Modelos de Previsão de Safra de Soja de Londrina Via Satélite NOAA
André Luiz Farias de Souza*
William Tse Horng Liu **
* Aluno de Pós-graduação, [email protected]
** Professor Doutor, [email protected]
Departamento de Ciências Atmosféricas. IAG – USP
Abstract
Soybean crop yield, monthly meteorological and satellite derived indices data for the period of 1981
to 1991 were used to develop crop yield forecasting models for the Londrina County of Paraná State.
Various combinations of the independent variables, such as precipitation, potential
evapotranspiration, maximum and minimum temperatures, NDVI, VCI and TCI were used to
construct and selected 8 models for comparison, using SAS statistical package. The observed yield
data of 1992 to 1994 were used to compare and evaluate the model performance. The results showed
that soybean crop yield prediction models based on satellite index data are as good as those models
based on meteorological data. The model using VCI and TCI data had better performance among the
satellite index models. Our next research step is trying to use AVHRR data to calculate surface
temperature and hence to generate TCI data for constructing the models free of using the ground
observed data.
1. Introdução
O Brasil é um dos principais produtores e exportadores de soja do mundo. Em vista disso, perdas na
produção agrícola provocadas por estresses ambientais podem afetar a balança comercial em âmbito
local e até global. Logo, torna-se imprescindível a previsão de safra no contexto do planejamento da
produção agrícola. Várias técnicas, incluindo observações no campo, modelos agrometorológicos
(Liu e Liu, 1988) e modelos de processos fisiológicos (Hodges, et. al., 1987) foram utilizados na
previsão de safra agrícola em diversos países. Devido aos modelos agrometeorológicos e processos
fisiológicos serem baseados em dados pontuais, a previsão pela sua extrapolação espacial pode
comprometer sua precisão. Recentemente, os dados de satélites que fornecem uma fonte de dados
contínuos de alta freqüências temporal e espacial estão sendo utilizados no desenvolvimento de
modelos alternativos para a previsão da safra. Índices de satélites, tais como NDVI (Normalized
Vegetation Index), VCI (Índice de Condição da Vegetação) e TCI (Índice de Condição da
Temperatura), têm sido utilizados na construção de modelos de previsão de safra (Rasmussen, 1997;
Unganai e Kogan, 1998). Com o objetivo de desenvolver e avaliar a técnica de previsão de safra via
satélite, utilizou-se várias combinações dos parâmetros meteorológicos e índices via satélite para
construir 8 modelos de previsão de safra da cultura da soja, tomando como base de testes o município
de Londrina no estado do Paraná
2. Metodologia
Os dados de precipitação, evapotranspiração potencial, temperatura máxima e mínima, NDVI, VCI e
TCI, do período entre 1981 e 1991, foram utilizados para construir 8 modelos alternativos, através do
pacote estatístico SAS. Devido a indisponibilidade dos dados do canal 4 (Banda termal) do satélite
NOAA, os dados de TCI foram calculados com os dados observados da temperatura do ar. Os dados
de NDVI e VCI foram gerados com os dados de NOAA AVHRR GAC 10 dias composto, fornecidos
pelo GSFC/NASA. Estes dados já estavam disponíveis com as correções radiométricas e
atmosféricas (Eidenshink e Faundeen, 1997). Os parâmetros que representam os períodos mais
sensíveis do ciclo fenológico relacionados ao desenvolvimento da cultura, foram identificados
através da técnica estatística de regressão múltipla, utilizando os processos de “Forward” e
“Stepwise”. O critério de seleção dos modelos alternativos levou em consideração o coeficiente
quadrádico de correlação (R2), nível de significância e do número de parâmetros envolvidos. Várias
combinações de diversos períodos durante o ciclo fenológico da cultura de soja (agosto à março)
para cada parâmetro, o seu valor quadrádico e os valores acumulados foram utilizados para construir,
selecionar e avaliar os modelos alternativos. Os dados de produtividade de soja fornecidos pelo
IBGE do período de 1981 à 1991, foram utilizados para construir e selecionar os modelos e com os
valores de 1992 à 1994 foram realizadas comparações para avaliar os modelos selecionados.
3. Resultados e Discussões
Os 8 modelos selecionados foram os seguintes:
Ym1 = -19,4304*TTX47 + 2,021*TTNQ6 +2.805*TTNQ7 + 4,136*TEV45 - 0.009*TEVQ4;
Ym2 = 30,319*TREND – 1.505*TTXQ7 – 2,889*TTNQ5 +2,622*TTNQ6 + 3,984*TTNQ7 +
0,0002*TRNQ6;
Ym3 = 4,962*TND56 + 0,398*TNDQ5 + 0,408*TTNDQ47 - 0,642*TTNDQ45;
Ym4 = 31,270*TVC57 – 0,125*TTVCQ45;
Ym5 = -5,751*TVC58 + 38,231*TVC57 – 0.129*TTVCQ45;
Ym6 = 49,530*TVC45 +32,223*TVC57 – 0,515*TTVCQ45 + 2,560*TTC45;
Ym7 = 0,199*TNDQ8 + 36,159*TTC48 + 0,217*TTTCQ7 – 0,433*TTTCQ48;
Ym8 = 0,213*TNDQ8 + 40,928*TTC48 – 9,239*TTC56 + 0,175*TTCQ7 - 0,439*TTCQ48;
Onde: Ym = produtividade prevista; TREND = (ANO – 1981)*(200/15);
TTX, TTN, TEV, TND, TVC, TTC e TRN são os valores totais de TX, TN, EV, ND,VC e
RN, respectivamente do período considerado; A letra Q na variáveis representa o valor
quadrático; Os números representam os meses de agosto (1) à março (8), respectivamente.
A tabela 1 mostra as comparações entre as produtividades observadas pelo IBGE e previstas pelos 8
modelos para os anos de 1992 à 1994, as correlações quadrádicas (R2) e os níveis de significância
(NS). Os dois modelos, Ym1 e Ym2 foram construídos com os parâmetros meteorológicos. O Ym1
baseado nos dados de evapotranspiração potencial (ETP) teve melhor R2 , que significa a
produtividade é mais sensível a ETP. Os modelos Ym3 e Ym7 via satélite apresentaram R2 abaixo de
0,9, ainda foram mais altos que do Ym2. Em todos casos, os valores dos níveis de significância
foram satisfatórios. As figuras de 1 à 8, apresentam as produtividades observadas e previstas no
período de 1981 à 1994, incluindo ambos dados nas construções e nas previsões dos modelos.
Tabela 1: As produtividades observadas pelo IBGE e as previstas pelos 8 modelos construídos, para
o município de Londrina, PR, para os anos de 1992 à 1994, valores de coeficiente de correlação
quadrádico (R) e nível de significância (NS).
1992
1993
1994
*R2
**NS
IBGE
(kg/ha)
1975,0
2230,0
2350,0
-
Ym1
(kg/ha)
2094,1
2475,8
2154,5
0,933
0,0002
Ym2
(kg/ha)
1965,2
2281,3
2406,0
0,836
0,0168
Ym3
(kg/ha)
1888,7
1950,4
1970,7
0,884
0,0058
Ym4
(kg/ha)
1891,5
1963,7
2437,7
0,937
0,0001
Ym5
(kg/ha)
1935,0
1982,4
2518,0
0,964
0,0001
Ym6
Ym7
Ym8
(kg/ha) (kg/ha) (kg/ha)
2000,9 1826,0 1892,5
2094,2 2051,1 2092,7
2361,0 2156,2 2185,0
0,927
0,857
0,901
0,0001 0,0018 0,0021
*R2: Coeficiente de correlação quadrádico (R2); **NS: Nível de significância.
A tabela 2 mostra os valores percentuais de diferença entre as produtividades observadas e as
previstas nos anos de 1992 à 1994, e as médias destas porcentagens absolutas de erros entre os
valores previstos e o valor observado para os modelos selecionados. Os resultados mostram que as
médias dos valores de erro real (ER) dos modelos selecionados (Ym1 à Ym8) foram menores que
9%, exceto o Ym3 com 11%.
No caso dos modelos agrometeorológicos, Ym2, que utiliza dados de precipitação, forneceu valores
de RE bem melhores que Ym1. Isto deve-se ao fato que o modelo Ym1 utiliza dados de
evapotranspiração potencial, não evapotranspiração real (ETR). Para melhoria da precisão, os dados
de ETR ou déficit hídrico e excesso hídrico deverão ser utilizados. Os valores médios dos erros reais
dos modelos via satélite (Ym3 à Ym8) foram satisfatórios comparando-se aos modelos
meteorológicos. Isto significa que as previsões de produtividade de soja no município de Londrina
pelos modelos construídos com os índices via satélite são compatíveis com os modelos
agrometeorológicos. O modelo Ym3 construído com dados de NDVI apresentou maior erro entre os
modelos via satélite. Os Ym4 e Ym5, construídos com dados de VCI melhoraram seus desempenhos.
Mas o aumento de um termo no Ym5, não melhorou a precisão, comparando-se com as do Ym4. O
Ym6, construído com dados de VCI e TCI apresentou um erro médio de 2,6%, que é o modelo de
melhor precisão dentro dos modelos via satélite. Isto indica que os modelos construídos com dados
de VCI e TCI são mais adequados, comparando-se com os demais modelos que fazem uso de NDVI
(Ym3), VCI (Ym4 e Ym5) e NDVI e TCI (Ym7 e Ym8). As médias dos erros absolutos dos Ym7 e
Ym8 baseados nos NDVI e TCI, foram próximos às dos Ym4 e Ym5. Portanto, não há necessidade
de usar uma combinação de NDVI e TCI, basta somente o VCI. Para construir modelos totalmente
com dados via satélite, os dados de TCI devem ser calculados a partir dos dados de temperatura de
brilho do canal 4 dos satélites NOAA AVHRR.
Tabela 2 : Os erros reais e as médias absolutas destes erros entre as produtividade de
soja observadas pelo IBGE e previstas pelos 8 modelos construídos para o município
de Londrina, PR.
ER*
ER*
ER *
ER*
ER*
ER*
ER*
ER*
Ym 1 Ym 2 Ym 3 Ym 4
Ym 5
Ym 6 Ym 7
Ym 8
1992
6,0
-0,5
-4,4
-4,2
-2,0
1,3
-7,5
-4,2
1993
11,0
2,3
-12,5 -11,9
-11,1
-6,1
-8,0
-6,2
1994
-8,3
2,4
-16,1
3,7
7,1
0,5
-8,2
-7,0
8,5
1,7
11,0
6,6
6,8
2,6
7,9
5,8
MA
*ER: Desvio do erro real dos modelos Ym; A média absoluta foi calculada pelos valores
absolutos de ER.
4. Conclusões
Tomando como base os bons resultados obtidos com os modelos Ym4 de VCI e Ym6 de VCI e TCI,
pode-se concluir que há alta potencialidade de desenvolver modelos alternativos para a previsão de
safra agrícola via satélite. Atualmente, estão sendo desenvolvidos modelos alternativos utilizando-se
os dados dos canais 4 e 5 do NOAA AVHRR na estimativa da temperatura da superfície terrestre e
na geração do TCI.
5. Referências Bibliográficas
COSTA, J. A., 1996. Cultura da Soja. Ed. Ivo Manica e J. A. Costa. 233 pp.
EIDENSHINK, J. C. AND J. L. FAUNDEEN, 1997. The 1 km AVHRR global land data set: first
stages in implementation. Int. Jor. Rem. Sens. 51: 39 – 56.
HODGES, T.; D. BOTNER; C. SAKAMOTO, AND J. HANG, 1987. Using the Ceres-maize model
to estimate production for the U.S. Cornbelt. Agric. For. Met. 40: 293 – 303.
LARSEN, R. J., and M. L. MARX, 1990. Statistics. Ed. Prentice-Hall, New Jersey. 771 pp.
LIU, W. T. H. e B. W. Y. LIU, 1988. Comparação de modelo simples e composto de previsão de
safra de soja no estado de Minas Gerais. Ciência e Cultura. 40(8): 808 –812.
UNGANAI, L. S. and F. N. KOGAN,1998. Drought Monitoring and Corn Yield Estimation in
Southern Africa from AVHRR Data. Ren. Sens. Env. 68: 219 – 232.
RASMUSSEN, M. S.,1997. Operational yield forecasting using AVHRR NDVI data: reduction of
enviromental and inter-annual variability. Int. Jour. Rem. Sens. 18: 1059 1077.
SAS USER’S GUIDE: STATISTICS, 1982 EDITION. Cary, N. C.: SAS Institute Inc., 1982. 584 pp.
2 4 0 0 ,0
2 4 0 0 ,0
2 2 0 0 ,0
2 2 0 0 ,0
2 0 0 0 ,0
2 0 0 0 ,0
IB G E
Ym1
1 8 0 0 ,0
1 6 0 0 ,0
1 6 0 0 ,0
1 4 0 0 ,0
1 4 0 0 ,0
1 2 0 0 ,0
1982
1986
1990
1994
Figura 1: Y (kg/ha) do IBGE x Ym1, Londrina, PR.
IB G E
Ym2
1 8 0 0 ,0
1 2 0 0 ,0
1982
1986
1990
1994
Figura 2: Y (kg/ha) do IBGE x Ym2, Londrina, PR.
2 4 0 0 ,0
2400,0
2 2 0 0 ,0
2200,0
2000,0
2 0 0 0 ,0
IB G E
Ym3
1 8 0 0 ,0
IB G E
1 6 0 0 ,0
1600,0
1 4 0 0 ,0
1400,0
1 2 0 0 ,0
1982
1200,0
1986
1990
1982
1994
Figura 3: Y (kg/ha) do IBGE x Ym3, Londrina, PR.
1986
1990
1994
Figura 4: Y (kg/ha) do IBGE x Ym4, Londrina, PR.
2 4 0 0 ,0
2 4 0 0 ,0
2 2 0 0 ,0
2 2 0 0 ,0
2 0 0 0 ,0
2 0 0 0 ,0
IB G E
Ym5
1 8 0 0 ,0
1 6 0 0 ,0
1 4 0 0 ,0
1 4 0 0 ,0
1986
1990
1 2 0 0 ,0
1982
1994
Figura 5: Y (kg/ha) do IBGE x Ym5, Londrina, PR.
IB G E
Ym6
1 8 0 0 ,0
1 6 0 0 ,0
1 2 0 0 ,0
1982
Ym4
1800,0
1986
1990
1994
Figura 6: Y (kg/ha) do IBGE x Ym6, Londrina, PR.
2 4 0 0 ,0
2 4 0 0 ,0
2 2 0 0 ,0
2 2 0 0 ,0
2 0 0 0 ,0
2 0 0 0 ,0
IB G E
1 8 0 0 ,0
Ym7
1 6 0 0 ,0
1 6 0 0 ,0
1 4 0 0 ,0
1 4 0 0 ,0
1 2 0 0 ,0
1982
1986
1990
1994
Figura 7: Y (kg/ha) do IBGE x Ym7, Londrina, PR.
IB G E
Ym8
1 8 0 0 ,0
1 2 0 0 ,0
1982
1986
1990
1994
Figura 8: Y (kg/ha) do IBGE x Ym8, Londrina, PR.