Académique Documents
Professionnel Documents
Culture Documents
CAMPINAS
2014
i
ii
UNIVERSIDADE ESTADUAL DE CAMPINAS
CAMPINAS
2014
iii
iv
Folha de Aprovação
v
vi
RESUMO
A produção de cana-de-açúcar no Brasil possui função cada vez mais estratégica na economia
do país devido ao interesse da substituição de combustíveis fósseis por fontes de energia
renováveis, como o etanol, com o propósito de diminuir as emissões de gases de efeito estufa
(GEEs). Nesse sentido, é importante a proposição de soluções inovadoras e tecnologicamente
viáveis para auxiliar a geração de modelos mais eficientes, objetivos, precisos, antecipados e
adequados ao monitoramento e previsão das safras nacionais. Esse trabalho teve o objetivo
principal de desenvolver modelos numéricos que avaliam a tendência da produção de cana-de-
açúcar em escala regional utilizando dados agroclimáticos e espectrais de baixa resolução
espacial. Áreas produtoras de cana-de-açúcar foram selecionadas e dados de produção, área e
produtividade referentes ao período de 2001 a 2010 foram utilizados. As imagens do satélite
AVHRR/NOAA foram processadas e corrigidas automaticamente permitindo a obtenção de
perfis temporais mensais do índice de vegetação NDVI, temperatura de superfície e albedo. As
condições agroclimáticas, ao longo do período de análise, foram descritas pelo índice
agroclimático ISNA. As séries de dados foram avaliadas por meio de técnicas de análise de
séries temporais multivariadas utilizando os métodos de agrupamentos K-Means, K-Medoids e
Clarans. Com estes métodos de agrupamentos, foi possível identificar e mapear áreas de
plantio de cana-de-açúcar e sua expansão. Modelos de previsão de produção da cultura foram
gerados pelo método de regressão linear múltipla utilizando dados de área plantada e dos
índices NDVI e ISNA. A partir dos modelos gerados, foi possível avaliar o comportamento da
variação da produção para o modelo regional de mudanças climáticas ETA/CPTEC em um
cenário de alta emissão de gases de efeito estufa para o ano de 2020. Ao utilizar satélites de
baixa resolução espacial, é mais difícil evidenciar a diferença entre tipos de plantios de cana-
de-açúcar, mas neste trabalho, realizado com a técnica de agrupamento de dados, mesmo
ocorrendo mistura espectral, foi possível acompanhar a evolução da cultura ao longo das
safras identificando regiões com padrões semelhantes. Desta maneira, a análise de
agrupamentos pode melhorar a compreensão do desenvolvimento da cana-de-açúcar e sua
expansão para outras regiões do país. Os modelos gerados para estimar a produção de cana-de-
açúcar em relação aos dados de área plantada e dos índices NDVI e ISNA apresentaram
coeficientes de correlação (R2) em torno de 0,9 e conseguiram estimar os valores de produção
para todo estado de São Paulo com precisão. Os modelos gerados para anos mais secos, no
vii
período de dezembro a março, indicaram que a produção de cana-de-açúcar tende a aumentar
em torno de 3,5%. Para anos mais chuvosos, no mesmo período, a produção tende a aumentar
em torno de 1,6% no ano de 2020, independentemente da área plantada. Os resultados obtidos
são úteis para o planejamento agrícola em escala regional, pois permitem acompanhar o
desenvolvimento e a produção da cana-de-açúcar de forma objetiva e sistemática a partir de
dados fornecidos por sensores remotos, estações agroclimáticas e modelos de mudanças
climáticas.
viii
ABSTRACT
The sugarcane production in Brazil has increasingly strategic role in the economy due to the
interest of replacing fossil fuels with renewable energy sources such as ethanol, in order to
reduce emissions of greenhouse gases (GHGs). In this sense, it is important to propose
innovative and technologically feasible solutions to assist the generation of more efficient,
objective, accurate, anticipated and appropriate models to the monitoring and forecasting of
national crop. The main objective of this work was to develop numerical models that assess
the trend of sugarcane production on a regional scale using agroclimatic and spectral data of
lower spatial resolution. Producing areas of sugarcane were selected and data production, area
and yield were used for the period 2001-2010. The images from satellite AVHRR/NOAA
were processed and automatically corrected and subsequently were obtained monthly temporal
profiles of NDVI vegetation index, surface temperature and albedo. The climatic conditions
during the period of analysis, were described by WRSI agroclimatic index. The data sets were
analyzed by techniques of multivariate time series analysis using the methods of clusters K-
Means, K-Medoids and Clarans. With these clustering methods, it was possible to identify and
map the expansion of areas planted with sugarcane. Predictive models of crop production were
generated by multiple linear regression analysis using data from cropland and NDVI and
WRSI indices. From the generated models, it was possible to evaluate the behavior of the
variation in production for regional climate change model ETA/CPTEC in a scenario of high
emission of greenhouse gases for the year 2020. It is more difficult to highlight the difference
between types of plantings of sugarcane using low spatial resolution satellites, but this work
with technical data clustering, even occurring spectral mixture, it was possible to follow the
evolution of the culture over the crops identifying regions with similar patterns. Thus, the
cluster analysis can improve understanding of the development of sugarcane and its expansion
to other regions of the country. The models for estimating the production of sugarcane with
the data of planted area and NDVI and WRSI indices showed a correlation coefficient (R2)
around 0.9 and were able to estimate the values of production for the entire state of São Paulo
accurately. The models for the driest years in the period from December to March, indicated
that the production of sugarcane tends to increase around 3.5%. Wettest years in the same
period, production tends to increase around 1.6% in 2020, regardless the cultivated area. The
results are useful for agricultural planning at the regional scale because they allow to monitor
ix
the development and production of sugarcane objectively and systematically from data
provided by remote sensors, agroclimatic stations and climate change models.
Keywords: remote sensing, NDVI, WRSI, time series, data mining, multivariate analysis,
crop monitoring.
x
SUMÁRIO
RESUMO ..................................................................................................................................vii
ABSTRACT ............................................................................................................................... ix
SUMÁRIO .................................................................................................................................. xi
AGRADECIMENTOS ............................................................................................................xvii
1 INTRODUÇÃO ................................................................................................................... 1
3 METODOLOGIA .............................................................................................................. 25
xi
3.2 DADOS ESPECTRAIS ................................................................................................... 27
xii
5.2.3 Agrupamento do NDVI para acompanhamento anual da cana-de-açúcar no período
de 2001 a 2010 ................................................................................................................... 90
xiii
xiv
Aos meus queridos pais,
Aloísio e Flávia,
Ofereço.
Ao Renato,
minha vida, sabedoria,
alegria, meu amor!
Dedico.
xv
xvi
AGRADECIMENTOS
Ao Professor Jurandir Zullo Junior, pela orientação, aprendizado, incentivos e apoio ao longo
do trabalho.
Aos membros da Banca Examinadora, Eduardo Delgado Assad, Nelson Jesuz Ferreira, Maria
Angela Fagnani e Vania Rosa Pereira, pelas críticas e sugestões que contribuíram para a
melhoria do meu trabalho.
Às amigas Ana Ávila, Camila Dourado, Andrea Koga, Michele Cristina, e em especial a
Priscila Coltri e Wal Alfonsi pelas palavras amiga, convivência e aprendizado.
Ao pessoal do ICMC/USP São Carlos, em especial, ao Bruno Amaral, Daniel Chino, Elaine
Sousa e Agma Traina, pela implementação do SatImagExplorer e pela ajuda no processamento
e mineração dos dados.
xvii
Ao pessoal da Embrapa Informática Agropecuária, Tais Peron, João Paulo da Silva, Silvio
Evangelista e Adriano Otavian, pela ajuda computacional e estatística dos dados.
Ao pessoal da Embrapa Meio Ambiente, Tadeu Lana e Elias Almeida, pela ajuda no
processamento do balanço hídrico. À Pesquisadora Emília Hamada, de maneira especial, pelos
ensinamentos, encorajamento, apoio e conselhos na minha vida profissional e pessoal.
E principalmente, à minha querida família, meu pai, Aloísio, minha mãe, Flávia, meus irmãos
Guilherme e Raquel, meus avós queridos, tios (as), primos (as) e Renato, pelo amor, paciência,
compreensão e dedicação constante. Cada página desta tese foi escrita com incentivo de cada
um de vocês.
xviii
LISTA DE FIGURAS
Figura 1: Mapa das áreas onde se concentram as plantações e usinas de cana-de-açúcar. Fonte:
UNICA (2011). ............................................................................................................................ 6
Figura 2: Gráfico de produção de cana-de-açúcar em São Paulo, no Sudeste e no Brasil de
1993 a 2011. Fonte: IBGE (2013). .............................................................................................. 6
Figura 3: Imagens do AVHRR/NOAA processadas para o estado de São Paulo contendo dados
de Composição Máxima de NDVI (A), Albedo (B) e Temperatura de Superfície (C), em
março de 2009. .......................................................................................................................... 12
Figura 4: Processo de mineração de séries temporais de dados climáticos e imagens de satélite.
Adaptado de ROMANI (2010). ................................................................................................. 22
Figura 5: Cinquenta municípios maiores produtores de cana-de-açúcar do estado de São Paulo
no período 2001-2011 (IBGE, 2013). ........................................................................................ 25
Figura 6: Fluxograma geral das etapas do trabalho. .................................................................. 26
Figura 7: Área de plantio de cana-de-açúcar no estado de São Paulo em 2010 segundo o
projeto Canasat/INPE. ............................................................................................................... 28
Figura 8: Municípios com dados de estação meteorológica no período 2001-2011 do estado de
São Paulo segundo o Agritempo. .............................................................................................. 31
Figura 9: Agrupamento dos municípios similares em relação ao NDVI, clima, produtividade e
área plantada. ............................................................................................................................. 34
Figura 10: Quatro etapas do monitoramento e mapeamento das áreas de plantio de cana-de-
açúcar no estado de São Paulo utilizando séries temporais de dados espectrais, agroclimáticos,
de área plantada e de produção da cultura. ................................................................................ 36
Figura 11: Etapa 1 - Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar
durante o ano-safra 2002/2003 na maior área produtora de São Paulo. .................................... 37
Figura 12: Maior região produtora de cana-de-açúcar no estado, destacando o mapeamento dos
talhões de cana-de-açúcar. ......................................................................................................... 38
Figura 13: Etapa 2 - Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar
durante o ano-safra em toda área produtora de São Paulo. ....................................................... 39
Figura 14: Etapa 3 - Agrupamento do NDVI para o acompanhamento anual da cana-de-açúcar
no período de 2001 a 2010. ....................................................................................................... 41
xix
Figura 15: Etapa 4 - Agrupamento do NDVI, temperatura de superfície e albedo para
mapeamento da área plantada de cana-de-açúcar. ..................................................................... 42
Figura 16: Etapas do processamento das séries temporais visando o desenvolvimento de
modelos numéricos aplicados ao planejamento regional da cana-de-açúcar. ........................... 43
Figura 17: Dendrograma com ligação simples e coeficiente de correlação de distância das
variáveis. .................................................................................................................................... 48
Figura 18: Agrupamento das variáveis área plantada, produtividade e NDVI máximo para os
50 municípios maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009. ...... 51
Figura 19: Gráfico com número de municípios produtores em cada classe do agrupamento. .. 52
Figura 20: Agrupamento das variáveis produtividade e NDVI máximo para os 50 municípios
maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009. .............................. 55
Figura 21: Gráfico com número de municípios produtores em cada classe do agrupamento. .. 56
Figura 22: Agrupamento das variáveis área plantada, produtividade e NDVI máximo e clima
para 16 municípios produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009. ............ 59
Figura 23: Gráfico com número de municípios produtores em cada classe do agrupamento. .. 61
Figura 24: Agrupamento das variáveis produtividade e NDVI máximo e clima para 16
municípios maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009. ........... 64
Figura 25: Gráfico com número de municípios produtores em cada classe do agrupamento. .. 66
Figura 26: Imagens MVC mensal de NDVI e agrupamento de NDVI (2 grupos) da maior
região produtora de cana-de-açúcar de São Paulo para os meses de Abril de 2002 a Março de
2003. .......................................................................................................................................... 82
Figura 27: Agrupamento de NDVI (5 grupos) da cana-de-açúcar de São Paulo para os meses
de Abril de 2004 a Março de 2005. ........................................................................................... 89
Figura 28: Perfil temporal dos agrupamentos de NDVI (5 grupos) da cana-de-açúcar de São
Paulo para os meses de Abril de 2004 a Março de 2005. .......................................................... 90
Figura 29: Agrupamentos pelo K-Means com função de distância DTW e perfis temporais de
cada grupo para cada ano-safra no período de 2001/2002 a 2009/2010. ................................ 100
Figura 30: Agrupamentos pelo K-Medoids com função de distância DTW e perfis temporais
de cada grupo para cada ano-safra no período de 2001/2002 a 2009/2010. ............................ 110
Figura 31: Agrupamento pelo K-Means com função de distância DTW para década (2001-
2010). ....................................................................................................................................... 114
xx
Figura 32: Perfis temporais de cada grupo do agrupamento feito com o K-Means com função
de distância DTW para a década de (2001-2010).................................................................... 114
Figura 33: Agrupamento pelo K-Medoids com função de distância DTW para década (2001-
2010) ........................................................................................................................................ 115
Figura 34: Perfis temporais de cada grupo do agrupamento feito com o K-Medoids com
função de distância DTW para a década (2001-2010). ........................................................... 115
Figura 35: Agrupamentos de NDVI, temperatura de superfície e albedo pelo K-Means com
função de distância DTW para cada ano-safra no período de 2001/2002 a 2009/2010. ......... 122
Figura 36: Perfis temporais de cada grupo do agrupamento do NDVI pelo K-Means com
função de distância DTW para a década de 2000. ................................................................... 122
Figura 37: Perfis temporais de cada grupo do agrupamento da temperatura de superfície pelo
K-Means com função de distância DTW para a década de 2000. ........................................... 123
Figura 38: Perfis temporais de cada grupo do agrupamento do albedo pelo K-Means com
função de distância DTW para a década de 2000. ................................................................... 123
Figura 39: Agrupamentos de NDVI, temperatura de superfície e albedo pelo Clarans com
função de distância DTW para cada ano-safra no período de 2001/2002 a 2009/2010. ......... 128
Figura 40: Perfis temporais de cada grupo do agrupamento do NDVI pelo Clarans com função
de distância DTW para a década de 2000................................................................................ 128
Figura 41: Perfis temporais de cada grupo do agrupamento da temperatura de superfície pelo
Clarans com função de distância DTW para a década de 2000............................................... 129
Figura 42: Perfis temporais de cada grupo do agrupamento do albedo pelo Clarans com função
de distância DTW para a década de 2000................................................................................ 129
Figura 43: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2002. ... 132
Figura 44: Relação entre os valores observados e estimados de produção em toneladas de
cana-de-açúcar de 2002. .......................................................................................................... 133
Figura 45: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2003. ........................................................................................................................................ 134
Figura 46: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2003. ... 135
Figura 47: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2004. ... 137
Figura 48: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2004. ........................................................................................................................................ 138
xxi
Figura 49: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2005. ........................................................................................................................................ 139
Figura 50: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2005. ... 140
Figura 51: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2006. ... 142
Figura 52: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2006. ........................................................................................................................................ 143
Figura 53: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2007. ........................................................................................................................................ 144
Figura 54: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2007. ... 145
Figura 55: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2008. ... 147
Figura 56: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2008. ........................................................................................................................................ 148
Figura 57: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2009. ........................................................................................................................................ 149
Figura 58: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2009. ... 150
Figura 59: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de
2009. ........................................................................................................................................ 155
Figura 60: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de
2009 e acréscimo de 5%. ......................................................................................................... 157
Figura 61: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de
2009 e acréscimo de 10%. ....................................................................................................... 159
Figura 62: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de
2009 e acréscimo de 15%. ....................................................................................................... 161
Figura 63: Tela inicial do sistema SatImagExplorer. .............................................................. 181
Figura 64: Agrupamentos de área plantada do conjunto #1. ................................................... 181
Figura 65: Agrupamentos de produtividade do conjunto #1. .................................................. 182
Figura 66: Agrupamentos de NDVI máximo do conjunto #1. ................................................ 182
Figura 67: Agrupamentos de Produtividade do conjunto #2. .................................................. 183
Figura 68: Agrupamentos de NDVI máximo do conjunto #2. ................................................ 183
Figura 69: Agrupamentos de área plantada do conjunto #3. ................................................... 184
Figura 70: Agrupamentos de produtividade do conjunto #3. .................................................. 184
xxii
Figura 71: Agrupamentos de NDVI máximo do conjunto #3. ................................................ 185
Figura 72: Agrupamentos de precipitação do conjunto #3. ..................................................... 185
Figura 73: Agrupamentos de temperatura máxima do conjunto #3. ....................................... 186
Figura 74: Agrupamentos de temperatura mínima do conjunto #3. ........................................ 186
Figura 75: Agrupamentos de produtividade do conjunto #4. .................................................. 187
Figura 76: Agrupamentos de NDVI máximo do conjunto #4. ................................................ 187
Figura 77: Agrupamentos de precipitação do conjunto #4. ..................................................... 188
Figura 78: Agrupamentos de temperatura máxima do conjunto #4. ....................................... 188
Figura 79: Agrupamentos de temperatura mínima do conjunto #4. ........................................ 189
Figura 80: Intervalos mínimo, médio e máximo mensais do agrupamento K-Means (grupos 1 e
2) de NDVI do ano-safra 2002/2003. ...................................................................................... 189
Figura 81: Principais componentes obtidas pela análise de PCA no SOM no período de
2001/2002 a 2009/2010 (A a I)................................................................................................ 200
Figura 82: Gráfico de deficiência hídrica máxima anual de cana-de-açúcar para a década de
2000. ........................................................................................................................................ 201
Figura 83: Gráfico de excedente hídrico máximo anual de cana-de-açúcar para a década de
2000. ........................................................................................................................................ 201
Figura 84: Gráfico de ISNA médio anual de cana-de-açúcar para a década de 2000. ............ 202
Figura 85: Gráfico de precipitação total anual de cana-de-açúcar para a década de 2000. ..... 202
Figura 86: Gráfico de temperatura média anual de cana-de-açúcar para a década de 2000.... 203
Figura 87: Gráfico de NDVI máximo anual de cana-de-açúcar para a década de 2000. ........ 203
xxiii
xxiv
LISTA DE TABELAS
xxv
Tabela 21: Coeficientes do modelo gerado pela regressão linear múltipla de 2005. .............. 139
Tabela 22: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2005. ..... 139
Tabela 23: Coeficientes do modelo gerado pela regressão linear múltipla de 2006. .............. 141
Tabela 24: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2006. ..... 141
Tabela 25: Coeficientes do modelo gerado pela regressão linear múltipla de 2007. .............. 144
Tabela 26: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2007. ..... 144
Tabela 27: Coeficientes do modelo gerado pela regressão linear múltipla de 2008. .............. 146
Tabela 28: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2008. ..... 146
Tabela 29: Coeficientes do modelo gerado pela regressão linear múltipla de 2009. .............. 149
Tabela 30: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2009. ..... 149
Tabela 31: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2002 e NDVI 2001. ................................................................. 152
Tabela 32: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2002 e NDVI 2009. ................................................................. 153
Tabela 33: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2009 e NDVI 2001. ................................................................. 153
Tabela 34: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2009 e NDVI 2009. ................................................................. 153
Tabela 35: Coeficientes de correlação de Spearman em relação ao NDVI. ............................ 190
Tabela 36: Coeficientes de correlação de Spearman em relação a área plantada de cana-de-
açúcar. ...................................................................................................................................... 190
Tabela 37: Coeficientes de correlação de Spearman em relação a produção de cana-de-açúcar.
................................................................................................................................................. 191
Tabela 38: Coeficientes de correlação de Spearman em relação a produtividade de cana-de-
açúcar. ...................................................................................................................................... 191
Tabela 39: Coeficientes de correlação de Spearman em relação temperatura do ar. .............. 192
Tabela 40: Coeficientes de correlação de Spearman em relação a precipitação. .................... 192
Tabela 41: Coeficientes de correlação de Spearman em relação ao ISNA. ............................ 193
Tabela 42: Coeficientes de correlação de Spearman em relação a deficiência hídrica. .......... 193
Tabela 43: Coeficientes de correlação de Spearman em relação ao excedente hídrico. ......... 194
Tabela 44: Coeficientes de correlação de Spearman em relação ao albedo. ........................... 194
Tabela 45: Coeficientes de correlação de Spearman em relação a temperatura de superfície.195
xxvi
LISTA DE SIGLAS
xxvii
GEEs – Gases de Efeito Estufa
GEOEYE – Satélites de Observação da Terra
GES – Goddard Earth Science
HadCM3 – Global Model - Hadley Centre for Climate Prediction and Research
HadRM3P – Modelo Climático Regional
HRPT – High Resolution Picture Transmissions
IAF – Índice de Área Foliar
IAG/USP – Instituto de Astronomia, Geofísica e Ciências / Universidade de São Paulo
IBGE – Instituto Brasileiro de Geografia e Estatística
IKONOS – Satélites de Observação da Terra
IME/USP – Instituto de Matemática e Estatística / Universidade de São Paulo
INPE – Instituto Nacional de Pesquisas Espaciais
IPCC – Intergovernmental Panel on Climate Change
ISNA – Índice de Satisfação das Necessidades de Água
KC – Coeficiente de Cultura
KDD – Knowledge Discovery in Databases
LANDSAT – Satélites de Observação da Terra
MCC – Máxima Correlação Cruzada
MODIS – Moderate Resolution Imaging Spectroradiometer
MVC – Composições de Valor Máximo
NASA – National Aeronautics and Space Administration
NAVPRO – Sistema Automático de Processamento e Geração de Produtos de Imagens
AVHRR/NOAA
NCAR – National Center for Atmospheric Research
NDVI – Normalized Difference Vegetation Index (Índice de Vegetação da Diferença
Normalizada)
PBMC – Painel Brasileiro de Mudanças Climáticas
PCA – Análise de Componentes Principais
QUICK-BIRD – Satélites de Observação da Terra
RCMs – Modelos Climáticos Regionais
RegCM3 – Modelo Climático Regional - Versão 3
xxviii
ROI – Região de Interesse
SIDRA – Sistema IBGE de Recuperação Automática
SOM – Self-Organizing Maps
SPOT – Satélites de Observação da Terra
SRES – Special Report on Emissions Scenarios
TRMM – Tropical Rainfall Measuring Mission
UNICA – União da Indústria de Cana-de-açúcar
UNICAMP – Universidade Estadual de Campinas
xxix
xxx
1 INTRODUÇÃO
1
Os satélites da série NOAA geram duas imagens diárias para cada um em operação
sendo cada vez mais acessível para estudos o volume de dados, nos últimos anos. São
necessários, desta forma, métodos computacionais que automatizem desde a correção
geométrica das imagens até a análise da enorme quantidade de dados extraídos delas para
utilização nas aplicações de interesse. Para extrair e analisar dados destas séries temporais
pode-se utilizar, por exemplo, técnicas de mineração de dados. Tarefas importantes de
mineração de séries temporais incluem análise de tendência, busca por similaridade,
mineração sequencial e de padrões periódicos.
1.1 JUSTIFICATIVA
2
Brasil poderão ter seus padrões de temperatura e precipitação alterados, com o aquecimento
global. Junto com a mudança dos padrões anuais de precipitação, ou mesmo onde não houver
alteração do total anual, deverão ocorrer intensificações dos eventos extremos (PBMC, 2013).
Esse fato ilustra a importância da cultura para o país e evidencia a necessidade da existência
de sistemas de monitoramento e previsão de safras que auxiliem o planejamento envolvido na
produção e comercialização de produtos estratégicos para os mercados interno e externo, como
são o açúcar e o etanol.
3
modelos que sejam aplicáveis, simultaneamente, a vários municípios produtores de cana-de-
açúcar.
1.3 OBJETIVO
1) Avaliar a relação entre a resposta espectral (descrita pelo índice NDVI), dados
agroclimáticos (representados pelo índice ISNA) e valores de produção da cana-de-açúcar;
2) Monitorar e mapear a cultura da cana-de-açúcar por técnicas de agrupamentos;
3) Obter modelos numéricos de previsão da produção de safras futuras de cana-de-açúcar
em escala regional;
4) Estimar a produção de cana-de-açúcar utilizando o modelo regional de mudanças
climáticas ETA/CPTEC em um cenário de alta emissão de gases de efeito estufa para o ano de
2020.
4
2 REVISÃO DA LITERATURA
2.1 CANA-DE-AÇÚCAR
5
Figura 1: Mapa das áreas onde se concentram as plantações e usinas de cana-de-açúcar.
Fonte: UNICA (2011).
6
Embora pesquisas científicas tenham propiciado o aumento da produtividade dos
cultivares de cana-de-açúcar, o aumento na produção deve-se, em grande parte, à expansão da
área plantada da cultura, principalmente no estado de São Paulo, maior produtor brasileiro
(MARTINELLI e FILOSO, 2008). Outro fator importante para a indústria sucroalcooleira é a
manutenção da colheita durante o ano todo para garantir a produção de etanol e outros
derivados. Com isso, embora as datas de plantio não variem tanto, a data de corte em algumas
regiões pode ser estendida gerando as chamadas cana soca (ano) e cana planta (ano e meio)
(SCARPARI e BEAUCLAIR, 2004). A cana-de-açúcar para produção de etanol e açúcar é
cultivada, em média, por quatro a cinco cortes. Assim, a cana soca pode representar cerca de
85% da área cultivada.
7
no caso das mudanças climáticas é que a planta se beneficia de altos níveis de CO2 na
atmosfera sem ser afetada significativamente por temperaturas mais elevadas. Como por
exemplo, a produção de folhas e colmos pode aumentar 13,5% e 55,5%, respectivamente, e o
teor de açúcar total pode aumentar de 15% a 26%, isso pode decorrer em função do aumento
previsto da concentração de CO2 para 720ppm, que atualmente é de 360ppm (VU et al., 2006).
2.2 AVHRR/NOAA
8
global, é elevada a possibilidade de obtenção de imagens em boas condições, isto é, com
pouca nebulosidade e baixa inclinação de visada, ao longo do ciclo de desenvolvimento da
cultura comercial.
9
últimos anos. São necessários, então, métodos computacionais que automatizem desde a
correção geométrica das imagens até a análise da enorme quantidade de dados extraídos delas.
O NAVPRO é um exemplo destes métodos computacionais, sendo um sistema destinado ao
processamento e à geração automática de produtos baseados nas imagens do AVHRR/NOAA,
desenvolvido parcialmente por pesquisadores do Colorado Center for Astro dynamics
Research (CCAR), Aerospace Engineering Sciences, da Universidade do Colorado
(Boulder/EUA), conforme descrição feita por ANTUNES (2005) e ESQUERDO (2007). O
sistema é compatível com a plataforma Linux e executado em “script Shell”, fazendo a
conversão de formatos, calibração radiométrica, correção geométrica (isto é, o
georreferenciamento preciso) e geração de produtos tais como, índice de vegetação NDVI,
albedo e temperatura de superfície das imagens do AVHRR/NOAA de forma automática
(ESQUERDO et al., 2006), como ilustra a Figura 3.
(1)
Os valores do NDVI variam de -1 a +1, sendo maior quanto maior for a diferença
entre o fator de refletância no infravermelho próximo e no vermelho. Os valores menores e
próximos de zero significam superfícies sem vegetação. A Figura 3A contém áreas do estado
de São Paulo com NDVI próximos a 1 apresentadas pela cor vermelha, representando áreas
agrícolas e de vegetação natural, e valores próximos a zero pela cor azul, que correspondem a
áreas urbanas e recursos hídricos. O NDVI tem sido utilizado no monitoramento de vegetações
naturais e áreas agrícolas por apresentar correlação com os seguintes parâmetros agronômicos:
biomassa (JUSTICE e HIERNAUX, 1986; ANYAMBA e TUCKER, 2005), índice de área
10
foliar (PRINCE, 1993; WANG et al., 2005), peso da vegetação úmida, peso da vegetação seca
e porcentagem de cobertura vegetal (SENAY e ELLIOT, 2002).
(A)
(B)
11
(C)
12
representação dos diferentes tipos de interação da energia com a superfície. A principal fonte
de energia para a superfície é a radiação solar (radiação de ondas curtas), além da energia
radiante, existe também a energia emitida pela superfície e pela atmosfera (radiação de ondas
longas). Conforme a Lei de Stefan-Boltzmann (1879 e 1884), essa energia é proporcional à
temperatura e emissividade do corpo.
13
método requer dados de evapotranspiração, coeficiente de cultura (Kc) ao longo do período de
desenvolvimento da cultura, precipitação, temperatura e capacidade de água disponível (CAD)
para o período considerado. No entanto, fornece resultados como dados de evapotranspiração
real (ETR), deficiência hídrica (DEF), excedente hídrico (EXC) e armazenamento de água no
solo (ARM).
Para obter um bom indicador das necessidades de água da planta e do solo, pode-se
utilizar o Índice de Satisfação das Necessidades de Água (ISNA), calculado a partir dos
parâmetros obtidos na simulação do balanço hídrico ao longo do ciclo da cultura, por meio da
Equação 2.
(2)
O ISNA expressa a relação entre a quantidade de água que a planta consumiu e a que
seria desejável a fim de garantir sua produtividade máxima (ASSAD et al., 1998). Esse índice
14
varia de zero a um, sendo máximo quando a quantidade de água armazenada no solo é
adequada para obtenção da produtividade máxima.
(3)
BRUNINI et al. (2001), MALUF et al. (2001), FARIAS et al. (2001) e SANS et al.
(2001) utilizaram o ISNA com o objetivo de determinar as melhores datas de plantio e
revelaram a importância da espacialização dos índices climáticos para o zoneamento de riscos
climáticos de culturas agrícolas. Sabe-se que o ISNA é um índice relacionado com a oferta
pluviométrica e o armazenamento de água no solo, com isso, é possível observar duas
15
situações: uma, apresenta áreas com o ISNA elevado que representam chuva mais estável e,
portanto, armazenamento de água no solo ainda elevado. Outra, apresenta áreas com ISNA
baixo que correspondem a áreas onde ocorre maior diferença na distribuição das chuvas e
maiores diferenças no armazenamento de água. Estas situações permitem avaliar o alto,
médio e baixo risco para o plantio, permitem reduzir o erro na tomada de decisão no momento
do plantio e auxiliam na montagem da matriz de risco espacial, a partir de parâmetros
agrometeorológicos.
16
Modelos climáticos globais (GCMs) são as ferramentas principais para estudar a
variabilidade climática de longo prazo. Estes modelos têm resolução espacial baixa, e a técnica
mais aceita para transpor a baixa resolução espacial dos modelos climáticos globais para
escalas mais refinadas é a regionalização (downscaling) das projeções dos modelos globais
utilizando modelos climáticos regionais (RCMs) de alta resolução espacial sobre a área de
interesse, tendo, como condições de contorno, dados provenientes de um modelo climático
global (AMBRIZZI et al., 2007).
17
HadRM3P - cujas simulações regionais utilizaram as mesmas condições de
contorno do modelo global HadCM3 (Hadley Centre for Climate Prediction and Research),
desenvolvido no Hadley Centre, UK Meteorological Office, da Inglaterra (IPCC, 2007).
Nas rodadas dos cenários climáticos futuros, o modelo oferece quatro cenários de
sensibilidade: alta, média, baixa e sem perturbação. O cenário sem perturbação utiliza a
concentração constante de 330ppm de CO2. Os demais cenários utilizam três concentrações
diferentes de GEEs, descritos pelo IPCC: um cenário “otimista” (com baixa emissão de
18
GEEs), um “mediano” (com emissões de GEEs da mesma ordem das emitidas atualmente) e
um “pessimista” (com altas emissões de GEEs, acima dos níveis atuais). Cada membro do
“ensemble” (conjunto) é “forçado” com concentrações diferentes de CO2. O efeito das
diferentes combinações de parâmetros pode alterar o grau e, de certa forma, os padrões das
possíveis mudanças do clima (CHOU et al., 2011).
A agricultura parece ser uma das atividades humanas mais vulneráveis às mudanças
climáticas devido à sua grande dependência das condições ambientais. No entanto, a
diversidade de condições ambientais brasileira pode ser de grande vantagem para adaptar o
setor às novas condições climáticas. No Brasil, estudos simulando o impacto das mudanças
climáticas em culturas agrícolas como milho, trigo, soja, café, arroz, batata, algodão
concluíram que todas essas culturas poderão apresentar perdas consideráveis de área e
produção nos diferentes cenários de mudanças climáticas (ASSAD et al., 2004; ZULLO JR et
al., 2006; STRECK e ALBERTO, 2006; FAGUNDES et al., 2010; ZULLO JR et al., 2011;
SILVA et al., 2012; COLTRI, 2012). Por outro lado, culturas como cana-de-açúcar e
mandioca poderão ser beneficiadas pelas altas temperaturas (PINTO e ASSAD, 2008). Muitas
culturas poderão apresentar perdas em área de plantio e na produção já na primeira metade
deste século (ASSAD et al., 2004; PINTO e ASSAD, 2008; COLTRI, 2012), podendo
ocasionar migração de locais de plantios e modificações na geografia da produção brasileira
(PINTO e ASSAD, 2008).
19
impactos negativos no Brasil e no mundo.
Os impactos sobre a agricultura têm uma importância especial para o país, uma vez
que quase 30% do produto nacional bruto brasileiro está relacionado ao agronegócio
(BARROS, 2009). Um dos estudos, coordenado pelo Centro de Pesquisas Meteorológicas e
Climáticas Aplicadas à Agricultura (Cepagri/Unicamp) e Embrapa Informática Agropecuária,
afirma que o aumento das temperaturas poderá provocar perdas nas safras de grãos no valor de
R$ 7,4 bilhões já em 2020 – quebra que poderá saltar para R$ 14 bilhões em 2070 – e alterar
profundamente a geografia da produção agrícola no país (PINTO E ASSAD, 2008), ou seja,
poderá haver uma nova distribuição das culturas agrícolas do Brasil até o fim do Século XXI.
Dentre as culturas mais prejudicadas está o café, sendo que uma das únicas que poderá se
beneficiar com o aumento das temperaturas é a cana-de-açúcar. Nas avaliações feitas até o
momento, a elevação das temperaturas prevista nos relatórios do IPCC poderá ampliar as áreas
com baixo risco climático para a cana-de-açúcar.
20
dados feita pelos usuários é cara e muitas vezes pouco realista. Deste modo, a mineração de
dados espacial visa automatizar o processo de descoberta de conhecimento, assim como, fazer
a extração de padrões espaciais e características interessantes; capturar as relações intrínsecas
entre dados espaciais e não espaciais; regularizar os dados de forma concisa e em maiores
níveis conceituais; e ajudar a reorganizar bancos de dados espaciais para acomodar semântica
de dados, bem como conseguir um melhor desempenho (NG e HAN, 2002).
21
De acordo com ROMANI (2010), um processo de mineração de séries temporais
envolvendo dados climáticos e de sensoriamento remoto é composto de cinco etapas
principais, como descrito a seguir e apresentado na Figura 4:
22
Uma das tarefas de mineração de dados bastante utilizada é o agrupamento, que
consiste em um processo de agrupar um conjunto de objetos em classes de objetos similares.
Um grupo (cluster) é uma coleção de objetos similares, de maneira que a similaridade
intragrupo seja significativamente maior que a similaridade intergrupos. Em outras palavras, o
agrupamento permite reunir os objetos de dados em partições de acordo com a distância entre
eles. Com base nos valores de determinados atributos, a distância entre dois objetos indica o
quanto eles são similares. Com isso, em um mesmo grupo, a distância entre os objetos deve
ser sempre menor do que a distância entre objetos de grupos diferentes (HAN e KAMBER,
2006).
A análise de grupos pode ser utilizada como uma ferramenta de mineração de dados
para auxiliar o entendimento da distribuição do conjunto de dados. Além disso, o agrupamento
pode ser utilizado como um pré-processamento dos dados para outras tarefas de mineração.
Métodos baseados em particionamento comumente utilizados são o K-Means, o K-Medoids
(HAN e KAMBER, 2006) e o Clarans (NG e HAN, 2002).
23
candidatos a medoid, e o escolhido é apenas o que for o mais centralizado. Tal característica
torna o método menos sensível a ruídos e outliers no conjunto de dados de entrada, além de
minimizar o efeito da escolha aleatória dos medoids iniciais. O que difere o K-Means do K-
Medoid é a escolha do representante do grupo (HAN et al., 2001).
Estudos como mapeamento do uso da terra para determinar áreas agrícolas para a
segurança alimentar (VINTROU et al., 2012), extração de características espectrais de
imagens de satélite para o monitoramento agrícola (JULEA, et al., 2012) e ambiental (LI e
NARAYANAN, 2004) utilizam as tarefas de mineração de dados, pois lidam com grandes
volumes de dados em diferentes áreas de conhecimento. Desta maneira, a mineração de séries
temporais de imagens de satélite tem se destacado nos estudos de acompanhamento,
monitoramento, mapeamento (VIEIRA et al., 2012) e previsão de safras de cana-de-açúcar
(BEGUE et al., 2009).
24
3 METODOLOGIA
A área de trabalho foi o estado de São Paulo, principal estado produtor de cana-de-
açúcar do país. Este estado está situado entre as coordenadas geográficas 54°00’ e 43°30’ de
longitude oeste e 25°30’ e 19° 30’de latitude sul. A Figura 5 ilustra os cinquenta municípios
maiores produtores de cana-de-açúcar do estado de acordo com IBGE (2013) no período 2001
- 2011.
A Figura 6 apresenta um fluxograma geral das quatro etapas do trabalho, que serão
descritas com mais detalhes a seguir: 1) seleção das áreas produtoras de cana-de-açúcar e
aquisição dos dados de produção, área e produtividade de cana-de-açúcar; 2) aquisição e
processamento dos dados espectrais; 3) aquisição e processamento dos dados agroclimáticos;
4) mineração de séries temporais, análise estatística e modelagem.
25
Seleção das áreas de cana-de-açúcar de São Paulo
(50 municípios maiores produtores)
Dados Climáticos
Dados Espectrais Dados Espectrais Dados de
Temperatura e
Imagens Landsat Imagens AVHRR/NOAA Precipitação Produtividade
Perfis temporais de
Mapeamento de ISNA, Deficiência e
NDVI, Albedo e
cana-de-açúcar Temperatura de Superfície Excedente Hídrico
Modelos Climáticos
(Cenários Futuros)
26
3.1 SELEÇÃO DAS ÁREAS PRODUTORAS DE CANA-DE-AÇÚCAR
A seleção das áreas de plantio de cana-de-açúcar foi feita por meio da página do
projeto Canasat/INPE (http://www.dsr.inpe.br/laf/canasat/), que faz o monitoramento anual do
cultivo da cana-de-açúcar, por imagens de satélite, nas classes seguintes: soca, expansão, em
reforma (18 meses) e reformada (18 meses) para os estados de Goiás, Minas Gerais, Mato
Grosso, Mato Grosso do Sul, Paraná, São Paulo, Espírito Santo e Rio de Janeiro. No item
seguinte será descrito com maior detalhe a aquisição e processamento dos dados de
monitoramento da cultura.
27
Figura 7: Área de plantio de cana-de-açúcar no estado de São Paulo em 2010 segundo o
projeto Canasat/INPE.
28
Foram utilizadas imagens do satélite NOAA-16 para a safra 2001/2002 (abril de 2001
a março de 2002) e para os meses de abril, maio e junho da safra 2002/2003. Foram utilizadas
imagens do satélite NOAA-17 de julho de 2002 a março de 2010, totalizando nove safras de
cana-de-açúcar com imagens de abril de 2001 a março de 2010.
A partir da calibração radiométrica foi possível obter imagens diárias de albedo, pela
transformação do valor digital (nível de cinza) em radiância ou refletância aparente (no topo
da atmosfera) para as bandas 1, 2, e 3A, e imagens diárias de temperatura de superfície, pela
transformação do valor digital em temperatura de brilho para as bandas 3B, 4 e 5. A geração
das imagens de NDVI foi por meio da Equação 1, que utiliza as bandas 1 e 2 das imagens
diárias pré-processadas, isto é, imagens obtidas após calibração radiométrica e
georreferenciamento preciso.
29
A extração dos perfis temporais das composições mensais de NDVI, albedo e
temperatura de superfície foi feita por meio do sistema SatImagExplorer (CHINO et al., 2010).
Este sistema é interativo e permite que o usuário especifique regiões de interesse (ROI),
utilizando como base de entrada uma imagem da série temporal (Figura 63, no Apêndice). 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. Essa
ferramenta permite que o usuário possa focar sua análise em pontos estratégicos e de interesse,
além de facilitar a análise de séries longas de dados (CHINO et al., 2010). Desta maneira, as
ROIs foram selecionadas pelas coordenadas dos pontos de cultivo da cana-de-açúcar, obtidos
pelo Canasat, no período de 2001 a 2010, com a finalidade de extrair somente os valores de
NDVI, albedo e temperatura de superfície de cana-de-açúcar, separando-os de área urbana,
solos e outras coberturas.
Além dos dados das estações dos municípios, foram obtidos dados de temperatura
média e precipitação para todo o estado de São Paulo no mesmo período. Os dados de
temperatura média foram estimados utilizando a altitude e latitude das estações disponíveis no
estado pelo Agritempo, pelas equações apresentadas por PINTO et al. (1972). Os dados de
precipitação foram obtidos pelo sistema TRMM (Tropical Rainfall Measuring Mission). Esta
série temporal de precipitação pluviométrica (mm/mês) refere-se ao produto TRMM 3B42 e
está disponível na página da NASA (Goddard Earth Science – GES e Distributed Active
30
Archive System). O pixel do TRMM tem uma área mínima de 0,25 graus, isto é,
aproximadamente 27,7 km2.
31
de todo o estado. A interpolação foi feita por meio do software Surfer 8
(http://www.goldensoftware.com/), na mesma resolução espacial das imagens do
AVHRR/NOAA, com pixel de 1,1km x 1,1km, 945 colunas, 590 linhas e retângulo envolvente
do estado com 557.550 pixels. O recorte dos limites de São Paulo resultou em 220.622 pixels.
32
4 ANÁLISE DOS DADOS
A análise dos dados foi dividida em quatro partes: 1) avaliação da relação entre a
resposta espectral, dados agroclimáticos e valores de produção de cana-de-açúcar; 2)
monitoramento e mapeamento da cana-de-açúcar; 3) modelos numéricos de previsão da
produção de safras de cana-de-açúcar na escala regional, e 4) estimativa da produção de cana-
de-açúcar utilizando o modelo regional de mudanças climáticas ETA/CPTEC.
A seleção das variáveis foi feita pela análise de um dendrograma com as variáveis
anuais seguintes: área plantada, produção e produtividade, valores de NDVI (máximo, médio,
soma e mínimo), temperatura do ar (máxima, média e mínima) e precipitação (total) para
eliminar as variáveis correlacionadas reduzindo o tamanho do conjunto a ser analisado. Os
valores de NDVI foram extraídos das imagens MVC do AVHRR/NOAA por meio do sistema
SatImageExplorer, utilizando o mapeamento da cana-de-açúcar feito pelo projeto Canasat.
33
próximo, utilizando a distância euclidiana. O resultado do agrupamento foi inserido no
software ARCGIS (http://www.esri.com/software/arcgis) para visualização da distribuição
espacial dos municípios similares de cada grupo em todos os anos-safra.
34
entender como a resposta espectral da cana-de-açúcar se comporta em relação à área plantada
e ao clima. Desta maneira, foram escolhidos quatro conjuntos de variáveis, a saber:
35
Figura 10: Quatro etapas do monitoramento e mapeamento das áreas de plantio de cana-de-
açúcar no estado de São Paulo utilizando séries temporais de dados espectrais, agroclimáticos,
de área plantada e de produção da cultura.
36
A ferramenta Weka fornece o recurso de exibir, ao final da execução do algoritmo, a
qual grupo cada área foi atribuída. Desta maneira, utilizou-se o resultado do agrupamento para
a visualização da distribuição espacial dos pontos num espaço geográfico. Isto foi feito
utilizando o software Idrisi (http://www.clarklabs.org/products/idrisi.cfm).
37
Figura 12: Maior região produtora de cana-de-açúcar no estado, destacando o mapeamento
dos talhões de cana-de-açúcar.
38
Figura 13: Etapa 2 - Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar
durante o ano-safra em toda área produtora de São Paulo.
39
determinada localização (pixel da imagem), visando análises mensais da região de interesse.
Nesse caso, a função de distância utilizada foi a euclidiana. Com base em critérios de
similaridade, os elementos foram atribuídos a grupos de modo que, nas séries de NDVI, as
áreas agrupadas em um mesmo grupo são mais semelhantes se comparadas a áreas de outros
grupos. Foram gerados cinco grupos para cada mês do ano-safra, sendo possível acompanhar o
estádio de desenvolvimento da cultura em cada mês como, por exemplo, se a cultura está no
seu pico de desenvolvimento, se já foi colhida e se há mistura espectral com outra cultura
agrícola ou vegetação.
O agrupamento dos pontos da área de estudo foi feito pelos métodos K-Means, K-
Medoids, implementados no sistema SatImagExplorer, ambos descritos em HAN et al. (2001).
Nesta etapa, foi utilizada a abordagem métrica DTW, função de distância muito aplicada na
análise de séries temporais (BERNDT e CLIFFORD, 1994), que visa trabalhar com séries de
valores de NDVI, de modo que cada elemento do conjunto seja definido por uma série de
NDVI correspondente a uma ou várias safras de cana-de-açúcar. Os agrupamentos foram
determinados por cinco grupos para cada ano-safra (2001 a 2010) e para a década (2001-
2010). Nesta etapa foram gerados cinco grupos para acompanhamento anual da cultura de
acordo com o tipo de plantio de cada ano-safra como, por exemplo, soca, reformada, em
reforma, expansão e plantio não definido.
40
Figura 14: Etapa 3 - Agrupamento do NDVI para o acompanhamento anual da cana-de-açúcar
no período de 2001 a 2010.
A Figura 15 ilustra a etapa 4, na qual foi feito o agrupamento das séries temporais de
NDVI, temperatura de superfície e albedo para o mapeamento das áreas de plantio de cana-de-
açúcar no estado de São Paulo.
Nesta etapa foi utilizado também o sistema SatImagExplorer. Foi feita a extração de
séries temporais de NDVI, temperatura de superfície e albedo das imagens MVC do
AVHRR/NOAA. Foram utilizadas 324 imagens mensais de NDVI, albedo e temperatura de
41
superfície no período estudado. Logo, para cada variável, obteve-se uma série temporal com
108 imagens, totalizando um conjunto de dados contendo 220.238 séries temporais (pixels)
por imagem. Estas séries temporais foram os dados de entrada para o agrupamento pelos
métodos K-Means (HAN et al. 2001) e Clarans (NG e HAN, 2002). O agrupamento foi feito
com a função de distância DTW, com cinco e seis grupos, respectivamente. Foram gerados
cinco e seis grupos para identificar as áreas de plantio de cana-de-açúcar e outros alvos, como,
água, área urbana, agricultura em geral, pastagem e áreas florestais. Nesta etapa, excluiu-se a
região litorânea do estado, pois não há plantio significativo de cana-de-açúcar e, também, para
diminuir os ruídos e não reduzir a eficiência do algoritmo de agrupamento utilizado.
42
4.3 MODELOS NUMÉRICOS DE PREVISÃO DA PRODUÇÃO DE SAFRAS DE
CANA-DE-AÇÚCAR NA ESCALA REGIONAL
43
interpretar dados espaciais tendo como base os princípios de quantização vetorial e medidas
do vetor similaridade. No ambiente SOM, cada amostra é tratada como um vetor n-
dimensional (nD) em um espaço amostral definido pelas variáveis desta amostra. Pelo fato da
análise ser feita a partir da quantização vetorial, tanto variáveis contínuas quanto categóricas
podem ser inseridas na análise, o que a torna ideal para dados geocientíficos distintos e
complexos. Devido ao fato de se tratar de uma análise não supervisionada, não é necessário o
conhecimento prévio sobre os dados (CARNEIRO, 2010). No SiroSOM©, foi feita a
correlação de Spearman e a análise de componentes principais (PCA) sobre as variáveis
NDVI, albedo, temperatura de superfície, ISNA, excedente hídrico, deficiência hídrica,
precipitação, temperatura do ar, área plantada, produção e produtividade de cana-de-açúcar.
44
4.4 ESTIMATIVA DA PRODUÇÃO DE CANA-DE-AÇÚCAR UTILIZANDO O
MODELO REGIONAL DE MUDANÇAS CLIMÁTICAS ETA/CPTEC
Os modelos gerados pela regressão linear múltipla utilizaram somente pontos de
cana-de-açúcar, algo em torno de 28.000 pontos, e dados de entrada de área, NDVI e ISNA,
com um valor anual, do ano-safra anterior para estimar o valor de produção do ano-safra
seguinte. Os valores anuais de NDVI e ISNA foram adquiridos pela média dos valores dos
meses de dezembro a março, meses em que a cana está no pico de desenvolvimento. Os
modelos foram validados utilizando dados de produção do ano-safra observado em relação à
produção estimada, a fim de mostrar o erro médio de cada modelo. Com o erro médio baixo
(abaixo de 5%), foi possível quantificar os valores de produção para o ano de 2020 utilizando
dados do modelo regional de mudanças climáticas ETA/CPTEC.
45
46
5 RESULTADOS E DISCUSSÕES
47
Figura 17: Dendrograma com ligação simples e coeficiente de correlação de distância das
variáveis.
48
do estado de São Paulo. Isso fica evidente no agrupamento em todos os anos-safra. Os demais
municípios variaram a classe do agrupamento de ano para ano, em função da área plantada,
produtividade e NDVI.
49
A B
C D
E F Continua
50
G H
Figura 18: Agrupamento das variáveis área plantada, produtividade e NDVI máximo para os
50 municípios maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009.
51
Área plantada 86600 18260 30960 25190
2005/2006 Produtividade 90,47 85,06 84,09 84,74
NDVI Máximo 0,616 0,611 0,610 0,611
Área plantada 93000 21190 36200 28060
2006/2007 Produtividade 82,00 84,40 81,53 83,30
NDVI Máximo 0,634 0,620 0,612 0,617
Área plantada 93000 22150 39620 30910
2007/2008 Produtividade 82,00 84,47 83,56 84,04
NDVI Máximo 0,627 0,628 0,625 0,62
Área plantada 114000 23190 42520 33490
2008/2009 Produtividade 90,00 85,62 85,50 85,66
NDVI Máximo 0,670 0,633 0,620 0,628
Figura 19: Gráfico com número de municípios produtores em cada classe do agrupamento.
52
Tabela 3: Número de municípios produtores em cada classe do agrupamento.
Grupo 2001/02 2002/03 2003/04 2004/05 2005/06 2006/07 2007/08 2008/09
1 1 1 1 1 1 1 1 1
2 36 29 27 30 23 31 29 27
3 14 21 23 20 27 19 21 23
53
produtividade maior. Já, os mapas E, G e H (Figura 20) possuem mais municípios nos grupos
1(azul) e 3 (verde) com produtividade média e baixa de acordo com os valores dos centroides
(Tabela 4), sendo anos-safra anos com padrão bastante diferente dos demais anos.
A B
C D Continua
54
E F
G H
Figura 20: Agrupamento das variáveis produtividade e NDVI máximo para os 50 municípios
maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009.
55
Produtividade 92,80 81,51 71,57 81,85
2002/2003
NDVI Máximo 0,643 0,635 0,619 0,633
Produtividade 91,12 79,88 70,46 81,23
2003/2004
NDVI Máximo 0,614 0,612 0,609 0,612
Produtividade 89,51 79,94 73,33 81,59
2004/2005
NDVI Máximo 0,636 0,611 0,613 0,621
Produtividade 93,49 75,49 83,11 84,74
2005/2006
NDVI Máximo 0,623 0,605 0,606 0,611
Produtividade 92,13 81,23 72,93 83,31
2006/2007
NDVI Máximo 0,620 0,619 0,609 0,618
Produtividade 87,91 99,00 78,04 84,04
2007/2008
NDVI Máximo 0,633 0,623 0,623 0,627
Produtividade 90,09 97,50 80,80 85,66
2008/2009
NDVI Máximo 0,642 0,618 0,621 0,628
Figura 21: Gráfico com número de municípios produtores em cada classe do agrupamento.
56
Tabela 5: Número de municípios produtores em cada classe do agrupamento.
Grupo 2001/02 2002/03 2003/04 2004/05 2005/06 2006/07 2007/08 2008/09
1 11 13 18 20 17 16 21 20
2 31 26 20 16 12 28 5 4
3 10 13 14 16 23 8 26 28
57
A B
C D
E F Continua
58
G H
Figura 22: Agrupamento das variáveis área plantada, produtividade e NDVI máximo e clima
para 16 municípios produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009.
59
Temperatura Máxima 31,12 30,56 29,92 30,72
Temperatura Mínima 17,62 18,12 17,25 17,62
Área plantada 16383,25 37300,00 23908,00 25374,81
Produtividade 80,61 80,00 83,24 81,78
NDVI Máximo 0,618 0,620 0,599 0,609
2003/2004
Precipitação 1053,28 1402,98 1117,35 1172,74
Temperatura Máxima 30,00 29,17 29,99 29,79
Temperatura Mínima 16,35 16,14 16,23 16,24
Área plantada 16437,50 36822,20 24936,26 26525,94
Produtividade 81,75 77,87 84,13 81,58
NDVI Máximo 0,628 0,609 0,610 0,614
2004/2005
Precipitação 1453,20 1414,10 1387,19 1412,10
Temperatura Máxima 29,39 28,84 29,38 29,22
Temperatura Mínima 17,06 16,35 16,94 16,79
Área plantada 15344,14 38702,00 25618,75 25212,13
Produtividade 82,79 80,00 92,39 84,32
NDVI Máximo 0,611 0,609 0,625 0,614
2005/2006
Precipitação 1355,63 1304,00 1386,50 1347,21
Temperatura Máxima 30,24 29,49 29,95 29,93
Temperatura Mínima 17,18 17,27 17,47 17,28
Área plantada 18610,17 42833,33 29387,50 30388,19
Produtividade 81,47 81,67 81,60 81,58
NDVI Máximo 0,625 0,613 0,608 0,616
2006/2007
Precipitação 1397,07 1452,10 1629,83 1475,89
Temperatura Máxima 29,92 30,04 31,16 30,28
Temperatura Mínima 16,08 16,72 16,55 16,44
Área plantada 20002,80 48176,67 32360,00 34429,63
2007/2008
Continua
60
Produtividade 83,80 83,67 85,00 84,13
NDVI Máximo 0,629 0,621 0,623 0,624
Precipitação 1106,80 1212,85 1283,76 1201,87
Temperatura Máxima 29,57 30,70 30,43 30,26
Temperatura Mínima 16,05 16,43 17,45 16,63
Área plantada 39308,00 55875,00 23133,50 37384,31
Produtividade 86,17 86,18 83,27 85,08
NDVI Máximo 0,609 0,633 0,626 0,621
2008/2009
Precipitação 1251,30 1190,23 1233,72 1229,44
Temperatura Máxima 30,28 29,83 29,10 29,73
Temperatura Mínima 17,13 15,81 15,99 16,38
Figura 23: Gráfico com número de municípios produtores em cada classe do agrupamento.
61
Tabela 7: Número de municípios produtores em cada classe do agrupamento.
Grupo 2001/02 2002/03 2003/04 2004/05 2005/06 2006/07 2007/08 2008/09
1 6 9 4 4 7 6 5 6
2 5 3 4 5 5 6 6 4
3 5 4 8 7 4 4 5 6
62
A B
C D
E F Continua
63
G H
Figura 24: Agrupamento das variáveis produtividade e NDVI máximo e clima para 16
municípios maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009.
64
NDVI Máximo 0,599 0,608 0,629 0,609
Precipitação 958,04 1186,45 1588,43 1172,74
Temperatura Máxima 29,88 29,81 29,57 29,79
Temperatura Mínima 16,06 16,54 16,31 16,24
Produtividade 77,68 83,28 81,54 81,58
NDVI Máximo 0,577 0,625 0,620 0,614
2004/2005 Precipitação 1030,67 1620,87 1359,25 1412,10
Temperatura Máxima 29,52 28,83 29,51 29,21
Temperatura Mínima 17,96 16,59 16,44 16,79
Produtividade 82,03 83,83 85,46 84,32
NDVI Máximo 0,597 0,619 0,613 0,614
2005/2006 Precipitação 1045,30 1457,36 1323,33 1347,21
Temperatura Máxima 28,65 30,39 29,84 29,93
Temperatura Mínima 18,42 17,57 16,66 17,28
Produtividade 87,50 84,49 78,65 81,58
NDVI Máximo 0,606 0,624 0,614 0,616
2006/2007 Precipitação 1957,10 1255,82 1491,22 1475,89
Temperatura Máxima 32,29 29,48 30,27 30,28
Temperatura Mínima 16,14 15,78 16,87 16,44
Produtividade 84,17 82,71 87,33 84,13
NDVI Máximo 0,622 0,622 0,632 0,624
2007/2008 Precipitação 1072,67 1213,40 1433,37 1201,87
Temperatura Máxima 30,39 30,37 29,73 30,26
Temperatura Mínima 16,45 16,71 16,79 16,63
Produtividade 89,03 85,18 83,00 85,08
NDVI Máximo 0,606 0,629 0,620 0,621
2008/2009
Precipitação 958,90 1209,40 1388,08 1229,44
Continua
65
Temperatura Máxima 29,80 29,99 29,38 29,73
Figura 25: Gráfico com número de municípios produtores em cada classe do agrupamento.
Neste contexto, esta etapa mostrou que é possível avaliar valores de NDVI, obtidos
de imagens multitemporais de baixa resolução espacial, relacionando-os com outras variáveis,
como a área plantada, produtividade e clima. A técnica de agrupamento destaca mudanças nas
safras de cana-de-açúcar ao longo da série temporal.
66
5.2 RESULTADOS DO MONITORAMENTO E MAPEAMENTO DA CANA-DE-
AÇÚCAR
Os resultados do monitoramento e mapeamento da cana-de-açúcar utilizando séries
temporais dos dados espectrais, agroclimáticos, área e produção da cultura no estado de São
Paulo, no período de 2001 a 2010, serão descritos a seguir em quatro etapas. São elas: 1)
Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante o ano-safra a
partir da maior área produtora; 2) Agrupamento do NDVI para acompanhamento mensal da
cana-de-açúcar durante o ano-safra com base na área total produtora; 3) Agrupamento do
NDVI para acompanhamento anual da cana-de-açúcar no período de 2001 a 2010; e 4)
Agrupamento do NDVI, temperatura de superfície e albedo para mapeamento da cana-de-
açúcar.
67
estádio de desenvolvimento e onde o NDVI é máximo (valores entre 0,7 e 0,8). As áreas
escuras nas imagens representam nuvens e água.
A partir das imagens MVC de NDVI, foram gerados os perfis temporais de NDVI e
extraídos seus valores mensais. Sobre esses valores foi aplicado o algoritmo K-Means
considerando dois grupos. A Figura 26 ilustra as imagens MVC e os grupos resultantes do
processo de agrupamento na região de interesse, onde o grupo 1 em azul representa o NDVI
baixo e médio, e o grupo 2 em vermelho indica um NDVI mais alto. É possível observar que o
grupo 2 é predominante nos meses de dezembro a maio (Figuras 26R, 26T, 26V, 26X, 26B,
26D), correspondendo ao NDVI alto que também aparece em vermelho nas imagens MVC. Já
nos meses de junho a novembro (Figuras 26F, 26H, 26J, 26L, 26N, 26P), quando o NDVI é
baixo (tons de verde nas imagens MVC), o grupo 1 é predominante. O agrupamento dos
valores de NDVI coincide, portanto, com a evolução do crescimento vegetativo da cana-de-
açúcar na área de estudo apresentada nas imagens MVC.
68
Tabela 10: Intervalos mensais dos agrupamentos de NDVI (ano-safra 2002/2003).
Valor mínimo Valor médio Valor máximo
Mês Grupo
de NDVI de NDVI de NDVI
1 0,2667 0,5032 0,5473
Abril
2 0,5475 0,5918 0,7431
1 0,2066 0,4740 0,5238
Maio
2 0,5243 0,5743 0,7641
1 0,2136 0,4265 0,4730
Junho
2 0,4731 0,5195 0,7409
1 0,2023 0,3288 0,3828
Julho
2 0,3829 0,4369 0,6829
1 0,2022 0,3078 0,3623
Agosto
2 0,3625 0,4171 0,6961
1 0,2020 0,3012 0,3642
Setembro
2 0,3644 0,4271 0,6935
1 0,2014 0,2838 0,3378
Outubro
2 0,3380 0,3921 0,6226
1 0,2016 0,3272 0,3948
Novembro
2 0,3950 0,4627 0,6835
1 0,2441 0,5255 0,5765
Dezembro
2 0,5768 0,6276 0,7654
1 0,2165 0,4978 0,5547
Janeiro
2 0,5556 0,6130 0,7966
1 0,2271 0,5851 0,6233
Fevereiro
2 0,6234 0,661 0,777
1 0,2113 0,5461 0,5837
Março
2 0,5837 0,6213 0,7346
69
Observando os resultados, foi possível perceber que, apesar do predomínio de um
grupo em relação a outro durante os meses do ano, em nenhum momento existe apenas um
deles. Isso indica a diferença de períodos de corte da cana-de-açúcar, o que garante a colheita
ao longo do ano todo, fator importante para manter o fornecimento de derivados da cana-de-
açúcar, especialmente o etanol.
Os valores de NDVI para os dois grupos possuem uma variação ao longo dos meses,
indicando em quais meses a cana-de-açúcar atinge seus valores máximos e mínimos. Essa
classificação mensal pode ser usada como parâmetro de entrada para outros algoritmos de
mineração a fim de permitir a extração de padrões e conhecimentos novos a partir de imagens
de baixa resolução espacial, como é o caso das imagens AVHRR/NOAA.
70
Imagens MVC mensal de NDVI - Abril/2002 - A
71
Imagens MVC mensal de NDVI - Maio/2002 - C
72
Imagens MVC mensal de NDVI - Junho/2002 - E
73
Imagens MVC mensal de NDVI - Julho/2002 - G
74
Imagens MVC mensal de NDVI - Agosto/2002 - I
75
Imagens MVC mensal de NDVI - Setembro/2002 - K
76
Imagens MVC mensal de NDVI - Outubro/2002 - M
77
Imagens MVC mensal de NDVI - Novembro/2002 - O
78
Imagens MVC mensal de NDVI - Dezembro/2002 - Q
79
Imagens MVC mensal de NDVI - Janeiro/2003 - S
80
Imagens MVC mensal de NDVI - Fevereiro/2003 - U
81
Imagens MVC mensal de NDVI - Março/2003 - W
82
5.2.2 Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante
o ano-safra com base na área total produtora
Embora o método K-Means seja mais simples e bastante utilizado, a sua aplicação em
séries geradas a partir de imagens de baixa resolução espacial permite estudo da cultura em
83
nível regional, mesmo com a dificuldade na análise devido à possibilidade de mistura espectral
nos pixels.
84
Agrupamento de NDVI mensal (5 grupos) da cana-de-açúcar - C
85
Agrupamento de NDVI mensal (5 grupos) da cana-de-açúcar - E
86
Agrupamento de NDVI mensal (5 grupos) da cana-de-açúcar - G
87
Agrupamento de NDVI mensal (5 grupos) da cana-de-açúcar - I
88
K
L
Figura 27: Agrupamento de NDVI (5 grupos) da cana-de-açúcar de São Paulo para os meses
de Abril de 2004 a Março de 2005.
89
Figura 28: Perfil temporal dos agrupamentos de NDVI (5 grupos) da cana-de-açúcar de São
Paulo para os meses de Abril de 2004 a Março de 2005.
90
métodos de agrupamentos não se mantêm constante de ano para ano, pois o plantio da cana-
de-açúcar é dinâmico (Tabelas 11 e 12) ao longo da série temporal.
Analisando ano a ano os resultados dos agrupamentos K-Means, foi possível verificar
que cada grupo corresponde aos tipos diferentes de plantio de cana-de-açúcar. Como por
exemplo, nos anos-safra 2001/2002, 2003/2004, 2006/2007 e 2008/2009, o grupo 2 (verde –
Figuras 29A, 29E, 29K e 29O) corresponde ao tipo de plantio soca com 29%, 41%, 29% e
47% dos pixels de cana-de-açúcar, respectivamente (Tabela 11). Este grupo está
correlacionado (entre R=0,74 e 0,87) com a produção da cultura (Tabela 13). Nos anos-safra
2002/2003 e 2009/2010 (Figuras 29C e 29Q) a cana-de-açúcar soca (36% e 33% dos pixels,
respectivamente) corresponde ao grupo 1 (azul), com correlação de R =0,84 e R=0,73 com a
produção. O ano-safra 2004/2005 (Figura 29G) corresponde ao grupo 3 (amarelo), 33% dos
pixels de cana-de-açúcar, com R=0,81 de correlação com a produção. Na maioria dos anos-
safra, o tipo soca está fortemente correlacionado com a produção de cana-de-açúcar. Somente
nos anos-safra 2005/2006 e 2007/2008 (Figuras 29I, 29M), o tipo expansão (35% e 28% dos
pixels, respectivamente) está correlacionado com produção da cultura (Tabelas 11 e 13).
91
Agrupamento anual pelo K-Means com função de distância DTW - A
92
Agrupamento anual pelo K-Means com função de distância DTW - C
93
Agrupamento anual pelo K-Means com função de distância DTW - E
94
Agrupamento anual pelo K-Means com função de distância DTW - G
95
Agrupamento anual pelo K-Means com função de distância DTW - I
96
Agrupamento anual pelo K-Means com função de distância DTW - K
97
Agrupamento anual pelo K-Means com função de distância DTW - M
98
Agrupamento anual pelo K-Means com função de distância DTW - O
99
Agrupamento anual pelo K-Means com função de distância DTW - Q
100
Com a análise do agrupamento K-Medoids, foi possível verificar os diferentes grupos
para cada tipo de plantio de cana-de-açúcar. Como por exemplo, nos anos-safra 2001/2002 e
2003/2004, o grupo 1 (azul – Figuras 30A e 30E) corresponde ao tipo de plantio soca, com
20% e 34% dos pixels de cana-de-açúcar (Tabela 12) e este grupo está correlacionado (R=0,73
e 0,77) com a produção da cultura (Tabela 14). Nos anos-safra 2002/2003, 2005/2006 e
2006/2007 (Figuras 30C, 30I e 30K) a cana-de-açúcar soca (25%, 21% e 38% dos pixels,
respectivamente) corresponde ao grupo 2 (verde), com correlação entre R=0,78 e R=0,87 com
a produção. Os anos-safra 2007/2008 e 2008/2009, com 28% e 25% dos pixels de cana-de-
açúcar (Figura 30M e 30O), corresponde ao grupo 3 (amarelo), com R= 0,77 e R=0,73 de
correlação com a produção. Da mesma maneira que o K-Means, na maioria dos anos-safra, o
tipo soca está fortemente correlacionado com a produção de cana-de-açúcar. Somente nos
anos-safra 2004/2005 e 2009/2010 (Figuras 30G, 30Q), o tipo reformada (24% e 22% dos
pixels) está correlacionado com a produção da cultura (Tabelas 12 e 14).
101
Agrupamento anual pelo K-Medoids com função de distância DTW - A
102
Agrupamento anual pelo K-Medoids com função de distância DTW - C
103
Agrupamento anual pelo K-Medoids com função de distância DTW - E
104
Agrupamento anual pelo K-Medoids com função de distância DTW - G
105
Agrupamento anual pelo K-Medoids com função de distância DTW - I
106
Agrupamento anual pelo K-Medoids com função de distância DTW - K
107
Agrupamento anual pelo K-Medoids com função de distância DTW - M
108
Agrupamento anual pelo K-Medoids com função de distância DTW - O
109
Agrupamento anual pelo K-Medoids com função de distância DTW - Q
110
Nas Figuras 31 e 33, foi possível diferenciar as regiões tradicionalmente produtoras
(noroeste e sudoeste) das áreas de expansão (oeste) de cana-de-açúcar de acordo com as
análises de agrupamento K-Means e K-Medoids, respectivamente, para o período de 10 anos
(2001-2010). A apresentação das diferentes áreas produtoras de cana-de-açúcar em um único
mapa que representa a análise de uma década de imagens de NDVI permite que o especialista
valide resultados relativos à produção de cana-de-açúcar.
Na Figura 31, o grupo 2 (verde) representa as áreas de plantio tradicional, com maior
produção de cana-de-açúcar, que pode ser verificado pelo perfil temporal do grupo 2 na Figura
32. Este perfil apresenta a sazonalidade do ciclo de desenvolvimento da cultura durante a
década, com valores médios em relação aos outros grupos. O grupo 4 (vermelho) apresenta o
centroide com valores de NDVI maiores e com picos nos meses de setembro e outubro
menores (Figura 32), indicando cana-de-açúcar que não foi colhida ou mistura espectral com
áreas de mata nativa ou reflorestamento. O grupo 0 (magenta) apresenta áreas de expansão de
cana-de-açúcar ou áreas com baixa produção, em torno de 100 mil toneladas, ao longo dos 10
anos analisados.
111
método K-Medoids foi mais eficiente, pois exibiu melhor os extremos do perfil temporal
(Figura 34). Desta maneira, foi mais fácil determinar as áreas de mistura espectral com os
demais tipos de vegetação e solo exposto e as áreas de expansão da cultura.
112
Tabela 13: Classes e porcentagens de pixels de cana-de-açúcar determinadas pelo Canasat para cada grupo do K-Means com DTW.
K-Means + DTW
Grupo 01/02 02/03 03/04 04/05 05/06 06/07 07/08 08/09 09/10
Expansão Em reforma Expansão Expansão Reformada Não definido Em reforma Reformada Reformada
0
(9%) (18%) (7%) (4%) (3%) (14%) (12%) (11%) (21%)
Reformada Soca Em reforma Não definido Soca Expansão Não definido Em reforma Soca
1
(17%) (36%) (27%) (17%) (21%) (20%) (7%) (11%) (33%)
Soca Expansão Soca Em reforma Em reforma Soca Reformada Soca Expansão
2
(29%) (13%) (41%) (20%) (18%) (29%) (21%) (47%) (18%)
Não definido Reformada Não definido Soca Expansão Em reforma Expansão Expansão Em reforma
3
(19%) (15%) (13%) (32%) (35%) (21%) (28%) (22%) (19%)
Em reforma Não definido Reformada Reformada Não definido Reformada Soca Não definido Não definido
4
(24%) (15%) (9%) (24%) (20%) (14%) (29%) (7%) (6%)
Tabela 14: Classes e porcentagens de pixels de cana-de-açúcar determinadas pelo Canasat para cada grupo do K-Medoids com DTW.
K-Medoids + DTW
Grupo 01/02 02/03 03/04 04/05 05/06 06/07 07/08 08/09 09/10
Expansão Expansão Expansão Em reforma Reformada Em reforma Em reforma Reformada Soca
0
(10%) (10%) (8%) (18%) (4%) (20%) (15%) (21%) (26%)
Soca Não definido Soca Não definido Expansão Expansão Reformada Não definido Expansão
1
(20%) (22%) (34%) (17%) (33%) (17%) (19%) (6%) (19%)
Em reforma Soca Não definido Soca Soca Soca Expansão Expansão Não definido
2
(21%) (25%) (17%) (24%) (21%) (38%) (23%) (22%) (9%)
Não definido Em reforma Em reforma Reformada Não definido Não definido Soca Soca Reformada
3
(34%) (23%) (27%) (24%) (20%) (10%) (28%) (25%) (22%)
Reformada Reformada Reformada Expansão Em reforma Reformada Não definido Em reforma Em reforma
4
(12%) (18%) (11%) (14%) (18%) (13%) (13%) (22%) (22%)
113
Figura 31: Agrupamento pelo K-Means com função de distância DTW para década (2001-
2010).
Figura 32: Perfis temporais de cada grupo do agrupamento feito com o K-Means com função
de distância DTW para a década de (2001-2010).
114
Figura 33: Agrupamento pelo K-Medoids com função de distância DTW para década (2001-
2010)
Figura 34: Perfis temporais de cada grupo do agrupamento feito com o K-Medoids com
função de distância DTW para a década (2001-2010).
115
5.2.4 Agrupamento do NDVI, temperatura de superfície e albedo para mapeamento da
cana-de-açúcar
Os agrupamentos de 220.622 mil pixels, feitos por meio dos métodos K-Means e
Clarans com função de distância DTW, identificaram áreas de plantio de cana-de-açúcar e
outros alvos, tais como, água, área urbana, agricultura, pastagem e florestas no estado de São
Paulo (Figuras 35 e 39). Ressalta-se que cada grupo foi formado de acordo com as
características das informações de NDVI, temperatura de superfície e albedo do
AVHRR/NOAA. O albedo foi útil para separar áreas de água dos demais alvos, mas não foi
adequado para auxiliar na distinção de áreas com tipos diferentes de cobertura vegetal. O
agrupamento dos demais alvos foi feito analisando os valores de temperatura da superfície,
tendo valores altos nas áreas de solo exposto e áreas urbanas, e valores menores em áreas com
vegetação densa.
As áreas florestais também foram bem definidas por ambos os métodos. Estas áreas
normalmente apresentam valores elevados de NDVI, pois têm alta concentração de biomassa.
No método K-Means, representado pelo grupo 4, em vermelho, nas Figuras 35 e 36, e no
método Clarans, ora representado, principalmente, pelo grupo 5 e ora pelo 4 (Figuras 39 e 40),
as áreas florestais apresentam valores de NDVI alto (Figuras 39 e 40) e valores de temperatura
de superfície (Figuras 37 e 41) mais baixos, pois são áreas bastante sombreadas e com
cobertura vegetal densa.
116
(amarelo) corresponde à cana-de-açúcar; e o grupo 4 (vermelho) representa áreas florestais
(Figura 35). O mapeamento da cana-de-açúcar pelo K-Means, na maioria dos anos-safra,
corresponde ao grupo 3 (Figura 35). Somente para os anos-safra 2004/2005 e 2007/2008
(Figuras 35D e 35G) houve uma mistura de áreas de cana-de-açúcar com outras áreas
agrícolas (grupo 2). Nos anos-safra 2008/2009 e 2009/2010 (Figuras 35H e 35I), a expansão
da cana-de-açúcar para a região oeste do estado foi mapeada pelo grupo 3. Nesta região, houve
um aumento do plantio da cultura e este grupo detectou este evento.
117
Agrupamento de NDVI, temperatura de superfície e albedo pelo K-Means - A
118
Agrupamento de NDVI, temperatura de superfície e albedo pelo K-Means - C
119
Agrupamento de NDVI, temperatura de superfície e albedo pelo K-Means - E
120
Agrupamento de NDVI, temperatura de superfície e albedo pelo K-Means - G
121
Agrupamento de NDVI, temperatura de superfície e albedo pelo K-Means - I
Figura 35: Agrupamentos de NDVI, temperatura de superfície e albedo pelo K-Means com
função de distância DTW para cada ano-safra no período de 2001/2002 a 2009/2010.
Figura 36: Perfis temporais de cada grupo do agrupamento do NDVI pelo K-Means com
função de distância DTW para a década de 2000.
122
Figura 37: Perfis temporais de cada grupo do agrupamento da temperatura de superfície pelo
K-Means com função de distância DTW para a década de 2000.
Figura 38: Perfis temporais de cada grupo do agrupamento do albedo pelo K-Means com
função de distância DTW para a década de 2000.
123
Agrupamento de NDVI, temperatura de superfície e albedo pelo Clarans - A
124
Agrupamento de NDVI, temperatura de superfície e albedo pelo Clarans - C
125
Agrupamento de NDVI, temperatura de superfície e albedo pelo Clarans - E
126
Agrupamento de NDVI, temperatura de superfície e albedo pelo Clarans - G
127
Agrupamento de NDVI, temperatura de superfície e albedo pelo Clarans - I
Figura 39: Agrupamentos de NDVI, temperatura de superfície e albedo pelo Clarans com
função de distância DTW para cada ano-safra no período de 2001/2002 a 2009/2010.
Figura 40: Perfis temporais de cada grupo do agrupamento do NDVI pelo Clarans com
função de distância DTW para a década de 2000.
128
Figura 41: Perfis temporais de cada grupo do agrupamento da temperatura de superfície pelo
Clarans com função de distância DTW para a década de 2000.
Figura 42: Perfis temporais de cada grupo do agrupamento do albedo pelo Clarans com
função de distância DTW para a década de 2000.
129
5.3 RESULTADOS DOS MODELOS NUMÉRICOS DE PREVISÃO DA PRODUÇÃO
DE SAFRAS DE CANA-DE-AÇÚCAR NA ESCALA REGIONAL
A seguir, são apresentados os modelos gerados pela regressão linear múltipla para
cada ano-safra e para a previsão de produção de 2020.
130
Produção2002 = 176.300+NDVI2001*310.600+Área2001* 78,32+ISNA2001*-363.200 (4)
Tabela 15: Coeficientes do modelo gerado pela regressão linear múltipla de 2002.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto 176.300 18.010 9,789 0,00 (<2*10-16)
NDVI 310.600 25.210 12,324 0,00 (<2*10-16)
Área 78,32 0,09918 789,697 0,00 (<2*10-16)
ISNA -363.200 15.780 -23,016 0,00 (<2*10-16)
Tabela 16: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2002.
Erro Padrão Residual 180.900 em 26.759 Graus de Liberdade
R2 Múltiplo 0,9602
R2 Ajustado 0,9602
F-estatística 215.400
P-valor 0,00 (< 2,2*10-16)
131
Produção de cana-de-açúcar observada - A
132
Figura 44: Relação entre os valores observados e estimados de produção em toneladas de
cana-de-açúcar de 2002.
133
Tabela 17: Coeficientes do modelo gerado pela regressão linear múltipla de 2003.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto -285.700 42.840 -6,669 0,00 (2*10-11)
NDVI 1.040.000 60.990 17,057 0,00 (<2*10-16)
Área 90,40 0,2187 413,419 0,00 (<2*10-16)
ISNA -565.200 24.560 -23,015 0,00 (<2*10-16)
Tabela 18: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2003.
Erro Padrão Residual 373.500 em 27.848 Graus de Liberdade
R2 Múltiplo 0,8682
R2 Ajustado 0,8682
F-estatística 61.130
p-valor 0,00 (< 2,2*10-16)
134
Produção de cana-de-açúcar observada - A
135
5.3.3 Modelo numérico 2003/2004
A Equação 6 é o modelo gerado para estimar a produção de cana-de-açúcar de 2004
em relação aos dados de área plantada, NDVI e ISNA de 2003. A Tabela 19 apresenta os
coeficientes gerados pela regressão. A Tabela 20 apresenta os erros e os coeficientes de
correlação do modelo, com R2 = 0,977. O modelo mostra uma relação diretamente
proporcional entre produção de cana-de-açúcar e NDVI e inversamente proporcional ao ISNA.
Tabela 19: Coeficientes do modelo gerado pela regressão linear múltipla de 2004.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto -160.100 17.060 -9,385 0,00 (<2*10-16)
NDVI 431.300 24.580 17,545 0,00 (<2/10-16)
Área 83,36 0,07796 1.069,216 0,00 (<2*10-16)
ISNA -121.500 13.480 -9,010 0,00 (<2*10-16)
Tabela 20: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2004.
Erro Padrão Residual 153.400 em 27.923 Graus de Liberdade
R2 Múltiplo 0,977
R2 Ajustado 0,977
F-estatística 396.100
p-valor 0,00 (< 2,2*10-16)
136
Produção de cana-de-açúcar observada - A
137
Figura 48: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2004.
138
Tabela 21: Coeficientes do modelo gerado pela regressão linear múltipla de 2005.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto 729.300 31.150 23,41 0,00 (<2*10-16)
NDVI 762.500 27.200 28,03 0,00 (<2*10-16)
Área 83,57 0,09787 853,87 0,00 (<2*10-16)
ISNA -1.323.000 32.140 -41,18 0,00 (<2*10-16)
Tabela 22: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2005.
Erro Padrão Residual 194.100 em 27.993 Graus de Liberdade
R2 Múltiplo 0,9643
R2 Ajustado 0,9643
F-estatística 252.300
p-valor 0,00 (< 2,2*10-16)
139
Produção de cana-de-açúcar observada - A
140
5.3.5 Modelo numérico 2005/2006
A Equação 8 é o modelo gerado para estimar a produção de cana-de-açúcar de 2006
em relação aos dados de área plantada, NDVI e ISNA de 2005. A Tabela 23 apresenta os
coeficientes gerados pela regressão. A Tabela 24 apresenta os erros e os coeficientes de
correlação do modelo, igual a R2 = 0,9412. O modelo mostra uma relação diretamente
proporcional entre produção de cana-de-açúcar e NDVI e inversamente proporcional ao ISNA.
Tabela 23: Coeficientes do modelo gerado pela regressão linear múltipla de 2006.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto 802.800 34.720 23,123 0,00 (<2*10-16)
NDVI 358.400 41.370 8,664 0,00 (<2*10-16)
Área 86,36 0,1325 651,798 0,00 (<2*10-16)
ISNA -1.137.000 27.210 -41,776 0,00 (<2*10-16)
Tabela 24: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2006.
Erro Padrão Residual 258.500 em 28.130 Graus de Liberdade
R2 Múltiplo 0,9412
R2 Ajustado 0,9412
F-estatística 150.000
p-valor 0,00 (< 2,2*10-16)
141
Produção de cana-de-açúcar observada - A
142
Figura 52: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2006.
143
Tabela 25: Coeficientes do modelo gerado pela regressão linear múltipla de 2007.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto 1.045.000 49.690 21,037 0,00 (< 2*10-16)
NDVI 347.200 59.880 5,797 0,00 (6,82*10-09)
Área 84,08 0,1752 479,815 0,00 (< 2*10-16)
ISNA -1.516.000 47.100 -32,191 0,00 (< 2*10-16)
Tabela 26: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2007.
Erro Padrão Residual 363.800 em 28.006 Graus de Liberdade
R2 Múltiplo 0,9024
R2 Ajustado 0,9024
F-estatística 86.320
p-valor 0,00 (< 2,2*10-16)
144
Produção de cana-de-açúcar observada - A
145
5.3.7 Modelo numérico 2007/2008
A Equação 10 é o modelo gerado para estimar a produção de cana-de-açúcar de 2008
em relação aos dados de área plantada, NDVI e ISNA de 2007. A Tabela 27 apresenta os
coeficientes gerados pela regressão. A Tabela 28 apresenta os erros e os coeficientes de
correlação do modelo, igual a R2 = 0,9237. O modelo mostra uma relação diretamente
proporcional entre produção de cana-de-açúcar e NDVI e inversamente proporcional ao ISNA.
Tabela 27: Coeficientes do modelo gerado pela regressão linear múltipla de 2008.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto 215.200 45.610 4,719 0,00 (2,38*10-6)
NDVI 374.000 67.800 5,516 0,00 (3,50*10-8)
Área 94,99 0,1668 569,486 0,00 (< 2*10-16)
ISNA -570.600 32.510 -17,550 0,00 (< 2*10-16)
Tabela 28: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2008.
Erro Padrão Residual 377.500 em 28.054 Graus de Liberdade
R2 Múltiplo 0,9237
R2 Ajustado 0,9237
F-estatística 113.200
p-valor 0,00 (< 2,2*10-16)
146
Produção de cana-de-açúcar observada - A
147
Figura 56: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2008.
148
Tabela 29: Coeficientes do modelo gerado pela regressão linear múltipla de 2009.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto 3.712 52.330 0,071 0,00 (<2*10-16)
NDVI 974.800 71.660 13,603 0,00 (<2*10-16)
Área 77,05 0,1569 491,063 0,00 (<2*10-16)
ISNA -578.300 28.360 -20,388 0,00 (<2*10-16)
Tabela 30: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2009.
Erro Padrão Residual 397.100 em 28.245 Graus de Liberdade
R2 Múltiplo 0,9027
R2 Ajustado 0,9027
F-estatística 87.330
p-valor 0,00 (< 2,2*10-16)
149
Produção de cana-de-açúcar observada - A
150
5.4 RESULTADOS DA ESTIMATIVA DA PRODUÇÃO DE CANA-DE-AÇÚCAR
UTILIZANDO O MODELO REGIONAL DE MUDANÇAS CLIMÁTICAS
ETA/CPTEC.
Os modelos selecionados para estimar os valores de produção para o ano de 2020
utilizando o modelo regional de mudanças climáticas ETA/CPTEC foram os de 2002
(Equação 4) e 2009 (Equação 11). O modelo de 2002 foi selecionado, pois utilizou os valores
mais baixos de NDVI e precipitação (ano mais seco no período de dezembro a março) ao
longo da série temporal (Figuras 87 e 85, no Apêndice). Já, o modelo de 2009 utilizou os
valores mais altos de NDVI e precipitação, ano mais chuvoso no período de dezembro a março
(Figuras 87 e 85, no Apêndice). Os gráficos que apresentam os valores das variáveis
climáticas estão apresentados no Apêndice (Figuras 82 a 87). Os dados de entrada para estimar
os valores de produção para os dois modelos (2002 e 2009) foram ISNA, calculado utilizando
dados do ETA/CPTEC, NDVI de 2001, NDVI de 2009 e área plantada de 2009 e área plantada
de 2009 com acréscimo de 5%, 10% e 15%.
151
0,1 e 0,3%. Também não houve uma diferença significativa em relação ao acréscimo de área,
mantendo-se constante ou variando em torno de 0,3%.
Como o modelo de 2002 foi gerado por valores de NDVI e precipitação mais baixos,
em relação ao modelo de 2009, mas ambos os modelos foram gerados com dados de condições
térmicas e hídricas ideais para o desenvolvimento da cana-de-açúcar: temperatura média anual
acima de 20°C (Figura 86, no Apêndice) e deficiência hídrica anual inferior a 200mm (Figura
82, no Apêndice), conclui-se que para anos mais secos e quentes no período de dezembro a
março, a produção de cana-de-açúcar tende a aumentar em torno de 3,5%. Para anos mais
chuvosos, no mesmo período, a produção tende a aumentar em torno de 1,6%,
independentemente da área plantada.
Tabela 31: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2002 e NDVI 2001.
Modelo 2002
NDVI 2001
Classe Estimado 2002 Área 2009 Área +5% Área +10% Área +15%
0 1,4 -1,3 -1,3 -1,3 -1,3
1 -1,5 -3,5 -3,6 -3,6 -3,6
2 0,9 0,2 -0,2 -0,4 -0,8
3 -0,7 3,2 2,9 3,1 3,3
4 0,0 1,4 2,1 2,1 2,3
5 0,0 0,0 0,0 0,0 0,0
152
Tabela 32: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2002 e NDVI 2009.
Modelo 2002
NDVI 2009
Classe Estimado 2002 Área 2009 Área +5% Área +10% Área +15%
0 1,4 -1,3 -1,3 -1,3 -1,3
1 -1,5 -3,6 -3,7 -3,7 -3,7
2 0,9 0,0 -0,1 -0,4 -0,6
3 -0,7 3,5 2,9 3,2 3,3
4 0,0 1,4 2,1 2,2 2,3
5 0,0 0,0 0,0 0,0 0,0
Tabela 33: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2009 e NDVI 2001.
Modelo 2009
NDVI 2001
Classe Estimado 2009 Área 2009 Área +5% Área +10% Área +15%
0 0,1 0,2 0,2 0,2 0,2
1 -1,7 -1,4 -1,4 -1,4 -1,4
2 1,6 0,4 0,1 -0,2 -0,4
3 0,2 1,2 0,7 0,9 0,9
4 -0,2 -0,3 0,4 0,6 0,7
5 0,0 0,0 0,0 0,0 0,0
Tabela 34: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2009 e NDVI 2009.
Modelo 2009
NDVI 2009
Classe Estimado 2009 Área 2009 Área +5% Área +10% Área +15%
0 0,1 0,0 0,0 0,0 0,0
1 -1,7 -1,8 -1,8 -1,8 -1,8
2 1,6 0,7 0,4 0,3 -0,1
3 0,2 1,3 0,9 0,9 1,2
4 -0,2 -0,2 0,5 0,6 0,7
5 0,0 0,0 0,0 0,0 0,0
153
Produção estimada para 2020 (modelo 2002 - área 2009) - A
154
Produção estimada para 2020 (modelo 2002 - área 2009) - C
155
Produção estimada para 2020 (modelo 2002 - área +5%) - A
156
Produção estimada para 2020 (modelo 2002 - área +5%) - C
157
Produção estimada para 2020 (modelo 2002 - área +10%) - A
158
Produção estimada para 2020 (modelo 2002 - área +10%) - C
159
Produção estimada para 2020 (modelo 2002 - área +15%) - A
160
Produção estimada para 2020 (modelo 2002 - área +15%) - C
161
162
6 CONCLUSÕES
163
No mapeamento da cana-de-açúcar e de outros alvos, tais como, água, área urbana,
agricultura, pastagem e florestas, de modo geral, o agrupamento definido pelo K-Means
distinguiu melhor os alvos em relação ao agrupamento identificado pelo Clarans, utilizando as
informações de NDVI, temperatura de superfície e albedo do AVHRR/NOAA. O albedo foi
útil para separar áreas de água dos demais alvos, mas não foi suficiente para distinguir áreas
com diferentes tipos de cobertura vegetal. O agrupamento dos demais alvos foi feito
analisando os valores de temperatura da superfície, tendo valores altos nas áreas de solo
exposto e áreas urbanas, e valores menores em áreas com vegetação densa.
164
Paulo com precisão. Os modelos mostraram uma relação diretamente proporcional entre
produção de cana-de-açúcar e NDVI e inversamente proporcional ao ISNA. Os modelos
gerados por valores de NDVI e precipitação mais baixos, isto é, para anos mais secos dentro
de certos limites e mais quentes no período de dezembro a março, a produção de cana-de-
açúcar tende a aumentar em torno de 3,5% no ano de 2020. Os modelos gerados por valores de
NDVI e precipitação mais altos, isto é, para anos mais chuvosos, no mesmo período, a
produção tende a aumentar em torno de 1,6% no ano de 2020, independentemente da área
plantada.
165
166
REFERÊNCIAS
ADAMI, M.; MELLO, M. P.; AGUIAR, D. A.; RUDORFF, B. F. T.; SOUZA, A. F. A Web
Plataform Development to Perform Thematic Accuracy Assessment of Sugarcane Mapping in
South-Central Brazil. Remote Sensing, v. 4, p.3201-3214, 2012a.
ADAMI, M.; RUDORFF, B. F. T.; FREITAS, R. M.; AGUIAR, D. A.; SUGAWARA, L. M.;
MELLO, M. P. Remote Sensing Time Series to Evaluate Direct Land Use Change of Recent
Expanded Sugarcane Crop in Brazil. Sustainability, v. 4, 574-585, 2012b.
ALFONSI, R. R.; PEDRO, M. J.; BRUNINI, O.; BARBIERI, V. Condições climática para a
cana-de-açúcar. In: Paranhos, S. B (Ed.). Cana-de-açúcar: cultivo e utilização. São Paulo:
Fundação Cargill. cap.1 v.1, p.42-87. 1987. 856p.
ANTUNES, J.F.G. Aplicações de lógica fuzzy para estimativa de área plantada da cultura
de soja utilizando imagens AVHRR/NOAA. 2005. 91p. Dissertação (Mestrado em
Engenharia Agrícola) – Feagri/Unicamp, Campinas. 2005.
ANYAMBA, A.; TUCKER, C.J. Analysis of sahelian vegetation dynamics using NOAA-
AVHRR NDVI data from 1981-2003. Journal of Arid Environments, v. 63, n.3, p.596-614,
2005.
AMBRIZZI, T.; ROCHA, R. P.; MARENGO, J. A.; PISNITCHENCO, I.; NUNES, L.A.;
FERNANDES, J. P. R. Cenários regionalizados de clima no Brasil para o século XXI:
projeções de clima usando três modelos regionais: Relatório 3. Brasília: MMA, 2007.
ASSAD, E.D.; PINTO H.S.; ZULLO JR., J.; ÁVILA, A.M.H. Impacto das mudanças
climáticas no zoneamento agroclimático do café no Brasil. Pesquisa Agropecuária
Brasileira, Scielo, Brasília, v. 39, n.11, pp.1057-1064, 2004.
ASSAD, E.D.; SANO, E.E.; BEZERRA, H.S.; Silva, S.C.; LOBATO, E.J.E. Uso de modelos
numéricos de terreno na especialização de épocas de plantio. In: ASSAD, E. D.; SANO, E. E.
Sistema de informações geográficas. Aplicações na agricultura. Brasília: Embrapa-
SPI/Embrapa Cerrados, 1998.
167
BARBOSA, H. A.; HUETEA, A. R.; BAETHGENB, W. E. 20-year study of NDVI variability
over the Northeast Region of Brazil. Journal of Arid Environments, v.67, p.288-307, 2006.
BEGUE, A.; LEBOURGEOIS, V.; BAPPEL, E.; TODOROFF, P.; PELLEGRINO, A.;
BAILLARIN, F.; SIEGMUND, B. Spatio-temporal variability of sugarcane fields and
recommendations for yield forecast using NDVI. International Journal of Remote Sensing,
v.31, n.20, p.5391-5407, 2010.
BERNDT, D.; CLIFFORD, J. Using dynamic time warping to find patterns in time series. In:
AAAI Workshop on Knowledge Discovery in Databases, Seattle – Washington, p. 359-370,
1994.
BLACK, T. L. The new NMC mesoscale Eta/CPTEC model: Description and forecast
examples. Wea. Forecasting, v. 9, p. 265-278, 1994.
BRUNINI, O.; ZULLO JÚNIOR, J.; PINTO, H. S.; ASSAD, E. D.; SAWAZAKI, E.;
DUARTE, P. D.; PATERNIANI, M. E. Riscos climáticos para a cultura do milho no estado
de São Paulo. Revista Brasileira de Agrometeorologia, Passo Fundo, v.9, n.3, p.519-526,
2001. Número especial.
BUNCHAFT, G.; KELLNER, S. R.O. Estatística sem mistérios. 2.ed. Petrópolis: Vozes,
v.2. 1999. 303p.
CAMILLONI, I.; BIDEGAIN, M. Escenarios climáticos para El siglo XXII. In: BARROS, V.;
MENÉNDEZ, A.; NAGY, G. (Ed.) El cambio climático en el rio de la Plata. Buenos Aires:
CIMA/CONICET/UBA, 2005. P.33-39.
168
CARNEIRO, C. C. Modelagem espacial de dados aerogeofísicos e interpretação de
imagens SAR aplicados ao mapeamento geológico e metalogenético da região central do
Domínio Bacajá, Estado do Pará. Tese de Doutorado - Universidade Estadual de Campinas,
Instituto de Geociências, 2010.
CHOU, S.C. Modelo Regional Eta. Climanálise. Edição Especial. Instituto Nacional de
Pesquisas Espaciais. 1996.
CHOU, S. C.; MARENGO, J. A.; LYRA, A. A.; SUEIRO, G.; PESQUERO, J. F.; ALVES,
L. M.; KAY, G.; BETTS, R. CHAGAS, D. J., GOMES, J. L. Downscaling of South America
present climate driven by 4-member HadCM3 runs. Climate Dynamics, Germany, vol.38, n
3-4, p.635-653, 2011.
DING, H.; TRAJCEVSKI, G.; SCHEUERMANN, P.; WANG, X.; KEOGH, E. Querying and
Mining of Time Series Data: Experimental Comparison of Representations and Distance
Measures. In: VLDB Endowment, p. 1542-1552, 2008.
DOORENBOS, J.; KASSAM, A. H. Yield response to water. Roma: FAO, 1979. 193p. (FAO:
Irrigation and drainage, n.33).
169
EMERY, W. J.; BALDWIN, D.; MATTGEWS, D. Maximum cross correlation automatic
satellite image navigation and attitude corrections for open-ocean image navigation. IEEE
Transactions on Geoscience and Remote Sensing, v.41, n.1, p.33-42, 2003.
ESQUERDO, J.C.D.M.; ANTUNES, J.F.G.; BALDWIN, D.G; EMERY, W.; ZULLO JR, J.
An automatic system for AVHRR land surface product generation. International Journal of
Remote Sensing, v.27, n.18, p.3925-3942, 2006.
GIORGI, F.; BATES, G. T.; NIEMAN, S. J. The multi-year surface climatology of a regional
atmospheric model over the western United States, J. Climate, v. 6, 75-95,1993a.
170
GONÇALVES, R. R. V.; ROMANI, L. A. S.; ZULLO JUNIOR, J.; ÁVILA, A. M. H.;
TRAINA, A. J. M. Análise temporal de municípios produtores de cana-de-açúcar no estado de
São Paulo por meio de agrupamento do NDVI (AVHRR/NOAA) e dados de produtividade e
área. In: XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, 2011, Curitiba, PR.
Anais - SBSR, 2011a. p. 591-598.
GONÇALVES, R. R. V.; ZULLO JUNIOR, J.; COLTRI, P. P.; AVILA, A. M. H.; AMARAL,
B. F.; SOUSA, E. P. M.; ROMANI, L. A. S. Relação entre o índice EVI e dados de
precipitação nas áreas de plantio de cana-de-açúcar na região central do Brasil. In: 4º Simpósio
de Geotecnologias no Pantanal - Geopantanal, 2012, Bonito, MS. Anais - Geopantanal, 2012c.
p. 1054-1063.
GOODRUM, G.; KIDWELL, K. B.; WINSTON, W. (Eds). NOAA KLM user’s guide.
Washington, D.C.: NOAA/NESDIS/NCDC/CSD/SSB, 2001.
171
GORDON, C.; COOPER, C.; SENIOR, C.A.; BANKS, H.; GREGORY, J.M.; JOHNS, T.C.;
MITCHELL, J.F.B.; WOOD, R.A. The simulation of SST, sea ice extents and ocean heat
transport in a version of the Hadley Centre coupled model without flux adjustments. Climate
Dynamics, Germany, v.16, n.2-3, p.147-168, 2000.
HAIR JR, J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E.; TATHAM, R. L. Análise
Multivariada de Dados. Tradução Adonai Schlup Sant’Anna. 6ed. Porto Alegre: Bookman,
2009. 688p.
HALL, M.; FRANK, E.; HOLMES, G.; PFAHRINGER, B.; REUTEMANN, P.; WITTEN, I.
H. The WEKA Data Mining Software: An Update; SIGKDD Explorations, v.11, i.1, 2009.
HAN, J.; KAMBER, M. Data Mining - Concepts and Techniques. 2nd Edition ed. New
York: Morgan Kaufmann Publishers, 2006, 770p.
HAN, J.; KAMBER, M.; TUNG, A. K. H. Spatial Clustering Methods in Data Mining: A
Survey. In: Geographic Data Mining and Knowledge Discovery, H. J. Miller and J. Han
(Editors), p. 201-230, Taylor and Francis, 2001.
IPCC. Climate change 2007: Fourth assessment report (AR4). Intergovernmental Panel on
Climate Change, 2007.
IPCC. Climate change 2013: Fifth assessment report (AR5). Intergovernmental Panel on
Climate Change, 2013.
172
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Sistema IBGE de
Recuperação Automática - SIDRA. Disponível em: < http://www.sidra.ibge.gov.br/>.
Acesso em: 23 outubro 2013.
JULEA, A.; MEGER, N.; RIGOTTI, C.; TROUVE, E.; JOLIVET, R.; BOLON, P. Efficient
Spatio-temporal Mining of Satellite Image Time Series for Agricultural Monitoring.
Transactions on Machine Learning and Data Mining, v. 5, n.1, p.23-44, 2012.
JUSTICE, C.O.; HIERNAUX, P.H.Y. Monitoring the glasslands of the Sahel using NOAA
AVHRR data: Niger, 1983. International Journal of Remote Sensing, v.7, n.11, p.1475-
1498, 1986.
LI, J.; NARAYANAN, R. M. Integrated spectral and spatial information mining in remote
sensing imagery. IEEE Transactions on Geoscience and Remote Sensing, v.42, n.3, p. 673-
685, 2004.
MALUF, J. R.; CUNHA, G. R.; MATZENAUER, R.; PASINATO, A.; MOREIRA, M. B.;
CAIAFFO, M. R.; PIRES, J. L. Zoneamento de riscos climáticos para a cultura do milho no
173
Estado do Rio Grande do Sul. Revista Brasileira de Agrometeorologia, Passo Fundo, v. 9, n.
3, p. 460-467, 2001. Número especial.
MARENGO, J. A.; CHOU, S. C.; KAY, G.; ALVES, L. M.; PESQUERO, J. F.; SOARES, W.
R.; SANTOS, D. C.; LYRA, A. A.; SUEIRO, G.; BETTS, R.; CHAGAS, D. J; GOMES, J. L.;
BUSTAMENTE, J. F.; TAVARES, P. Development of regional future climate change
scenarios in South America using the Eta CPTEC/HadCM3 climate change projections:
climatology and regional analyses for the Amazon, São Francisco and the Paraná River basins.
Climate Dynamics, Germany, v.37, n.3/4, 2011.
MARIN, F. R.; JONES, J. W.; SINGELS, A.; ROYCE, F.; ASSAD, E. D.; PELLEGRINO, G.
Q.; JUSTINO, F. Climate change impacts on sugarcane attainable yield in southern Brazil.
Climatic Change, published online: 25 August 2012.
MESINGER, F.; JANJIC, Z. I.; NICKOVIC, S.; GAVRILOV, D.; e DEAVEN, D. G. The
step-mountain coordinate: Model description and performance for cases of Alpine lee
cyclogenesis and for a case of Appalachian redevelopment. Mon. Wea. Rev., 116, 1493-1518.
1988.
174
NG, R. T.; HAN, J. CLARANS: A Method for Clustering Objects for Spatial Data Mining.
IEEE Transactions on Knowledge and Data Engineering, v.14, n.5, p.1003-1006, 2002.
PRINCE, J.C. Estimating leaf area index from satellite data. IEEE Transactions on
Geoscience and Remote Sensing, v.31, n.3, p.727-734, 1993.
RAO, C. R. N.; CHEN, J. Post-launch calibration of the visible and near-infrared channels of
the Advanced Very High Resolution Radiometer on the NOAA-14 spacecraft. International
Journal of Remote Sensing, v.17, p.2743-2747, 1996.
ROMANI, L. A. S. Integrating time series mining and fractals to discover patterns and
extreme events in climate and remote sensing databases. 2010. 179p. Tese (Doutorado em
175
Ciências Matemáticas e de Computação). Universidade de São Paulo (USP- São Carlos),
2010.
ROMANI, L. A. S.; GONÇALVES, R. R. V.; ZULLO JR., J.; TRAINA JR., C.; TRAINA, A.
J. M. New DTW-Based method to similarity search in sugar cane regions represented by
climate and remote sensing time series. In: International Geosciense and Remote Sensing
Symposium (IGARSS), 2010, Honolulu. Proceedings... 2010. p. 355-358.
ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W. Monitoring vegetation systems
in the great plains with ERTS. In: Earth Resources Technology Satellite-1 Symposium, 3.,
Washington, 1973. Proceedings… Washington: NASA, v.1, p.309-317, 1973.
RUDORFF, B. F. T.; ADAMI, M.; AGUIAR, D. A. D.; GUSSO, A.; SILVA, W. F. D.;
FREITAS, R. M. D. Temporal series of evi/modis to identify land converted to sugarcane. In:
IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2009, Cape
Town. Proceedings… IEEE, 2009, p. 252-255.
176
Revista Brasileira de Agrometeorologia, Passo Fundo, v.9, n.3, p.527-535, 2001. Número
especial.
SENAY, G.B.; ELLIOT, R.L. Capability of AVHRR data in discriminating rangeland cover
mixtures. International Journal of Remote Sensing, v.23, n.2, p.299-312, 2002.
SOBRINO, J.A.; RAISSOUNI, N.; LOBO, A. Monitoring the Iberian Penninsula land cover
using NOAA-AVHRR data. In Guyot & Phulpin (Eds.). Physical Measurements and
Signatures in Remote Sensing, p.787-794, Rotterdam: Balkema, 1997.
SONG, J.; GAO, W. An improved method to derive surface albedo from narrowband AVHRR
satellite data: narrowband to broadband conversion. Journal of Applied Meteorology, v.38,
p.239-249, 1999.
STRECK, N.A.; ALBERTO, C.M. Estudo numérico do impacto da mudança climática sobre o
rendimento de trigo, soja e milho. Pesquisa Agropecuária Brasileira, Brasilia, v.41, n.9,
p.1351-1359, 2006.
THORNTHWAITE, C.W.; MATHER, J.R. The water balance. Climatology, v.8, n.1, 104p.,
1955.
177
TRISHCHENKO, A. P. Effects of spectral response function on surface reflectance and NDVI
measured with moderate resolution satellite sensors: Extension to AVHRR NOAA-17, 18 and
METOP-A. Remote Sensing of Environment, v.113, pp. 335-341, 2009.
VIEIRA, M. A.; FORMAGGIO, A. R.; RENNÓ, C. D.; ATZBERGER, C.; AGUIAR, D. A.;
MELLO, M. P. Object Based Image Analysis and Data Mining Applied to a Remotely Sensed
Landsat Time-Series to Map Sugarcane Over Large Areas. Remote Sensing of Environment,
n.123, p.553-562, 2012
VINTROU, E.; IENCO, D.; BÉGUÉ, A.; TEISSEIRE, M. Data Mining, A Promising Tool for
Large-Area Cropland Mapping. IEEE Journal of Selected Topics in Applied Earth
Observations and Remote Sensing, p.1-7, 2012.
VU, J.C.V.; ALLEN Jr., L.H.; e GESCH, R.W. Up-regulation of photosynthesis and sucrose
metabolism enzymes in young expanding leaves of sugarcane under elevated growth CO2.
Plant Science, 171:123-131. 2006.
WANG, Q.; ADIKU, S.; TENHUNEN, J.; GRANIER, A. On the relationship of ndvi with leaf
area index in a deciduous forest site. Remote Sensing of Environment, v. 94, n.2, p.244-255,
2005.
WYDICK, J.; DAVIES, P.; GRUBER, A. Estimation of broadband planetary albedo from
operational narrowband satellite measurements. NOAA Technical Report, NESDIS 27, 32p.,
1987.
ZULLO JR., J, PINTO H.S., ASSAD E.D, Impact assessment study of climate change on
agricultural zoning. Meteorol Appl, Wiley, United Kingdom, v. 13, pp.69-80, 2006.
178
ZULLO JR., J., PINTO, H.S., ASSAD, E.D., ÁVILA, A.M.H. Potential for growing Arabica
coffee in the extreme south of Brazil in a warmer world. Climatic Change, Springer,
Netherlands, v.10, pp.535-548, 2011.
179
180
APÊNDICE
181
Figura 65: Agrupamentos de produtividade do conjunto #1.
182
Figura 67: Agrupamentos de Produtividade do conjunto #2.
183
Figura 69: Agrupamentos de área plantada do conjunto #3.
184
Figura 71: Agrupamentos de NDVI máximo do conjunto #3.
185
Figura 73: Agrupamentos de temperatura máxima do conjunto #3.
186
Figura 75: Agrupamentos de produtividade do conjunto #4.
187
Figura 77: Agrupamentos de precipitação do conjunto #4.
188
Figura 79: Agrupamentos de temperatura mínima do conjunto #4.
Figura 80: Intervalos mínimo, médio e máximo mensais do agrupamento K-Means (grupos 1
e 2) de NDVI do ano-safra 2002/2003.
189
Tabela 35: Coeficientes de correlação de Spearman em relação ao NDVI.
Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 1 - - 0,770 -0,744 -0,652 0,639 -0,514 -0,709 - -
02/03 1 - - 0,791 - 0,840 - -0,574 0,756 - 0,644
03/04 1 - - 0,752 - 0,684 0,383 - 0,607 -0,421 0,746
04/05 1 - - - -0,511 0,818 0,560 -0,598 0,801 -0,481 -
05/06 1 -0,610 -0,520 0,921 0,698 0,408 - - - 0,829 0,674
06/07 1 -0,750 -0,693 0,566 -0,565 -0,814 0,513 - -0,806 - -
07/08 1 -0,647 -0,629 - - 0,389 - - 0,504 -0,664 -
08/09 1 - - 0,665 - - -0,531 0,604 - - 0,660
09/10 1 -0,717 -0,636 0,607 -0,511 - 0,592 -0,587 - -0,742 -0,883
P-valor = <0,05
Tabela 36: Coeficientes de correlação de Spearman em relação a área plantada de cana-de-açúcar.
Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 - 1 0,980 -0,520 - 0,393 - -0,446 0,401 - -
02/03 - 1 0,971 - -0,526 - 0,590 -0,807 - - -
03/04 - 1 0,977 0,410 -0,635 0,775 0,437 - 0,696 - 0,422
04/05 - 1 0,939 - - - - - 0,403 -0,562 -
05/06 -0,610 1 0,993 -0,702 - -0,492 - - - -0,758 -
06/07 -0,750 1 0,993 - 0,555 0,809 - - 0,726 - 0,477
07/08 -0,647 1 0,987 0,419 0,385 - - - - 0,382 0,484
08/09 - 1 0,952 - - - - - - - -
09/10 0,717 1 0,988 - - - -0,485 0,512 - - 0,442
P-valor = <0,05
190
Tabela 37: Coeficientes de correlação de Spearman em relação a produção de cana-de-açúcar.
Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 - 0,980 1 - - - - -0,425 - - -
02/03 - 0,971 1 - -0,512 0,454 0,585 -0,883 - - -
03/04 - 0,977 1 0,593 -0,670 0,845 0,514 - 0,743 - 0,522
04/05 - 0,939 1 - - - - - 0,547 -0,532 -
05/06 -0,520 0,993 1 -0,613 - -0,409 - - - -0,683 -
06/07 -0,693 0,993 1 - 0,504 0,758 - - 0,661 - 0,451
07/08 -0,629 0,987 1 0,548 0,430 - - 0,378 - 0,408 0,556
08/09 - 0,952 1 0,577 - -0,462 -0,445 0,456 - - 0,481
09/10 -0,636 0,988 1 - - - -0,411 0,468 - - -
P-valor = <0,05
191
Tabela 39: Coeficientes de correlação de Spearman em relação temperatura do ar.
Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 -0,744 - - - 1 - -0,804 0,852 - 0,679 0,434
02/03 - -0,526 -0,512 - 1 - -0,729 0,593 - - 0,391
03/04 - -0,635 -0,670 -0,412 1 -0,580 -0,707 0,766 -0,530 - -
04/05 -0,511 - - 0,538 1 -0,793 -0,977 0,981 - 0,586 0,745
05/06 0,698 - - 0,571 1 - -0,609 0,722 - 0,570 0,942
06/07 -0,565 0,555 0,504 -0,386 1 0,841 - 0,389 0,825 -0,588 0,926
07/08 - 0,385 0,430 0,616 1 -0,440 -0,886 0,978 - 0,713 0,941
08/09 - - - 0,629 1 -0,533 -0,840 0,631 -0,534 - 0,781
09/10 -0,511 - - -0,394 1 - -0,859 0,832 - 0,536 0,764
P-valor = <0,05
192
Tabela 41: Coeficientes de correlação de Spearman em relação ao ISNA.
Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 0,639 - - - -0,804 -0,448 1 -0,918 -0,468 - -
02/03 - 0,590 0,585 - -0,729 - 1 -0,611 -0,447 -0,608 -
03/04 0,383 0,437 0,514 0,530 -0,707 0,544 1 -0,877 - - -
04/05 0,560 - - -0,520 -0,977 0,819 1 -0,951 0,420 -0,590 -0,647
05/06 - - - - -0,609 0,720 1 -0,932 0,568 - -0,559
06/07 0,513 - - 0,419 - -0,500 1 -0,875 -0,634 - -
07/08 - - - -0,703 -0,886 - 1 -0,906 - 0,560 -0,947
08/09 -0,531 - -0,445 -0,883 -0,840 0,708 1 -0,925 0,533 0,520 -0,974
09/10 0,592 -0,485 -0,411 0,496 -0,859 0,566 1 -0,963 - -0,407 -0,695
P-valor = <0,05
193
Tabela 43: Coeficientes de correlação de Spearman em relação ao excedente hídrico.
Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 -0,709 0,401 - -0,674 - 0,986 -0,468 - 1 - -
02/03 0,756 - - - - 0,852 -0,447 - 1 0,526 0,763
03/04 0,607 0,696 0,743 0,569 -0,530 0,895 - - 1 - 0,787
04/05 0,801 0,403 0,547 0,400 - 0,779 0,420 -0,387 1 -0,507 -
05/06 - - - - - 0,797 0,568 - 1 - -
06/07 -0,806 0,726 0,661 -0,544 0,825 0,969 -0,634 0,559 1 - 0,679
07/08 0,504 - - - - 0,944 - - 1 -0,577 -
08/09 - - -0,399 -0,433 -0,534 0,923 0,533 -0,515 1 0,392 -
09/10 - - - -0,472 - 0,863 - - 1 0,625 -
P-valor = <0,05
194
Tabela 45: Coeficientes de correlação de Spearman em relação a temperatura de superfície.
Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 - - - - 0,434 - - - - - 1
02/03 0,644 - - - 0,391 0,671 - - 0,763 - 1
03/04 0,746 0,422 0,522 0,694 - 0,764 - - 0,787 -0,579 1
04/05 - - - 0,463 0,745 - -0,647 0,799 - 0,603 1
05/06 0,674 - - 0,563 0,942 - -0,559 0,680 - 0,464 1
06/07 - 0,477 0,451 - 0,926 0,725 - 0,399 0,679 -0,773 1
07/08 - 0,484 0,556 0,753 0,941 - -0,947 0,924 - 0,641 1
08/09 0,660 - 0,481 0,878 0,781 -0,596 -0,974 0,918 - -0,452 1
09/10 -0,883 0,442 - -0,427 0,764 - -0,695 0,717 - 0,829 1
P-valor = <0,05
195
A - Principais componentes - 2001/2002 B - Principais componentes - 2002/2003
Continua
196
C - Principais componentes - 2003/2004 D - Principais componentes - 2004/2005
Continua
197
E - Principais componentes - 2005/2006 F - Principais componentes - 2006/2007
Continua
198
G - Principais componentes - 2007/2008 H - Principais componentes - 2008/2009
Continua
199
I - Principais componentes - 2009/2010
Figura 81: Principais componentes obtidas pela análise de PCA no SOM no período de 2001/2002 a 2009/2010 (A a I).
200
Figura 82: Gráfico de deficiência hídrica máxima anual de cana-de-açúcar para a década de
2000.
Figura 83: Gráfico de excedente hídrico máximo anual de cana-de-açúcar para a década de
2000.
201
Figura 84: Gráfico de ISNA médio anual de cana-de-açúcar para a década de 2000.
Figura 85: Gráfico de precipitação total anual de cana-de-açúcar para a década de 2000.
202
Figura 86: Gráfico de temperatura média anual de cana-de-açúcar para a década de 2000.
Figura 87: Gráfico de NDVI máximo anual de cana-de-açúcar para a década de 2000.
203