CAPÍTULO 03 - APLICAÇÃO DA PLATAFORMA LAND VIEWER PARA AVALIAÇÃO DE ÁREA AGRÍCOLA AFETADA POR ENCHENTE DO RIO QUARAÍ

57 CAPÍTULO 03 - APLICAÇÃO DA PLATAFORMA LAND VIEWER PARA AVALIAÇÃO DE ÁREA AGRÍCOLA AFETADA POR ENCHENTE DO RIO QUARAÍ Juliano Mott Urquiza Cassiane Jrayj de Melo Nelson Mario Victoria Bariani RESUMO Informações de sensores remotos satelitais, combinadas na forma de índices de vegetação, estão sendo cada vez mais usadas como apoio ao gerenciamento agrícola. A plataforma Land Viewer oferece produtos derivados do processamento de imagens de satélites, tais como índices de vegetação ou combinações coloridas de bandas satelitais, para até dez imagens gratuitas por dia, em média resolução, provenientes dos satélites Landsat 8, Sentinel 2 e CBERS4, permitindo assim obter significativas correlações entre dados espectrais dos sensores e as informações da superfície terrestre obtidas nos processos agrícolas e ambientais em áreas específicas. As mesmas informações podem ser obtidas por meio do geoprocessamento das imagens disponibilizadas diretamente pelas agências espaciais, de forma gratuita, sem limitações de número, utilizando Sistemas de Informação Geográfica como o SPRING do INPE. Nesse sentido, o presente trabalho objetiva: 1) comparar o procedimento de uso da ferramenta Land Viewer e do geoprocessamento direto das imagens, para o estudo de caso de área agrícola no município da Barra do Quaraí, atingida pela cheia do Rio Quaraí, na Fronteira Oeste do Rio Grande do Sul, avaliando a dinâmica das enchentes dentro da propriedade, mediante fotointerpretação de combinações de imagens (RGB e NDVI); 2) discutir correlações existentes entre os gráficos de NDVI vs data e a variável produtividade agrícola, em parcelas plantadas com arroz, durante duas safras, 18/19 e 19/20. Para esse fim, foram extraídas da plataforma Land Viewer as composições coloridas RGB, os mapas do índice de vegetação NDVI, e o NDVI médio para os talhões estudados, de 12 imagens em cada safra. O desenho vetorial dos talhões também foi realizado na plataforma. As composições RGB e os mapas de NDVI foram colocados lado a lado para facilitar a fotointerpretação e detecção de mudanças. Os NDVI médios foram graficados em função da data, e as curvas resultantes foram analisadas em 6 pontos significativos para comparação. Os processamentos realizados no software SPRING consistiram em criação de banco de dados, seleção, download do site do INPE e inserção das bandas 3, 4, 5 e 6, do satélite LANDSAT 8, para posterior obtenção de composições coloridas BGR456 e mapas de NDVI. Dentro do tempo disponível para esta pesquisa, os resultados revelaram uma capacidade e velocidade de processamento muito maior da plataforma Land Viewer, ao ponto de não ser possível completar o 58 processamento do mesmo número de imagens no SPRING. Como resultado, nas sequências de imagens conseguiu ser identificada a entrada da enchente em janeiro de 2019, e o amadurecimento tardio e desuniforme do talhão afetado, redundando numa diferença de produtividade de 4.310 kg/ha entre as áreas afetadas e não afetadas pela cheia do Rio Quaraí. As curvas de NDVI vs Data também indicaram significativas diferenças do ciclo de crescimento do arroz durante a enchente. Logo, a área afetada pela enchente, safra 2018/2019, obteve uma produtividade inferior à safra 2019/2020, que não sofreu com eventos climáticos extremos. Desta forma, ressalta-se o grande potencial da plataforma Land Viewer para o monitoramento e análise da condição da vegetação agrícola de uma forma rápida e eficiente. Palavras-chave: Plataforma Land Viewer. Sensoriamento remoto. Índice de vegetação por diferença normalizada. 59 ABSTRACT Information from remote satellite sensors, combined in the form of vegetation indices, is increasingly being used to support agricultural management. The Land Viewer platform offers products derived from the processing of satellite images, such as vegetation indices or color combinations of satellite bands, for up to ten free images per day, in medium resolution, from the Landsat 8, Sentinel 2 and CBERS4 satellites, enabling in this way to obtain significant correlations between spectral data from sensors and information from the land surface obtained from agricultural and environmental processes in specific areas. The same information can be obtained through the geoprocessing of images made available directly by the space agencies, free of charge, without limitations in number, using Geographic Information Systems such as INPE's SPRING. In this sense, the present work aims to: 1) compare the procedure of using the Land Viewer tool and the direct geoprocessing of images, for the case study of an agricultural area in the municipality of Barra do Quaraí, affected by the flood of the Quaraí River, on the Frontier West of Rio Grande do Sul, evaluating the dynamics of floods within the property, through photointerpretation of combinations of images (RGB and NDVI); 2) discuss existing correlations between the NDVI vs data graphs and the agricultural productivity variable, in plots planted with rice, during two harvests, 18/19 and 19/20. For this purpose, the RGB color compositions, the NDVI vegetation index maps, and the average NDVI for the studied plots, from 12 images in each harvest, were extracted from the Land Viewer platform. The vector drawing of the fields was also carried out on the platform. RGB composites and NDVI maps were placed side by side to facilitate photointerpretation and change detection. Mean NDVI were plotted against date, and the resulting curves were analyzed at 6 significant points for comparison. The processing performed in the SPRING software consisted of creating a database, selecting, downloading from the INPE website and inserting bands 3, 4, 5 and 6 from the LANDSAT 8 satellite, for later obtaining BGR456 color compositions and NDVI maps. Within the time available for this research, the results revealed a much higher processing capacity and speed of the Land Viewer platform, to the point where it was not possible to complete the processing of the same number of images in SPRING. As a result, in the image sequences it was possible to identify the entry of the flood in January 2019, and the late and uneven ripening of the affected stand, resulting in a productivity difference of 4,310 kg/ha between the areas affected and not affected by the flood of the Quaraí River. Both NDVI vs Date curves also showed very different behaviour. Therefore, the area affected by the flood, 2018/2019 harvest, had lower productivity than the 2019/2020 harvest, which did not suffer from extreme weather events. Thus, the great potential of the Land Viewer platform for monitoring and analyzing the condition of agricultural vegetation in a fast and efficient way is highlighted. Keywords: Land Viewer Platform, Remote Sensing, SPRING SIG, Vegetation Index 60 61 1 INTRODUÇÃO O Brasil é reconhecido mundialmente como sendo um dos maiores exportadores e produtores de alimento do mundo (CAP Brasil, 2020). O agronegócio representa 24,31% do seu PIB (Produto Interno Bruto) brasileiro, com destaque para a Fronteira Oeste do Rio Grande do Sul, onde a agricultura tem grande potencial, devido principalmente ao clima e solos da região que são ideais para produção agrícola, com especial ênfase no cultivo de arroz e recentemente da soja. Devido a estas características existe um interesse crescente no monitoramento de lavouras agrícolas tanto por parte dos produtores rurais quanto por agências financiadoras da produção, como, cooperativas de crédito, bancos e indústrias. Desta forma, houve um aumento paulatino na demanda em busca de um conhecimento mais aprofundado das mudanças agrícolas, econômicas e ambientais, a nível de propriedade rural, e de interesses econômicos e científicos. Pensando nisso, para que o produtor tenha um melhor controle, planejamento e até mesmo acompanhamento das suas atividades, esta pesquisa busca divulgar a ferramenta Land Viewer, uma plataforma que além de possuir dados de fontes abertas, abrange livremente o potencial de dados com cobertura global e ainda pouco explorada pelos produtores rurais. Trata-se de uma tecnologia cujo uso demanda pouco treinamento especial para operá-la, mas sim determinada expertise, para a interpretação de seus resultados o que acaba limitando seu uso, principalmente dentro da propriedade rural. Atualmente há uma grande disponibilidade e acessibilidade de informações provindas de sensores remotos orbitais (imagens de satélite do espectro visível, infravermelho próximo, infravermelho médio e termal). Vale ressaltar que, com a presença de imagens de satélite de alta resolução, as quais são capazes de atingir quase todo o mundo, como as séries Landsat e Sentinel, faz com que as demandas de processamento de dados de imagens sejam cada vez maiores. A 62 disponibilidade de dados de sensoriamento remoto por satélite aumentou significativamente nas últimas décadas, tornando-se assim, uma fonte poderosa para analisar a dinâmica temporal das condições agrícolas e quantificar a compatibilidade ambiental de uma forma econômica (DENG et al., 2009; LIU E YANG, 2013). Sendo assim, o presente trabalho busca analisar o potencial da plataforma Land Viewer para o avaliação da área agrícola atingida pela cheia do Rio Quaraí na Fronteira Oeste do Rio Grande do Sul. Para isso, realizou-se o monitoramento de duas safras em uma propriedade rural, no município da Barra do Quaraí, visualizando e avaliando suas áreas produtivas, anomalias na produção, impactos e/ou danos climáticos e ambientais. Sabe-se que, na safra de 2018/2019, parte da área da propriedade foi afetada pela cheia do Rio Quaraí, acarretando na perda de produção e produtividade das áreas afetadas. Desta forma, procurou-se avaliar a potencialidade desta ferramenta para avaliação dos riscos e perdas causadas por fenômenos climáticos e ambientais, associando índices de vegetação com a produtividade em talhões e safras com distintas características climáticas. 1.1 Objetivo geral Avaliar a potencialidade da ferramenta Land Viewer para o monitoramento de áreas agrícolas durante o processo produtivo. 1.2 Objetivos específicos  Monitorar em escala espacial e temporal talhões agrícolas de uma propriedade rural localizada na Barra do Quaraí, nas safras 18-19 e 19-20;  Avaliar a dinâmica das enchentes dentro da propriedade;  Avaliar a diferença de produtividade das áreas afetadas pelas enchentes e outras áreas não afetadas, associando índices de vegetação com a produtividade alcançada em cada talhão. 63 2 REVISÃO DE LITERATURA Neste capítulo será apresentada a revisão de literatura com concepções teóricas que fundamentam e embasam o desenvolvimento do estudo. 2.1 Sensoriamento Remoto A obtenção de dados sem um contato físico com o mesmo é uma característica do sensoriamento remoto (LILLESAND E KIEFER, 1994). O sensoriamento remoto realizou suas primeiras medições através de câmeras acopladas em aeronaves, balões, pipas, foguetes e até pássaros. Nos dias atuais podemos obter imagens de sensores remotos através de diversas plataformas, como satélites, aeronaves, veículos aéreos não tripulados (VANTs), máquinas agrícolas autopropelidas, etc. Se destacam através do sensoriamento remoto várias aplicações que são: a estimativa da biomassa e produtividade da cultura, o monitoramento de estresse hídrico e do vigor nas plantas e a avaliação do estádio fenológico (BARIANI et al., 2016). O monitoramento e a utilização do sensoriamento remoto como metodologia mostra-se favorável na agricultura, devido à eficiência dos métodos que podem ser aplicados e o baixo custo por causa do volume de produção e extensão territorial. O acompanhamento através do índice de vegetação fornece um estudo das áreas de cultura e informações sobre biomassa, esse índice é obtido a partir de imagens de satélites e o tratamento dessas imagens de acordo com o tipo de índice (FERNANDES, 2009). 64 2.2 Composição colorida - Natural Color (Red, Green, Blue - RGB) A cor natural da banda. Porque as bandas visuais são usadas nesta combinação, os fatores de solo parecem similares em cor ao sistema visual humano, a vegetação saudável e verde, campos recentemente limpos são claros e vegetação não saudável e castanha e amarelo, estradas são cinzentas e linhas de costa são brancas. Esta combinação dá mais penetração aquática e informação. A seguir é apresentada uma imagem RGB da região sob estudo (figura 1), bem como uma imagem NDVI (figura 2). Figura 1. Imagem RGB da região sob estudo 65 2.3 NDVI Existem numerosos índices de vegetação extraídos a partir de imagens de satélites. Um dos índices mais utilizados e conhecidos é o NDVI, índice de vegetação por diferença normalizada (ROUSE et al., 1974). A normalização é feita pela seguinte equação: ܰܦܸܫ ൌ ఘ೙೔ೝିఘೝ೐೏ ఘ೙೔ೝାఘೝ೐೏ (1) Onde nir é o valor da reflectância na faixa do infravermelho próximo; e red é o valor da reflectância na faixa do vermelho do visível. Segundo Jensen (2011), o NDVI é importante porque: i) Mudanças sazonais e interanuais no desenvolvimento e na atividade da vegetação podem ser monitoradas; ii) A razão reduz muitas formas de ruídos multiplicativos (diferenças de iluminação solar, sombras de nuvens, algumas atenuações atmosféricas, algumas variações topográficas) presentes em múltiplas bandas de imagens de múltiplas datas. O NDVI pode ser usado para monitorizar secas, monitorizar e predizer produção agrícola, ajudar a prever zonas de fogo perigosas e mapear o aprimoramento do deserto. O NDVI é um índice estandardizado de vegetação que permite gerar uma imagem demonstrando a biomassa relativa. A absorção de clorofila na banda vermelha e grande reflexão da vegetação na NIR são usados para calcular a NDVI. 72 Na etapa seguinte seleciona-se uma combinação de canais que são utilizados para obter várias características da superfície, como, índices de vegetação, tipos de cobertura, áreas agrícolas, etc, como já apresentado no referencial teórico. Em seguida obtém-se dados sobre a distribuição espacial dos valores dos índices em porcentagem ou unidades absolutas que posteriormente são exportados para uma tabela .xlsx. Para quantificar a análise das curvas temporais de NDVI, extraída da tabela .xlsx do Land Viewer foi aplicada a metodologia USGS, descrita em Hargrove et al., (2010), onde são encontrados os mínimos e máximos de cada lado do gráfico e calculados os 20% e 80% das etapas de desenvolvimento rápido e senescência. Os intervalos das curvas são analisados conforme a descrição da FAO, mostrado na Figura 10. Figura 9. Metodologia para análise do comportamento das curvas de NDVI. Fonte: Adaptado de USGS. A nomenclatura utilizada para cada trecho das curvas é utilizada pela FAO e foi adaptada de Allen e Pereira (2009), ilustrada na figura 10. 73 Figura 10. Nomenclatura FAO para cada trecho das curvas de NDVI. Fonte: Adaptado de Allen e Pereira (2009). 74 4. RESULTADOS E DISCUSSÃO Imagens de satélites no formato RGB, bem como os NDVIs, nas safras 2018/2019 e 2019/2020 são apresentadas a seguir nas figuras 11 e 12. Na safra de 2018/2019 a propriedade em estudo teve um decréscimo de produtividade devido a cheia do Rio Quaraí, pode-se observar nas imagens da figura 11 que o talhão agrícola em estudo foi semeado no mês de outubro de 2018 e foi colhido em abril de 2019. Ainda no mesmo ano, devido às altas chuvas no mês de janeiro, o Rio Quaraí transbordou, saindo do seu leito normal, e suas águas avançaram até o talhão em destaque. Observa-se na figura 11 que as imagens, do talhão em destaque, coletadas na plataforma Land Viewer foram afetadas pela cheia do Rio Quaraí, gerando assim perdas significativas na lavoura de arroz pois o mesmo já se encontrava em estágio reprodutivo. Vale ressaltar que nos meses subsequentes após o rio voltar ao seu leito normal a área afetada seguiu o seu desenvolvimento, tendo uma parte sido colhida no mês de abril e a outra parte, a qual, a cheia afetou foi deixada intacta, porque a área possuía seguro contra eventos climáticos. 75 Figura 11. Mapa do espaço temporal das imagens de satélite na safra 2018/2019. 76 Em relação ao desenvolvimento da vegetação, observa-se na Figura 12 que as imagens do mês de outubro apresenta um solo parcialmente exposto com vegetação escassa e solo aberto, sendo que no mês de novembro, quando a parte da área começa a passar de vegetação escassa a vegetação moderada, indicando assim um aumento do NDVI em torno de 0,2 a 0,4 e consequentemente um aumento da sua biomassa, em relação ao mês de dezembro a vegetação já está cobrindo o solo de vegetação modera, sendo assim os valores de NDVI aumentam, ficando na faixa de 0,4 a 0,6, no final do mês de dezembro a faixa de NDVI está em torno de 0,5 a 0,8 com vegetação moderada a densa, com sua coloração mais esverdeada. No mês de janeiro pode-se observar que sua vegetação recobre totalmente o solo, chegando assim nos valores mais altos de NDVI que se mantém no mês de fevereiro. Observa-se em fevereiro uma uniformidade na lavoura, representado pela coloração verde em toda a área do talhão. Já no mês de março se tem o período da senescência da cultura, onde os valores de NDVI começam a diminuir e a sua coloração que estava em tom de verde mais escuro passa para um verde mais claro até se transformar em laranja em abril, quando o talhão foi colhido. Vale salientar que a cultivar utilizada nas duas safras tanto na safra 2018/2019 quanto na 2019/2020 foi a cultivar IRGA 424 RI, sendo notório a diferença de um talhão agrícola para o outro em relação às curvas de NDVI de uma safra para a outra devido ao desenvolvimento da cultura em relação aos eventos climáticos que acometem as culturas em anos chuvosos. 77 Figura 12. Mapa do espaço temporal das imagens de satélite na safra 2019/2020 78 A análise das séries temporais de NDVI mostram diferentes dinâmicas entre as duas safras (Figura 11 e 12). Na safra 2018/2019 observa-se valores menores de NDVI ao longo do ciclo da cultura. A primeira etapa do desenvolvimento, início do crescimento e crescimento rápido, que correspondem aos estágios vegetativos, apresentam diferentes inclinações, quando comparadas a safra 2019/2020 que obteve uma inclinação positiva e uniforme, desta forma, há evidências que houve um difícil estabelecimento da cultura na safra 2018/2019, que pode ter sido causado por deficiência nutricional do solo. Os estágios reprodutivos, onde espera-se os valores máximos de NDVI, durante o ciclo, correspondem ao momento de maturação da cultura e de enchimentos de grãos do arroz. Na safra 2018/2019 observa-se valores de NDVI mais baixos na maturação da cultura do arroz (0,71 a 0,68) se comparado com os valores (0,71 a 0,80) da safra 2019/2020, mostrado na Tabela 1. O período do final do ciclo de desenvolvimento, chamado de senescência, é onde ocorre um decaimento dos valores de NDVI devido a morte natural da cultura e o processo de colheita dos talhões. Observa-se que na safra 2018/2019 os valores se mantiveram mais altos (0,48 a 0,43) se comparados à safra 2019/2020 que manteve um valor de 0,30, neste período. Este fato pode ser explicado devido a área afetada pela enchente do Rio Quaraí na safra 2018/2019 (Figura 11) não ter sido colhida, pois a mesma estava assegurada e era necessário avaliação do perito, posteriormente, para o pagamento do seguro agrícola. Tabela 1. Valores de NDVI para cada período analisados pelos métodos USGS e FAO para as duas safras agrícolas. Método USGS Safra 18/19 Safra 19/20 Método FAO MÍN 20% 0,26 0,33 Início Crescimento MÍN 80% 0,48 0,66 Crescimento Rápido MAX 0,71 0,78 Maturação MAX 0,68 0,80 MÍN 80% 0,48 0,30 Senescência MÍN 20% 0,43 0,30 79 Outro fato interessante de ser destacado é a diferença de produtividades entre as safras, onde na safra 2018/2019 se alcançou produtividades em torno de 5.747 kg/ha enquanto na safra 2019/2020 alcançou-se produtividades em torno de 10.057 kg/ha, uma diferença de 4.310 kg/ha. Estas diferenças podem ser associadas com o formato da curva de NDVI ao longo do ciclo, Figura 13. Observa-se que na safra 2018/2019 o período vegetativo, ou crescimento rápido, é representado por valores menores de NDVI e uma menor inclinação da curva neste período. O período reprodutivo, ou maturação, caracterizado pelos valores mais altos de NDVI, alcançou valores na faixa de 0,7 na safra 2018/2019 e 0,80 na safra 2019/2020. O formato da curva no final do ciclo, ou seja, na senescência também foi diferenciado, pois na safra 2018/2019 os valores de NDVI não baixam drasticamente como na safra 2019/2020. Este fato já foi discutido anteriormente e se dá por conta da região afetada pela enchente não ter sido colhida até a verificação pelo seguro agrícola. 80 Figura 13. Gráficos das séries temporais de NDVI para as safras analisadas. Figura (11), safra 2018/2019; Figura (12), safra 2019/2020. 81 5 CONSIDERAÇÕES FINAIS Com a conclusão do presente trabalho faz-se necessário revisitar os objetivos propostos inicialmente. O objetivo geral consistiu em “Avaliar a potencialidade da ferramenta Land Viewer para o monitoramento de áreas agrícolas durante o processo produtivo”. Este objetivo foi atingido, pois as duas áreas agrícolas avaliada nas diferentes safras (2018/2019 e 2019/2020) puderam ser visualizadas por meio das imagens de satélites, bem como os valores de NDVI foram extraídos pixel a pixel e analisados em uma curva temporal dos valores médios de NDVI ao longo do ciclo da cultura do arroz. Na sequência são retomados os objetivos específicos, bem como os principais resultados e comentários relativos a cada um deles, juntamente com as sugestões e recomendações identificadas. - 1º Objetivo específico: “Monitorar em escala espacial e temporal talhões agrícolas de uma propriedade rural localizada na Barra do Quaraí, nas safras 2018/2019 e 2019/2020”. O monitoramento e análise espacial e temporal foi feito por meio da elaboração dos mapas espaço temporais que mostram o desenvolvimento da cultura ao longo de seu ciclo, nas duas safras, como mostra as Figuras 11 e Figura 12. Observa-se que os mapas de espaços temporais desenvolvidos foram montados de forma a apresentarem as imagens na composição RGB, bem como com o índice de vegetação NDVI, para cada data analisada. Com isso foi possível observar o desenvolvimento da cultura ao longo do ciclo, bem como o aumento da coloração verde, indicando o aumento dos valores de NDVI e consequente aumento da biomassa vegetal, bem como a diminuição dos valores de NDVI, indicado pela coloração amarelada e alaranjada nos mapas (Figuras 11 e Figura 12), nos estágios finais de senescência e colheita. O mapa e espaço temporal da