A avaliação das mudanças na paisagem é fundamental para a eficiência na gestão territorial. O objetivo deste trabalho é parametrizar e calibrar um modelo de mudança de cobertura e uso, além de validar as simulações associadas à expansão canavieira em Arealva-SP, no período compreendido entre 2005 e 2010. Os mapas inicial e final foram corregistrados e, após a rasterização, foi realizada uma tabulação cruzada, gerando-se um mapa de mudanças e a respectiva matriz de transição. O modelo adotado foi o Dinamica EGO, e seu desempenho foi avaliado por meio de um método baseado no conceito de incerteza de localização (fuzziness of location), no qual a representação de uma célula é influenciada por ela mesma, e, em menor magnitude, pela sua vizinhança. Há predominância de pastagens e baixo índice de área de vegetação nativa. As mudanças mais relevantes estão relacionadas à expansão canavieira e à retração de pastagens. O valor da similaridade fuzzy entre o mapa simulado e o mapa-referência, para a janela de tamanho 11x11 e função de decaimento constante, foi de 0.52. Foi possível aprimorar o conhecimento dos fatores direcionadores das mudanças de cobertura e uso, propiciando a revelação das forçantes dessas mudanças.

The assessment of changes in the landscape is the efficiency key in land management. The goal of this work is to parameterize and calibrate a model of land cover and land use change, and validate the predictive scenarios associated with sugarcane expansion in Arealva-SP, from 2005 to 2010. The initial and final maps were co-registered and, after rasterization, we conducted a cross-tabulation, generating a map of changes and the respective transition matrix. The model adopted was Dinamica EGO and its performance was evaluated by means of a method based on the concept of fuzziness of location, in which the representation of a cell is influenced by itself, and to a lesser extent, by its neighborhood. There is a predominance of pastures and a reduced presence of native vegetation. The most relevant changes are related to sugarcane expansion and reduction of pastures. The value of the fuzzy similarity index extracted for the comparison between the simulated map and the reference-map for a window size of 11x11 pixels and using a constant decay function was 0.52. This simulation experiment enabled us to acquire a deeper knowledge on the drivers of land cover and land use change.

O objetivo deste trabalho foi avaliar o desempenho do índice de vegetação realçado (EVI) e do índice de vegetação da diferença normalizada (NDVI) - ambos do sensor "moderate resolution imaging spectroradiometer" (Modis) -, para discriminar áreas de soja das áreas de cana‑de‑açúcar, pastagem, cerrado e floresta, no Estado do Mato Grosso. Foram utilizadas imagens adquiridas em dois períodos: durante a entressafra e por ocasião do pleno desenvolvimento da cultura da soja. Para cada classe analisada, foram selecionadas 31 amostras de mapas de referência e avaliadas as diferenças nos valores de cada índice de vegetação, para a classe soja, foram avaliadas frente às demais classes, por meio do teste de Tukey‑Kramer. Em seguida, foram avaliadas as diferenças entre os índices de vegetação, por meio do teste de Wilcoxon pareado. O NDVI apresentou melhor desempenho na discriminação das áreas de soja na entressafra, particularmente com uso das imagens do dia do ano (DA) 161 a 273, enquanto o EVI apresentou melhor desempenho no período de pleno desenvolvimento da cultura, especificamente com uso das imagens de DA 353 a 33. Portanto, o melhor resultado para classificação da soja, no Estado do Mato Grosso, via séries temporais do sensor Modis, pode ser obtida por meio do uso combinado do NDVI na entresssafra e do EVI no pleno desenvolvimento da soja.

The objective of this work was to evaluate the performance of the enhanced vegetation index (EVI) and the normalized difference vegetation index (NDVI) - both from the moderate resolution imaging spectroradiometer (Modis) sensor - to discriminate soybean cultivated areas from sugarcane, pasture, cerrado, and forest ones in the state of Mato Grosso, Brazil. Images acquired during two periods were used: off-season and maximum soybean crop development. For each analyzed class, 31 samples were selected from reference maps, and the differences in the values of each soybean vegetation index were evaluated against the other classes using the Tukey‑Kramer test. Afterwards, the differences between the vegetation indices were assessed using the Wilcoxon paired test. NDVI performed best in discriminating soybean areas during the off-season period, particularly when using images acquired from day of year (DOY) 161 to 273, whereas EVI performed best during maximum crop development, particularly when using images from DOY 353 to 33. Therefore, best classification results for soybean in the state of Mato Grosso can be achieved by coupling Modis NDVI images acquired during off-season period and EVI images acquired during the maximum crop development period.

Many researchers have shown the potential of Synthetic Aperture Radar (SAR) images for agricultural applications, particularly for monitoring regions with limitations in terms of acquiring cloud free optical images. Recently, Brazil and Germany began a feasibility study on the construction of an orbital L-band SAR sensor referred to as MAPSAR (Multi-Application Purpose SAR). This sensor provides L-band images in three spatial resolutions and polarimetric, interferometric and stereoscopic capabilities. Thus, studies are needed to evaluate the potential of future MAPSAR images. The objective of this study was to evaluate multipolarized MAPSAR images simulated by the airborne SAR-R99B sensor to distinguish coffee, cotton and pasture fields in Brazil. Discrimination among crops was evaluated through graphical and cluster analysis of mean backscatter values, considering single, dual and triple polarizations. Planting row direction of coffee influenced the backscatter and was divided into two classes: parallel and perpendicular to the sensor look direction. Single polarizations had poor ability to discriminate the crops. The overall accuracies were less than 59 %, but the understanding of the microwave interaction with the crops could be explored. Combinations of two polarizations could differentiate various fields of crops, highlighting the combination VV-HV that reached 78 % overall accuracy. The use of three polarizations resulted in 85.4 % overall accuracy, indicating that the classes pasture and parallel coffee were fully discriminated from the other classes. These results confirmed the potential of multipolarized MAPSAR images to distinguish the studied crops and showed considerable improvement in the accuracy of the results when the number of polarizations was increased.

O objetivo deste trabalho foi desenvolver uma metodologia para estimar a área plantada de soja no Estado do Rio Grande do Sul. As estimativas foram feitas com base no perfil temporal do "enhanced vegetation index" (Evi) calculado a partir de imagens "moderate resolution imaging spectroradiometer" (Modis). A metodologia desenvolvida para a classificação da soja foi denominada "Modis crop detection algorithm" (MCDA). O MCDA fornece estimativas de área da soja em dezembro (primeira previsão), com imagens do período de plantio, e em março (segunda previsão), com imagens dos períodos de plantio e de máximo desenvolvimento vegetativo. Os resultados do MCDA foram comparados às estimativas oficiais de área de soja do Instituto Brasileiro de Geografia e Estatística. Os coeficientes de determinação variaram de 0,91 a 0,95, o que indica bom ajuste entre as estimativas. Para a safra 2000/2001, o mapa da cultura da soja gerado pelo MCDA foi avaliado com um mapa da cultura da soja oriundo de imagens Landsat, e a precisão global do mapa foi de aproximadamente 82%, com erros similares de comissão e omissão. O MCDA foi capaz de estimar a área plantada com soja no Estado do Rio Grande do Sul e gerar mapas temáticos anuais com a localização geográfica dos talhões. As estimativas de área plantada a partir do MCDA estão em concordância com as estatísticas agrícolas oficiais.

The objective of this work was to develop a procedure to estimate soybean crop areas in Rio Grande do Sul state, Brazil. Estimations were made based on the temporal profiles of the enhanced vegetation index (Evi) calculated from moderate resolution imaging spectroradiometer (Modis) images. The methodology developed for soybean classification was named Modis crop detection algorithm (MCDA). The MCDA provides soybean area estimates in December (first forecast), using images from the sowing period, and March (second forecast), using images from the sowing and maximum crop development periods. The results obtained by the MCDA were compared with the official estimates on soybean area of the Instituto Brasileiro de Geografia e Estatística. The coefficients of determination ranged from 0.91 to 0.95, indicating good agreement between the estimates. For the 2000/2001 crop year, the MCDA soybean crop map was evaluated using a soybean crop map derived from Landsat images, and the overall map accuracy was approximately 82%, with similar commission and omission errors. The MCDA was able to estimate soybean crop areas in Rio Grande do Sul State and to generate an annual thematic map with the geographic position of the soybean fields. The soybean crop area estimates by the MCDA are in good agreement with the official agricultural statistics.

O objetivo deste trabalho foi avaliar um modelo agrometeorológico-espectral, para estimar a produtividade de cafezais. Utilizaram-se imagens do sensor MODIS e dados agrometeorológicos do modelo regional de previsão do tempo (ETA), para fornecer as variáveis de entrada para o modelo agrometeorológico-espectral da mesorregião geográfica sul/sudoeste do estado de Minas Gerais nos anos-agrícolas de 2003/2004 a 2007/2008. A variável espectral de entrada do modelo agrometeorológico-espectral, índice de área foliar (IAF), usada no cálculo da produtividade máxima, foi estimada com o índice de vegetação por diferença normalizada (NDVI), obtido de imagens MODIS. Outras variáveis de entrada no modelo foram: dados meteorológicos gerados pelo modelo ETA e a capacidade de água disponível no solo. Ao comparar a produtividade média estimada pelo modelo com a fornecida oficialmente pelo IBGE, as diferenças relativas obtidas em escala regional foram de: 0,4, 3,0, 5,3, 1,5 e 8,5% para os anos agrícolas 2003/2004, 2004/2005, 2005/2006, 2006/2007 e 2007/2008, respectivamente. O modelo agrometeorólogico-espectral, que tem como base o modelo de Doorenbos & Kassan, foi tão eficaz para estimar a produtividade dos cafezais quanto o modelo oficial do IBGE. Além disso, foi possível espacializar a quebra de produtividade e prever 80% da produtividade final na primeira quinzena de fevereiro, antes do início da colheita

The objective of this work was to evaluate an agrometeorological-spectral model to estimate coffee crop yield. Images from the MODIS sensor and meteorological data from the ETA regional weather forecast model were used to provide input variables to the agrometeorological-spectral model, in the South-Southeast region of Minas Gerais State, Brazil, for crop years 2003/2004 to 2007/2008. The input spectral variable of the spectral-agrometeorological model, the leaf area index (LAI), used in the determination of the maximum yield, was estimated with the normalized-difference vegetation index (NDVI) obtained from MODIS images. Other input variables for the model were: meteorological data generated by the ETA model and the soil available water capacity. Comparing the estimated model average crop yield with those from IBGE, it was verified that the relative differences, at regional scale, were: 0.4; 3.0; 5.3; 1.5 and 8.5% for crop years 2003/2004, 2004/2005, 2005/2006, 2006/2007 and 2007/2008, respectively. The agrometeorological-spectral model, based on Doorenbos & Kassan model, was as efficient as the IBGE official model to estimate the coffee crop yield. Furthermore, it was possible to present the spatial variation of coffee crop yield loss and to predict 80% of final yield by the first fortight of February before the harvest

O objetivo deste trabalho foi avaliar o desempenho de um modelo probabilístico de amostragem estratificada por pontos, e definir um tamanho de amostra adequado para estimar a área cultivada com soja no Rio Grande do Sul. A área foi estratificada de acordo com a percentagem de soja cultivada em cada município do estado: menor que 20, de 20 a 40 e maior que 40%. Foram avaliadas estimativas obtidas por meio de seis tamanhos de amostras, resultantes da combinação de três níveis de significância (10, 5 e 1%) e dois valores de erro amostral (5 e 2,5%). Para cada tamanho de amostra, foram realizados 400 sorteios aleatórios. As estimativas foram avaliadas com base na área de soja obtida de um mapa temático de referência proveniente de uma cuidadosa classificação automática e visual de imagens multitemporais dos satélites TM/Landsat-5 e ETM+/Landsat-7 disponível para a safra 2000/2001. A área de soja no Rio Grande do Sul pode ser estimada por meio de um modelo de amostragem probabilística estratificada por pontos, sendo que a melhor estimativa é obtida para o maior tamanho amostral (1.990 pontos), com diferença de apenas -0,14% em relação à estimativa do mapa de referência e um coeficiente de variação de 6,98%.

The objective of this work was to evaluate the performance of a probabilistic sampling model stratified by points and to define an appropriate sample size to estimate the cultivated soybean area in the state of Rio Grande do Sul, Brazil. The area was stratified according to the percentage of soybean cultivated in each state municipality: less than 20, from 20 to 40 and more than 40%. Estimates were evaluated based on six sample sizes, resulting from the combination of three significance levels (10, 5 and 1%) and two sampling errors (5 and 2,5%), choosing 400 random samples for each sample size. The estimates were compared to a reference soybean thematic map available for the crop year 2000/2001 that was derived from a careful automatic and visual classification of multitemporal TM/Landsat-5 and ETM+/Landsat-7 images. The soybean area in Rio Grande do Sul State can be estimated through a probabilistic sampling model stratified by points with best estimates obtained for the largest sample size (1,990 points), which differed -0.14% in relation to the estimate of the reference map and had a coefficient of variation of 6.98%.

O objetivo deste trabalho foi avaliar a aplicação do método de classificação por superfícies de resposta espectro-temporal (STRS) em imagens do sensor Moderate Resolution Imaging Spectroradiometer (MODIS, 250 m) para estimar áreas de plantio de soja no Estado de Mato Grosso, Brasil. A classificação foi realizada usando o algoritmo de máxima verossimilhança (MLA) adaptado ao algoritmo STRS. Trinta segmentos de 30x30 km foram escolhidos ao longo das principais regiões agrícolas do estado, com dados da safra de verão de 2005/2006 (outubro a março), e mapeados com base em dados de campo e de imagens orbitais TM/Landsat-5 e CCD/CBERS-2. Cinco classes temáticas foram consideradas: Soja, Floresta, Cerrado, Pastagem e Solos Expostos. A classificação pelo método das STRS foi feita com base em uma área interseccionada por um subconjunto de segmentos de 30x30 km. O STRS superestimou os valores de referência em 21,31% em regiões com predomínio da cultura da soja e em 132,37% em regiões nas quais a soja era menos predominante. A exatidão global da classificação foi de 80%. As imagens MODIS e o algoritmo STRS mostraram-se promissores para a classificação da soja em regiões com predominância de grandes fazendas. Entretanto, os resultados para áreas fragmentadas em fazendas menores foram menos eficientes, superestimando as áreas de soja.

The objective of this work was to evaluate the application of the spectral-temporal response surface (STRS) classification method on Moderate Resolution Imaging Spectroradiometer (MODIS, 250 m) sensor images in order to estimate soybean areas in Mato Grosso state, Brazil. The classification was carried out using the maximum likelihood algorithm (MLA) adapted to the STRS method. Thirty segments of 30x30 km were chosen along the main agricultural regions of Mato Grosso state, using data from the summer season of 2005/2006 (from October to March), and were mapped based on fieldwork data, TM/Landsat-5 and CCD/CBERS-2 images. Five thematic classes were considered: Soybean, Forest, Cerrado, Pasture and Bare Soil. The classification by the STRS method was done over an area intersected with a subset of 30x30-km segments. In regions with soybean predominance, STRS classification overestimated in 21.31% of the reference values. In regions where soybean fields were less prevalent, the classifier overestimated 132.37% in the acreage of the reference. The overall classification accuracy was 80%. MODIS sensor images and the STRS algorithm showed to be promising for the classification of soybean areas in regions with the predominance of large farms. However, the results for fragmented areas and smaller farms were less efficient, overestimating soybean areas.

A participação da cultura da cana-de-açúcar no fornecimento de matéria prima para produção de açúcar e também de álcool, como fonte alternativa de energia, tem sido relevante para o crescimento econômico do Brasil. Consequentemente, a disponibilidade de informações precisas sobre a produção agrícola dessa cultura é importante para auxiliar no planejamento e na tomada de decisões em toda a cadeia produtiva. O presente trabalho teve como objetivo estimar a produtividade agrícola de talhões de cana-de-açúcar para as safras 2004/2005 e 2005/2006, a partir de um modelo agronômico ajustado com dados orbitais. A inovação deste modelo consiste no uso do índice de área foliar (IAF) estimado a partir do produto índice de vegetação NDVI (Normalized Difference Vegetation Index) do sensor MODIS (Moderate Resolution Imaging Spectroradiometer) a bordo do satélite Terra da NASA (National Aeronautics Space Administration). O modelo agronômico explicou 31% e 25% da variação da produtividade observada entre talhões nos anos safra 2004/2005 e 2005/2006, respectivamente, o que se deve fundamentalmente ao uso das imagens NDVI do MODIS. O resultado do modelo pode ser usado para auxiliar e aprimorar a previsão da estimativa da produtividade feita in loco.

The contribution of sugarcane crop to provide raw material to produce sugar and also alcohol as an alternative energy source has been relevant to the economic growth of Brazil. Therefore, the availability of precise agricultural production information about this crop is important for planning and decision-making in the entire productive chain. The present work has the objective to estimate sugarcane yield in crop fields during the crop years 2004/2005 and 2005/2006, based on an agronomic model fit with orbital data. The innovation of this model consists in the use of the leaf area index (LAI) estimated from the NDVI (Normalized Difference Vegetation Index) produced by the MODIS sensor (Moderate Resolution Imaging Spectroradiometer) on board of the Terra satellite from NASA (National Aeronautics Space Administration). The agronomic model explained 31% and 25% of the yield variability among crop fields for the crop years 2004/2005 and 2005/2006, respectively, which is mainly attributed to use of NDVI images from MODIS. The model output should be useful to improve the precision of the crop yield estimation forecast performed in loco.

O objetivo deste trabalho foi avaliar a viabilidade do uso de imagens do Landsat, para o mapeamento da área cultivada com soja, nas safras de 2000/2001 a 2006/2007, no Estado do Paraná. A análise dos "quick looks" das imagens dos sensores TM e ETM+ foi feita para selecionar as imagens úteis para o mapeamento da cultura da soja. Os "quick looks" foram classificados de acordo com a presença ou a ausência de nuvens e de problemas técnicos. Conforme os resultados, em nenhum dos sete anos teria sido possível mapear a área cultivada com soja, em todo o Estado, mesmo nos três anos-safra em que os satélites Landsat 5 e 7 operaram em conjunto. A presença de nuvens, detectada pelos sensores ópticos, deve ser levada em conta no mapeamento sistemático da área cultivada com culturas de verão, no Brasil.

The aim of this work was to evaluate the feasibility of the use of Landsat imagery to map soybean crop areas in Paraná, Brazil, during crop years from 2000/2001 to 2006/2007. The analysis of the quick look images from the TM and ETM+ sensors was performed to select useful images to map soybean crop. The quick looks were classified according to the presence or absence of clouds and technical problems. It was verified that for none of the seven crop years it would have been possible to map soybean crop for the entire Paraná state, even for the three crop years during which both satellites Landsat 5 and 7 were operating simultaneously. The presence of clouds, detected through the optical sensors, should be considered for systematic mapping of summer crops in Brazil.

A cafeicultura, atividade de grande importância econômica e social para o país, é um segmento do agronegócio que não dispõe de informações atualizadas sobre o seu agroecossistema e perfil produtivo. O presente trabalho vem corroborar no sentido de desenvolver e/ou adequar metodologias fundamentadas em geotecnologias que possam contribuir significativamente para a delimitação e caracterização da cafeicultura em Minas Gerais. Como área de estudo piloto foram selecionados os municípios de Aguanil, Boa Esperança, Campo Belo e Cristais. No desenvolvimento do trabalho foram utilizadas imagens do sensor CCD a bordo do satélite CBERS, imagens do sensor TM a bordo do LANDSAT-5. As imagens foram classificadas de forma supervisionada com o classificador Maxver e posteriormente realizada a interpretação visual para a correção dos erros de omissão e inclusão. Os resultados mostraram que foi possível identificar e mapear as áreas cultivadas com café por meio de imagens de satélites de sensoriamento remoto.

Coffee crop, an important economic and social activity to Brazil, is a segment of the agro-business that has not updated information about its agroecosystem and the productive profile. The present work comes to corroborate in the sense to develop and/or adequate fundamental methods in geotechnologies that may significantly contribute to the delimitation and characterization of the coffee crop in Minas Gerais State. As a pilot study area the municipalities of Aguanil, Boa Esperança, Campo Belo and Cristais were selected. In the development of the work images from CCD sensor on board of CBERS satellite and images from TM sensor on board of Landsat-5 were used. Images were classified using the supervised Maxver classifier followed by a manual interpretation on the computer screen. The results showed that it was possible to identify and map coffee crop areas through the use of remote sensing satellite images.

O objetivo deste trabalho foi delimitar áreas favoráveis ao agroecossistema cafeeiro, em quatro municípios do Estado de Minas Gerais, pela aplicação do processo analítico hierárquico (AHP). Uma função de ponderação aritmética foi obtida, com base nas premissas de favorabilidade à cafeicultura, considerando-se as seguintes variáveis: solo, declividade, orientação de vertentes, altimetria e as possíveis áreas de preservação permanente. Essa função permitiu combinar as condições adequadas ao cultivo do café e ressaltar as áreas com maior favorabilidade. Foi verificado que os quatro municípios diferem entre si quanto à favorabilidade ao agroecossistema cafeeiro; porém, ao se considerar apenas as áreas cultivadas com café, foi verificado que os municípios de Boa Esperança e Cristais não diferem entre si.

The objective of this work was to delimitate favorable areas to the coffee agroecosystem, in four municipalities of Minas Gerais State, Brazil, using the analytical hierarchical process (AHP). An arithmetic pondering function was obtained, based on the favorability premises to coffee crop production, with regard to the following variables: soil, slope, slope aspect, altimetry, and areas that should be under permanent protection. This function allowed to combine the adequate conditions to coffee crop cultivation and gave emphasis to the most favorable areas. It was observed that all four municipalities were different in terms of their favorability to the coffee agroecosystem; however, when considering only the coffee cultivated areas, it was observed that the municipalities of Boa Esperança and Cristais were not significantly different.

Com a evolução técnica e o acesso gratuito às geotecnologias, constata-se que a utilização dessas ferramentas é imprescindível ao planejamento das atividades agropecuárias com vistas a maximizar o uso dos recursos naturais de forma sustentável. Nesse contexto, as condições fisiográficas de determinada região podem viabilizar ou não a exploração agropecuária trazendo conseqüências diretas na produtividade das culturas e ao meio ambiente. Selecionou-se uma área piloto no estado de Minas Gerais compreendendo os municípios de Aguanil, Boa Esperança, Campo Belo e Cristais. Para atingir os objetivos propostos realizou-se um pré-processamento da grade regular SRTM, corrigindo os valores negativos existentes. Em seguida, a grade altimétrica foi associada a um sistema de projeção cartográfica (UTM/SAD69) e organizada em um sistema de informação geográfica de domínio público (SPRING). A partir do pré-processamento e aplicação de métodos derivativos, obteve-se as variáveis declividade e orientação de vertentes espacializadas em formatos numérico (grade regular) e temático. Os resultados permitiram caracterizar as áreas cultivadas com café em relação a estas variáveis.

With the recent technical evolution and the free of charge access to several geo technologies, it has been observed that the use of these tools are relevant to the planning of agricultural activities in order to maximize the use of natural resources in a more sustainable manner. In this context, the physiographic conditions of a certain region may or may not allow agricultural exploration bringing direct consequences to crop yield and to the environment. O pilot area was selected in Minas Gerais State comprising the municipalities of Aguanil, Boa Esperança, Campo Belo and Cristais. In order to achieve the proposed objectives a pre-processing with the SRTM regular grid was carried out, to correct for negative values. Following, an altimetry mash was associated to a cartographic projection system (UTM/SAD69) and organized in a geographic information system of public domain (SPRING). From the pre-processing and the application of derivative methods, the slope and slope orientation variables were obtained in spatial numerical format (regular mash) and thematic map. The results showed that it was possible to obtaining the coffee crop profile for each municipality with regard to these variables.

Este trabalho objetivou avaliar o potencial e as limitações das imagens MODIS para classificação e estimativa de área de soja por meio do método de superfície de resposta espectro-temporal (Spectral-Temporal Response Surface - STRS). Um mapa temático das áreas com soja, oriundo da classificação de imagens Landsat do Estado do Rio Grande do Sul, foi utilizado como referência para auxiliar na orientação da amostragem dos pixels de treinamento e para a comparação dos resultados. Seis imagens compostas do sensor MODIS foram utilizadas para a classificação supervisionada da área de soja por meio do algoritmo de máxima verossimilhança (MAXVER) adaptado ao método STRS. Os resultados foram avaliados pelo coeficiente Kappa para a totalidade da área em estudo e também para uma região de latifúndios e outra de minifúndios. O método STRS subestimou em 6,6% a área de soja para toda a região estudada, sendo que a estatística Kappa foi de 0,503. Para as regiões de latifúndios e minifúndios, a área de soja foi superestimada em 8% (Kappa=0,424) e subestimada em 43,4% (Kappa=0,358), respectivamente. As imagens MODIS, por meio do método STRS, demonstraram ter potencial para classificar a área de soja, principalmente em regiões de latifúndios. Em regiões de minifúndios, a correta identificação e classificação das áreas de soja mostrou-se pouco eficiente em razão da baixa resolução espacial das imagens MODIS.

This paper was aimed at evaluating the potential and the limitations of MODIS images for soybean classification and area estimation through a Spectral-Temporal Response Surface (STRS) method. A soybean thematic map from Rio Grande do Sul State, Brazil, derived from Landsat images was used as reference data to assist both sample training and results comparison. Six 16-day composite MODIS images were classified through a supervised maximum likelihood algorithm (MAXVER) adapted to the STRS method. The results were evaluated using the Kappa coefficient for the entire study area and for one region dominated by large farms and another by small ones. The STRS method underestimated the soybean area by 6.6%, for the entire study area, with a Kappa coefficient of 0.503. For regions with large and small farms the soybean area was overestimated by 8% (Kappa=0.424) and underestimated by 43.4% (Kappa=0.358), respectively. Eventually, MODIS images, through the STRS method, demonstrated good potential to classify and estimate soybean area, mainly in regions with large farms. For regions with small farms the correct identification and classification of soybean areas showed to be less efficient due to the low spatial resolution of MODIS images.

O objetivo deste trabalho foi estimar a produtividade de soja no Rio Grande do Sul, nas safras de 2000/2001 a 2002/2003, por meio de um modelo agronômico implementado em um Sistema de Informação Geográfica (SIG). Duas abordagens foram utilizadas: o modelo agronômico (AGRO), com valores de índice de área foliar (IAF) obtidos da literatura; e o modelo agronômico-espectral (AGROESPEC), com valores de IAF estimados a partir das imagens MODIS (moderate resolution imaging spectroradiometer). As estimativas de produtividade obtidas pelo modelo foram comparadas àquelas fornecidas pelo Instituto Brasileiro de Geografia e Estatística (IBGE), com o uso do teste t para pares de observação. Nas safras 2000/2001 e 2001/2002, não foram observadas diferenças significativas. Para 2002/2003, o modelo subestimou o valor de produtividade em 7,87 e 7,04%, nas abordagens AGRO e AGROESPEC, respectivamente, em comparação à produtividade fornecida pelo IBGE. Ambas as abordagens do modelo permitiram avaliação objetiva e quantitativa do efeito das condições meteorológicas sobre a produtividade de soja. Entretanto, o AGROESPEC forneceu estimativas mais detalhadas, no que se refere à variação espacial da produtividade, em razão do emprego dos valores de IAF estimados a partir das imagens MODIS.

The objective of this work was to estimate soybean yield in Rio Grande do Sul State, Brazil, for crop years of 2000/2001 to 2002/2003 through an agronomic crop yield model implemented in a geographic information system (GIS). Two approaches were used: an agronomic model (AGRO), with leaf area index (LAI) obtained from literature, and an agronomic-spectral model (AGROESPEC), with LAI estimated from MODIS (moderate resolution imaging spectroradiometer) images. Results were compared with the official estimates provided by Instituto Brasileiro de Geografia e Estatística (IBGE), using the t test for paired observations. For crop years 2000/2001 and 2001/2002, there were no significant differences. For 2002/2003, AGRO and AGROESPEC approaches underestimated the yield in 7.87 and 7.04%, respectively, in relation to the official data provided by IBGE. Both approaches allowed a practical and quantitative evaluation of weather effects on soybean yield. However, the AGROESPEC provided more detailed estimates, in terms of soybean yield spatial variation, due to the use of LAI values from MODIS images.

O objetivo deste trabalho foi desenvolver metodologia que integre sensoriamento remoto e sistema de informações geográficas (SIG) para criar um painel amostral e alocar segmentos regulares por meio de um sistema de amostragem aleatória estratificada. Diferentes estratos foram obtidos por meio da classificação de imagens de satélite. Em cada estrato foi realizado sorteio para a seleção dos segmentos amostrais, os quais foram visitados para delimitar as diversas culturas e estimar a área. Na estimativa da área plantada por cultura, para toda a região, utilizou-se o estimador por expansão direta por meio de um procedimento semi-automático. A metodologia reduziu tanto a subjetividade do percentual da área agrícola estimada no estrato, quanto o tempo de construção do painel amostral.

The objective of this work was to develop a methodology in order to use remote sensing and Geographic Information System (GIS) to construct a sampling frame and to allocate regular segments in a region through a random stratified sampling system. The different strata were obtained through satellite image classification. In each stratum a drawing was carried out to select sample segments, which were field visited to identify the crop type and to estimate their area. In the area estimation for each crop, for the entire region, the direct expansion estimator through a semi-automated procedure was used . The methodology reduced both the subjectivity of the percentage of agricultural area estimation in the strata and the time to construct the sampling frame.