A inserção da banda do SWIR aumentou 2,5% o desempenho da metodologia no mapeamento da classe “soja”. Na adaptação espacial, o melhor resultado foi obtido com o tamanho do pixel em 125 m reamostrado pelo algoritmo convolução cúbica, o que provocou um aumento de 6,77% no acerto do mapeamento da classe “soja” e de 1,63% na exatidão global. Em geral, exatidão do produtor foi de 49,07 e 98,72% e a exatidão do consumidor foi de 84,31 e 93,97%, para as classes ”soja” e “soja” respectivamente, com exatidão global de 92,63%. Na identificação 10 dos talhões de soja, os melhores resultados foram observados para aqueles entre 50 e 100 ha (54%) e acima de 100 ha (83,16%).