Sensoriamento Remoto Aplicado à Previsão e Monitoramento de Safras da Cana-de-açúcar
As safras no Brasil são estimadas, predominantemente, por meio de formulários e entrevistas realizadas com agricultores, cooperativas e agroindústria.
As estimativas são feitas, normalmente, seis vezes por ano em várias regiões agrícolas brasileiras, sendo realizadas mais frequentemente por um inventário das culturas.
Além disso, dados completos sobre as culturas agrícolas podem ser estratégicos para monitorar uma safra. No entanto, esses inventários periódicos são difíceis de serem realizados devido à grande extensão do território brasileiro.
Para evolução do monitoramento e previsão de safras da cana-de-açúcar no país é necessário conhecer a região de plantio, a fenologia da cultura e o clima, pois a cultura é influenciada pela variação das condições meteorológicas durante um ano inteiro.
Uma das formas de avaliar o impacto do clima na produção vegetal pode ser por meio do cálculo do balanço hídrico dos climas atual e futuro.
Dessa maneira, o aumento da temperatura causa um aumento da evapotranspiração e, consequentemente, um aumento na demanda hídrica, com reflexo direto no risco climático para a cultura.
A previsão e o acompanhamento de safras agrícolas têm progredido gradativamente através da utilização de métodos e técnicas provenientes de várias áreas do conhecimento, tais como estatística, modelagem matemática, agronomia, agrometeorologia, climatologia, geoprocessamento e sensoriamento remoto, entre outras.
O avanço tecnológico nas últimas décadas tem levado a um aumento rápido no volume de dados captados, gerados e armazenados por diferentes instituições.
Em sensoriamento remoto, esse volume de dados tem crescido em tamanho e complexidade de forma exponencial, excedendo a capacidade humana de análise e extração de informações de forma manual.
Por outro lado, a possibilidade de lidar com uma grande quantidade de dados e extrair novos conhecimentos tem motivado especialistas em todo o mundo.
Dessa forma, esses novos desafios em pesquisa na área de sensoriamento remoto têm incentivado cada vez mais a formação de grupos multi e interdisciplinares.
A utilização de séries temporais de imagens de satélites, modelagem agrometeorológica e técnicas de mineração de dados pode ser de grande utilidade no desenvolvimento de métodos de previsão e acompanhamento de safras da cana-de-açúcar no país, pois são baseadas na detecção de mudanças do comportamento espaço-temporal das áreas agrícolas e dos dosséis vegetais.
A utilização de métodos computacionais auxilia na detecção de padrões e na geração de conhecimento a fim de aprimorar o monitoramento agrometeorológico, assim como na obtenção de modelos que sejam aplicáveis, simultaneamente, a vários municípios produtores de cana-de-açúcar, e tem a finalidade principal de aumentar a objetividade, a precisão e a antecipação da previsão de safra da cana-de-açúcar, que já é estratégica para o país e será ainda mais na adaptação do setor às mudanças climáticas.
O desenvolvimento contínuo e a utilização de várias técnicas de previsão deverão ser a forma encontrada para estimar safras agrícolas com a precisão e a antecipação necessárias para o planejamento das produções de cana-de-açúcar e etanol.
Dessa maneira, destaca-se, neste capítulo, o sensoriamento remoto, e, principalmente, a utilização de séries temporais de imagens de satélites como sendo uma das principais fontes de dados e informações para o monitoramento e previsão de safras da cultura.
O que é sensoriamento remoto?
Uma definição ampla de sensoriamento remoto pode ser dada como sendo a aquisição de informações sobre um objeto sem que se entre em contato físico com ele.
Existem palavras-chave que definem sensoriamento remoto, tais como, distância, informação e contato físico, sendo aplicadas em diferentes escalas de trabalho, como na superfície terrestre, na atmosfera e no espaço.
Na tecnologia espacial, o sensoriamento remoto pode ser definido como a utilização conjunta de sensores, equipamentos para processamento de dados, equipamentos de transmissão de dados coletados a bordo de aeronaves, espaçonaves ou outras plataformas, com o objetivo de estudar eventos, fenômenos e processos que ocorrem na superfície do planeta Terra a partir do registro e da análise das interações entre a radiação eletromagnética (REM) e as substâncias que o compõem em suas diversas manifestações.
Nesse contexto, os sensores remotos orbitais são sistemas que transformam a radiação eletromagnética em um sinal elétrico com informações sobre o ambiente visado.
Esses sensores podem ser ativos – que produzem a própria radiação, como o radar, por exemplo – ou passivos – que dependem de fonte externa, que é comumente a radiação solar, tais como os satélites.
O produto adquirido pelos sensores remotos ativos e passivos nos processos de interação entre a radiação eletromagnética e a superfície terrestre é uma imagem de radar ou satélite, que fornece informações sobre os recursos naturais terrestres, tais como água, solo, rochas e vegetação.
Características das imagens de satélites
Imagem de satélite é uma função bidimensional de intensidade da radiação eletromagnética em qualquer ponto (x,y) da superfície terrestre.
Uma imagem digital é uma imagem que foi discretizada tanto nas coordenadas espaciais (x,y) (amostragem através de digitalização espacial) quanto no brilho f (x,y) (quantização através de digitalização de amplitude), sendo comumente representada por uma matriz cujas linhas e colunas identificam a localização do ponto na imagem, e a célula da matriz (denominada de pixel, que é a contração de Picture Element) contém o nível de cinza (valor do brilho discretizado).
As características das imagens de satélite são apresentadas de acordo com os sistemas sensores de cada satélite em órbita.
Existem inúmeros satélites comerciais de observação da Terra em órbitas de interesse urbano, ambiental e agrícola, com diferentes características de resolução e periodicidade.
A resolução é a capacidade que um sistema sensor tem de distinguir entre respostas que são semelhantes ou próximas em termos espaciais, espectrais, radiométricos ou temporais.
A resolução espacial representa o menor objeto passível de detecção pelo sistema sensor. Um objeto somente pode ser detectado quando o tamanho dele é, no mínimo, igual (ao) ou maior do que o tamanho do elemento de resolução no terreno, ou seja, do pixel.
Um sensor que tem uma resolução espacial de 30 metros corresponde a um pixel com uma área imageada de 30 x 30 metros.
A resolução espectral é uma medida da largura das faixas espectrais e da sensibilidade do sistema sensor em distinguir entre dois níveis de intensidade do sinal de retorno.
Por exemplo, um sistema sensor que opera na faixa de 0,4 a 0,5μm tem uma resolução espectral maior do que um sensor que opera na faixa de 0,4 a 0,6μm e será capaz de registrar pequenas variações no comportamento espectral em regiões mais estreitas do espectro eletromagnético.
A resolução radiométrica é a distinção das variações no nível de energia refletida, emitida ou retroespalhada que deixa a superfície do alvo.
Quanto maior for a capacidade do sensor de distinguir diferenças de intensidade do sinal, maior será a resolução radiométrica. A quantização do sinal é medida pelo intervalo de número de valores digitais usados para expressar os valores de radiância medidos pelo detector.
A quantização é normalmente expressa em termos de números de dígitos binários (bits). Quanto maior a quantização, maior será a qualidade visual da imagem.
Uma imagem de 8 bits (28=256) tem detalhes visuais melhores que as imagens de menores resoluções radiométricas, de 6, 4 e 2 bits.
A resolução temporal refere-se à frequência com que o sensor revisita uma área e obtém imagens periódicas ao longo de sua vida útil.
A resolução temporal do imageamento é diferente (5 minutos, 30 minutos, 1 dia, 16 dias ou 26 dias) para cada sistema sensor, pois cada sensor faz varredura de faixas no terreno de larguras diferentes.
Dentre alguns sistemas sensores, destacam-se os de alta resolução espacial (Ikonos, Quick-Bird, Geoeye e Rapideye), os de média resolução espacial (Landsat, Spot e CBERS) e os de baixa resolução espacial, mas com alta periodicidade temporal (AVHRR/NOAA, MODIS e CBERS/WFI).
Processamento das imagens
O pré-processamento das imagens de satélite refere-se ao conjunto de tratamentos que permitem a transformação de dados digitais brutos em dados corrigidos, radiométrica e geometricamente, isto é, visa preparar os dados brutos recebidos nas estações em produtos confiáveis e de qualidade para sua utilização posterior nas mais diversas aplicações (Figura 5.1).
A relação entre os valores digitais das imagens de satélite e a refletância ou a radiância das superfícies observadas é afetada pelas perturbações próprias do sensor, incluindo a resolução radiométrica e dinâmica dos dados, pelos efeitos devidos à presença da atmosfera e, também, pelo perfil do relevo terrestre.
O conhecimento desses fatores é relevante para que seja possível distinguir as variações relacionadas com a captura dos dados pelos satélites, das variações referentes às próprias grandezas medidas, e que realmente interessam às diversas aplicações de interesse.
As etapas do pré-processamento das imagens são: calibração radiométrica e correções atmosférica e geométrica.
A etapa da calibração radiométrica corresponde à conversão dos valores digitais da imagem em refletância ou unidades de radiância aparente medidas no satélite.
Os coeficientes de calibração utilizados nesse caso determinam a resolução radiométrica e dinâmica dos dados obtidos a partir das imagens, sendo que a sua variação temporal é de grande importância no tratamento de imagens multitemporais.
A radiância medida por um sistema de sensoriamento remoto para um dado alvo é influenciada por fatores como: mudanças de iluminação da cena, condições atmosféricas, geometria de visada e características de resposta dos sensores.
Para comparar dados de uma mesma cena que tenham sido gerados pelo mesmo sensor, em momentos distintos, é necessário remover os erros possíveis relacionados a diferenças entre esses fatores.
Para remover esses erros, os sensores multiespectrais passam por uma calibração antes mesmo de serem lançados, que é a calibração de pré-lançamento, feita em laboratório, na qual é possível obter os coeficientes de calibração.
E também passam pela calibração pós-lançamento, na qual as técnicas de obtenção dos coeficientes de calibração de pós lançamento envolvem a análise de superfícies de referência radiometricamente estáveis.
O objetivo aqui é calcular a radiância desses alvos no topo da atmosfera e compará-la aos valores digitais medidos pelo sensor sobre as áreas de referência.
A correção atmosférica é realizada para reduzir o efeito da atmosfera sobre os valores de nível de cinza registrados em uma imagem.
A radiância captada pelos sensores orbitais é proveniente do alvo imageado e da atmosfera, pois as partículas e gases presentes na atmosfera afetam os sinais recebidos por eles.
Os principais efeitos observados nas imagens de satélite, devido à presença real da atmosfera entre o satélite e a superfície terrestre, são a diminuição da faixa de valores digitais possíveis registrados pelo sensor, a diminuição do contraste entre superfícies adjacentes e a alteração do brilho de cada ponto da imagem.
Os gases (principalmente vapor d’água, oxigênio, ozônio e dióxido de carbono) e os aerossóis (pequenas partículas materiais, distintas da água e do gelo, em suspensão, com raio variando de 0,1μm a 10μm) absorvem e espalham a radiação solar desde quando ela atinge a atmosfera até deixá-la, depois de refletida pelo solo.
Por fim, as imagens geradas por sensores remotos estão sujeitas a uma série de distorções espaciais, não possuindo, portanto, precisão cartográfica quanto ao posicionamento dos objetos, superfícies ou fenômenos nelas representados.
Para que a precisão cartográfica seja considerada em imagens de sensoriamento remoto, é necessário que elas sejam corrigidas segundo um sistema de coordenadas.
A correção geométrica de imagens, ou georreferenciamento, é definida como um processo que transforma a imagem de satélite em uma projeção cartográfica conhecida.
Séries temporais de imagens de satélites
Como já mencionado, os avanços tecnológicos nos últimos anos têm melhorado a qualidade dos sensores orbitais, levando a um aumento na quantidade de imagens captadas e disponíveis.
Dessa forma, esse conjunto de dados de observação da Terra tem crescido não só em tamanho, mas também em resolução, número de bandas espectrais e frequência de aquisição, permitindo novos estudos, bem como motivando o desenvolvimento de novos métodos e técnicas de análises de dados/imagens.
Nesse cenário, ao se obterem dados temporais na mesma região geográfica, é possível construir uma série temporal de imagens de satélites (SITS, do inglês Satellite Image Time Series).
Consultando bases de dados digitais como o Institute of Electric and Electronic Engineers (IEEE) e a Association for Computing Machinery (ACM), obtêm-se ainda poucos artigos científicos como resultados para o termo de busca SITS, sendo 37 e 6 respectivamente. Os primeiros artigos datam de 2006, o que mostra como essa área de estudo é bastante recente.
As SITS têm sido cada vez mais utilizadas, pois possuem informação agregada de tempo e espaço sobre a cena observada.
Dessa forma, essas séries tornam-se recursos preciosos para estudos sobre a superfície da Terra, com aplicações em várias áreas, tais como, por exemplo, agricultura e uso e cobertura da terra.
As séries disponíveis atualmente podem ser de alta resolução temporal (AVHRR-NOAA, Spot Vegetation, MODIS) ou de alta resolução espacial (Landsat). De acordo com Petitjean et al., alguns aspectos, no entanto, devem ser observados:
- Dados de referência: Não é possível garantir que dados de referência (amostras de treino para algoritmos ou verdades terrestres) estarão disponíveis e prontos para uso todos os dias ou semanas. É preciso, portanto, usar ou desenvolver métodos capazes de operar de forma não supervisionada ou avaliar a possibilidade de uso de dados de referência de anos anteriores;
- Amostragem irregular: a irregularidade na frequência de amostragem temporal das imagens pode prejudicar mais a análise por determinados métodos quando se trata de uma série de imagens com intervalo temporal menor, como por exemplo imagens diárias ou mensais. Ao passo que, se o conjunto de dados é composto por uma imagem-composição para cada estação do ano, a falta de uma imagem diária ou semanal pode impactar pouco. De qualquer forma, aqueles métodos que lidam com amostragem temporal irregular são mais adequados para explorar plenamente as aquisições disponíveis;
- Fenômenos sazonais: muitos parâmetros, como, por exemplo, índices de vegetação, possuem um comportamento periódico que pode se alterar de acordo com outras medidas físicas, como as condições meteorológicas, por exemplo. Sendo assim, não é o sensor, mas o objeto observado que tem um comportamento temporal irregular. Nesse caso, os métodos que têm algum tipo de invariância para alongamento ou dilatação temporal são os mais indicados.
As SITS são dados estruturados tanto temporal quanto espacialmente. A estrutura espacial do dado é geralmente utilizada como base para a comparação entre valores diferentes, ou seja, as coordenadas (x, y) do pixel nas imagens identificam cada área imageada ao longo do tempo.
A dimensão temporal pode impactar a estruturação dos dados, dependendo de como essa informação é utilizada. Em algumas análises, o tempo pode ser utilizado apenas como um atributo sem ser como forma de ordenação das imagens.
Nesse caso, imagens diferentes podem ser concatenadas em uma única imagem com vários atributos, sendo que o tempo passa a ser um novo atributo identificador. A dimensão temporal também pode ser utilizada para estruturar pares de imagens ou estruturar séries de imagens.
Métodos distintos têm sido utilizados a fim de analisar as SITS, contribuindo para a pesquisa científica em várias áreas do conhecimento.
Métodos estatísticos, como a Análise de Componentes Principais e o Fator de Auto Correlação Máximo, são técnicas que permitem a transformação linear dos dados.
Esses métodos são simples de usar e geralmente geram resultados úteis na prática. Exemplos da aplicação dessas técnicas podem ser encontrados na literatura em Nielsen et al. e Howarth et al.
Métodos de agrupamento em que nenhuma informação adicional, além do próprio conjunto de dados, é necessária para separar os dados em grupos têm sido aplicados às SITS.
O método K-Means é o mais utilizado com propósitos diferentes, como, por exemplo, para auxiliar no acompanhamento de safras agrícolas a partir de séries de imagens AVHRR/NOAA.
A combinação de resultados de diferentes métodos de agrupamento aplicados a imagens de satélite com o objetivo de encontrar grupos de padrões que sejam comuns a todos os agrupamentos foi proposta por Kyrgyzov et al.
Mais recentemente, conjuntos de dados multidimensionais, ou seja, SITS compostas por imagens originadas a partir de índices diferentes estão sendo submetidos a algoritmos de agrupamento a fim de melhorar a qualidade dos resultados, gerando grupos com objetos mais similares entre si no próprio grupo e mais distintos entre grupos diferentes.
A classificação das SITS baseada em pixels ou regiões traz resultados importantes para diversas áreas de aplicação, como agricultura, dinâmica do uso do solo e desertificação, dentre outros.
Métodos clássicos, como árvores de decisão, support vector machine, k-means, expectation maximization e K-nn, dentre outros, e novas proposições têm sido utilizados com resultados satisfatórios.
Além disso, existem métodos que classificam independentemente todas as imagens e depois as combinam ou fundem para produzir uma classificação simples.
A vantagem desses métodos é que eles não requerem a comparação de níveis radiométricos entre imagens, existindo exemplos com quatro imagens ou mais.
Nesse caso, a dimensão temporal não tem efeito sobre o resultado. Algoritmos de classificação semissupervisionada baseados em grafos também têm sido aplicados às SITS com o objetivo de classificar áreas agrícolas.
Alguns métodos de análise de SITS utilizam informação temporal para gerar uma ordenação parcial das imagens, geralmente pares de imagens. Nesse caso, esses métodos pressupõem que os valores entre as imagens sejam comparáveis.
Por meio de operadores de combinação simples, como subtração, divisão ou mesmo outros mais complexos, os valores das imagens num tempo t são combinados com os do tempo t-1 a fim de revelar a estrutura temporal intrínseca do dado.
A imagem combinada resultante pode ser classificada para mapear, por exemplo, áreas de mudança.
Esses métodos são limitados e podem ser aplicados a duas imagens ao mesmo tempo. No caso das SITS, esses métodos têm sido aplicados várias vezes, o que leva a resultados de difícil análise.
O método de regressão linear que considera o valor do pixel num tempo t linearmente correlacionado ao valor do pixel no tempo t-1 também tem sido muito utilizado.
Outra classe de métodos considera a sequência de imagens ordenadas pela informação temporal para estudar a evolução de uma área.
Essas técnicas compreendem o uso de filtros, como a técnica transformada de Fourier ou Wavelets, por serem capazes de lidar com séries temporais, auxiliando na preparação dos dados antes da análise por outros métodos de classificação, como, por exemplo, pelos métodos de Andres et al. e Celik e Ma.
Também é possível utilizar técnicas para detecção de padrões sequenciais que pressupõem um passo anterior de discretização dos dados para reduzir o espaço de busca.
Exemplos de aplicação para cana-de-açúcar
Aplicações de uso do sensoriamento remoto para acompanhamento do desenvolvimento da cana-de-açúcar têm sido realizadas para os estados de São Paulo, Mato Grosso do Sul, Mato Grosso e Goiás, que se caracterizam por apresentar áreas plantadas de grandes dimensões espaciais, em terreno de relevo plano e suavemente ondulado.
O estado de São Paulo está situado entre as coordenadas geográficas 54° e 43°30’ de longitude oeste e 25°30’ e 19°30’ de latitude sul e os estados de Mato Grosso do Sul, Mato Grosso e Goiás, entre as coordenadas 62° e 45° de longitude Oeste e 7° e 26° de latitude Sul.
A Figura 5.2 ilustra a área de interesse e as aplicações para a cana-de-açúcar que serão descritas a seguir.
Para a execução dos estudos de monitoramento da cultura da cana-de-açúcar, utilizou-se o banco de imagens do satélite AVHRR/NOAA do Centro de Pesquisas Meteorológicas e Climáticas Aplicadas à Agricultura, da Universidade Estadual de Campinas (Cepagri/Unicamp), que possui um acervo digital com dados desde abril de 1995 com mais de 54.000 imagens.
O sistema SatImagExplorer tem sido utilizado normalmente no processamento das séries de imagens, pois o sistema permite que o especialista interaja com as imagens e especifique regiões de interesse (ROI), utilizando como base de entrada uma imagem da série.
A seguir, o SatImagExplorer extrapola a indicação de região para todas as imagens da sequência, gerando séries temporais das ROIs correspondentes à indicada para todas as imagens disponíveis.
A relação existente entre dados climáticos e produtividade da cana-de-açúcar, expressa por meio de índices estimados com dados de satélites, foi estudada por Gonçalves et al., que utilizaram o índice de vegetação (EVI) e os dados do Tropical Rainfall Measuring Mission (TRMM), na região Centro-Sul do Brasil, para o período 2001-2011, e propuseram uma equação para estimar o EVI a partir de dados do TRMM.
O interesse na utilização dos dados do TRMM é amplamente justificado pela dificuldade frequente em obter dados das estações meteorológicas de superfície no Brasil.
Ressalta-se que as relações encontradas para os estados de São Paulo e Mato Grosso foram melhores que as de Goiás e Mato Grosso do Sul, sendo que todas as equações propostas podem ser utilizadas na prática para monitorar e acompanhar o desenvolvimento da cana-de-açúcar na região Centro-Sul do Brasil.
Esses resultados foram confirmados por Gonçalves et al. utilizando o índice EVI2 para os estados de Goiás, Mato Grosso e Mato Grosso do Sul.
Um algoritmo, denominado CLEARMiner (sigla de Climate and rEmote sensing Association patteRns Miner) foi proposto por Romani et al. para mineração de padrões de associação em séries temporais heterogêneas de dados climáticos e de sensoriamento remoto, integrados em um sistema de informações desenvolvido para melhorar o monitoramento de plantios de cana-de-açúcar.
Esse sistema, denominado RemoteAgri, é constituído de um grande banco de dados climáticos e de imagens de satélite de baixa resolução espacial, um módulo de pré-processamento de imagens, um módulo de extração de séries temporais de dados e métodos de mineração de séries temporais.
O módulo de pré-processamento foi projetado para fazer a correção geométrica precisa das imagens, que é imprescindível em aplicações baseadas na utilização de séries de imagens de satélites.
A extração de séries temporais é feita através de uma interface gráfica que facilita a interação com os usuários.
Os métodos de mineração de séries temporais transformam séries em representações simbólicas para identificar padrões e associá-los com outros tipos de dados em uma janela deslizante.
O processo de validação foi realizado com dados agroclimáticos e séries de imagens do AVHRR/NOAA em plantios de cana-de-açúcar.
As regras geradas pelo algoritmo CLEARMiner mostram padrões de associação entre os dados agroclimáticos e os de sensoriamento remoto, em diferentes períodos de tempo em cada série, indicando uma diferença temporal entre eles.
Essa diferença de resposta entre séries temporais também foi obtida por Gonçalves et al., ao avaliar a correlação existente entre dados do índice agroclimático ISNA (Índice de Satisfação das Necessidades de Água) com a resposta espectral de plantios de cana-de-açúcar registrada nas imagens do AVHRR/ NOAA.
Também foi possível obter equações de estimativa de uma variável em relação à outra utilizada, sendo que a previsibilidade do NDVI mostrou ser maior que a do ISNA.
Métodos de classificação semissupervisionada para análise de séries multitemporais de imagens de satélite foram utilizados para classificar a área do estado de São Paulo em: área florestal, água ou área urbana, cana-de-açúcar, pasto, área agrícola e cultura perene (café, citros ou outra).
De forma geral, o potencial dessa análise pode ser destacado pelo uso de imagens de baixa resolução espacial, pois, apesar da perda de informação na captura das imagens, as técnicas aplicadas permitem a extração de conhecimento relevante, com bons resultados, como apontam os especialistas que avaliaram os resultados.
Gonçalves et al. ainda propuseram utilizar técnicas de mineração de agrupamento em séries temporais multidimensionais de imagens NDVI, albedo e temperatura de superfície do satélite AVHRR/NOAA para mapear a variabilidade de uso da terra no estado de São Paulo, destacando, principalmente, a cultura de cana-de-açúcar.
Embora as séries do MODIS/TERRA também sejam utilizadas em aplicações agrícolas como as do sensor AVHRR/NOAA, é importante avaliar se o monitoramento de culturas cultivadas em grandes áreas, como a da cana-de-açúcar, pode ser realizado por sensores de resolução mais baixa.
De forma complementar, a durabilidade da série do sensor AVHRR está garantida devido ao lançamento do sensor no satélite METOP, o que não é possível garantir em relação ao MODIS.
Nesse contexto, Gonçalves et al. propuseram a utilização de métodos de mineração de séries temporais associados a imagens de sensores orbitais (AVHRR/NOAA e MODIS/TERRA) de baixa resolução espacial como uma alternativa de acompanhamento das culturas cultivadas em grandes áreas, embora a mistura espectral possa ocorrer. Os dois sensores apresentaram resultados satisfatórios.
Essas aplicações práticas apresentaram uma abordagem para avaliar o monitoramento e o mapeamento da expansão da cana-de-açúcar, por meio de técnicas de mineração de dados e de séries temporais de dados agroclimáticos e espectrais de baixa resolução temporal.
Ao utilizar satélites de baixa resolução espacial, é mais difícil evidenciar a diferença entre os estádios de desenvolvimento da cana-de-açúcar, mas com a técnica de agrupamento de séries temporais de dados e imagens, mesmo ocorrendo mistura espectral, foi possível acompanhar a evolução da cultura ao longo das safras, identificando regiões com padrões semelhantes.
Dessa maneira, técnicas de mineração de dados e de séries temporais de dados agroclimáticos e espectrais auxiliam a compreensão do desenvolvimento da cana-de-açúcar e sua expansão para outras regiões do país.
Se você tem interesse em saber mais sobre a Cultura da Cana-de-açúcar, te convido a conhecer a plataforma da AgricOnline. Ao fazer a sua assinatura, você tem acesso ilimitado a todos os cursos da plataforma. São cursos que vão desde produção vegetal, produção animal, mercado e carreira.
Ao término de cada curso, você tem direito ao certificado com a carga horária de cada curso, clique no link para conhecer.
Ou clique no link:
https://go.agriconline.com.br/pass/?sck=portal
Fonte
ZULLO JUNIOR, J., FURTADO, A.T., and PFEIFFER, C.C., eds. Planejamento da produção de cana-de-açúcar no contexto das mudanças climáticas globais. Campinas - SP: Editora da Unicamp, 2016.
