Sensoriamento remoto multiespectral na identificação e mapeamento das variáveis bióticas e abióticas do cafeeiro

Marin, Diego Bedin; Alves, Marcelo de Carvalho; Pozza, Edson Ampélio; Gandia, Rômulo Marçal; Cortez, Matheus Luiz Jorge; Mattioli, Matheus Campos

doi:10.1590/0034-737X201966020009

Acessibilidade / Reportar erro

Brasil

Español English

sumário « anterior atual seguinte »

Sumário

Solos e nutrição de plantas • Rev. Ceres 66 (2) • Mar-Apr 2019 • https://doi.org/10.1590/0034-737X201966020009 copiar

Sensoriamento remoto multiespectral na identificação e mapeamento das variáveis bióticas e abióticas do cafeeiro¹ 1Este trabalho é parte da dissertação de mestrado do primeiro autor

Multispectral remote sensing in the identification and mapping of biotic and abiotic coffee tree variables

Autoria SCIMAGO INSTITUTIONS RANKINGS

RESUMO

O sensoriamento remoto multiespectral apresenta-se como metodologia confiável e viável para auxiliar o produtor na decisão para melhores práticas de manejo, garantindo uma produção agrícola mais eficiente e sustentável. Objetivou-se, com este trabalho, identificar e mapear o estresse em lavoura cafeeira, causado por variáveis bióticas e abióticas, por meio de índices de vegetação derivados de imagens multiespectrais Landsat-5 Thematic Mapper (TM). A malha amostral foi composta por 67 pontos, sendo cada ponto amostral constituído por cinco plantas. As análises de incidência de cercosporiose e de infestação do bicho-mineiro, nas folhas, de pH, matéria orgânica e textura do solo e teores foliares de nutrientes foram realizadas em cada um dos pontos amostrais e correlacionadas com 16 índices de vegetação obtidos de imagens referentes à época das análises. Os índices de vegetação apresentaram distribuição espacial semelhante à distribuição espacial das variáveis agronômicas, na lavoura. Houve correlação positiva dos índices com a infestação do bicho-mineiro e com os teores de silte e argila no solo e concentrações de Mg, Cu, B e Mn nas folhas, e negativa, com a incidência de cercosporiose e com pH e teor de areia do solo. Com base nesses resultados, foi possível mapear e identificar as alterações na reflectância espectral dos cafeeiros, causadas por essas variáveis agronômicas.

Palavras-chave:
Lansat-5 TM; agricultura de precisão; variáveis agronômicas; índices de vegetação; Coffea arabica L

Universidade Federal de Viçosa Av. Peter Henry Rolfs, s/n, 36570-000 Viçosa, Minas Gerais Brasil, Tel./Fax: (55 31) 3612-2078 - Viçosa - MG - Brazil
E-mail: ceres@ufv.br

Acompanhe os números deste periódico no seu leitor de RSS

[1] *Autor para correspondência: db.marin@hotmail.com

Índices de Vegetação	Equação	Referência
OSAVI (Optmized SAVI)	$\frac{(1 + 0.16) (ρ_{nir} - ρ_{red})}{ρ_{nir} + ρ_{red} + 0.16}$	*Rondeaux et al.* (1996**Rondeaux G, Steven M & Baret F (1996) Optimization of soil-adjusted vegetation indices. Remote sensing of environment , 55:95-107. )
SIPI (Structural Insensitive Pigment Index)	$\frac{ρ_{nir} - ρ_{blue}}{ρ_{nir} + ρ_{red}}$	Peñuelaset al. (1995Peñuelas J, Baret F & Filella I (1995) Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance. Photosynthetica, 31:221-230.)
GARI (Green Atmospherically Resistant Vegetation Index)	$\frac{ρ_{nir} - [ρ_{green} - 1.7 (ρ_{blue} - ρ_{red})]}{[ρ_{nir} + (ρ_{green} - 1.7 (ρ_{blue} - ρ_{red})]}$	Gitelsonet al. (1996Gitelson AA, Kaufman YJ & Merzlyak MN (1996) Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 58:289-298. )
TVI (Triangular Vegetation Index)	$0.5 [120 (ρ_{nir} - ρ_{green)} - 200 (ρ_{red} - ρ_{green})]$	Broge & Leblanc (2001Broge NH & Leblanc E (2001) Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sensing of Environment, 76:156-172. )
MCARI1 (First Modified Chlorophyll Absorption Ratio Index)	$1.2 [2.5 (ρ_{nir} - ρ_{green}) - 1.3 (ρ_{nir} - ρ_{green)]}$	Haboudaneet al. (2004Haboudane D, Miller JR, Pattey E, Zarco-Tejada PJ & Strachan IB (2004) Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modelling and validation in the context of precision agriculture. Remote Sensing of Environment, 90:337-352. )
MCARI2 (Second Modified Chlorophyll Absorption Ratio Index)	$\frac{1.2 [2.5 (ρ_{nir} - ρ_{red}) - 1.3 (ρ_{nir} - ρ_{green)]}}{\sqrt{2 (ρ_{nir} + 1)^{2}} - 0.5 - 6 (ρ_{nir} - 5 \sqrt{ρ_{red}})}$	Haboudaneet al. (2004Haboudane D, Miller JR, Pattey E, Zarco-Tejada PJ & Strachan IB (2004) Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modelling and validation in the context of precision agriculture. Remote Sensing of Environment, 90:337-352. )
MSAVI (Modified SAVI)	$0.5 [2 ρ_{nir} + 1 - \sqrt{(2 ρ_{nir} + 1)^{2} - 8 (_{ρ_{nir}} - ρ_{red})}]$	Qiet al. (1994Qi J, Chehbouni A, Huete AR, Kerr YH & Sorooshian SA (1994) Modified soil ajusted vegetation index. Remote Sensing of Environmental , 48:119-126. )
NDWI (Normalized Difference Water Index)	$\frac{ρ_{n i r} - ρ_{m i d}}{ρ_{n i r} + ρ_{m i d}}$	Gao (1996Gao B (1996) NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment, 58:257-266. )
NDVI (Normalized Difference Vegetation Index)	$\frac{ρ_{nir} - ρ_{red}}{ρ_{nir} + ρ_{red}}$	*Rouse et al.* (1974**Rouse JW, Haas RH, Schell JÁ, Deering DW & Harlan JC (1974) Monitoring the vernal advancement and retrogradation (green wave eff ect) of natural vegetation. Greenbelt, NASA/GSFC. 371p.)
SAVI (Soil Adjusted Difference Vegetation Index)	$\frac{(1 + L) ρ_{nir} - ρ_{red}}{ρ_{nir} + ρ_{red} + L}$	Huete (1988Huete ARA (1988) Soil adjusted vegetation index (SAVI). Remote Sensing of Environment , 25:295-309. )
GNDVI (Green Normalized Difference Vegetation Index	$\frac{ρ_{nir} - ρ_{green}}{ρ_{nir} + ρ_{green}}$	*Gitelson et al.* (1996**Gitelson AA, Kaufman YJ & Merzlyak MN (1996) Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 58:289-298. )
MTVI₁ (Modified Normalized Difference Vegetation Index 1)	$1.2 [1.2 (ρ_{nir} - ρ_{green}) - 2.5 (ρ_{red} - ρ_{green})]$	*Haboudane et al.* (2004**Haboudane D, Miller JR, Pattey E, Zarco-Tejada PJ & Strachan IB (2004) Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modelling and validation in the context of precision agriculture. Remote Sensing of Environment, 90:337-352. )
MTVI₂ (Modified Normalized Difference Vegetation Index 2)	$\frac{1.5 [1 (ρ_{nir} - ρ_{green}) - 2.5 (ρ_{red} - ρ_{green})]}{\sqrt{[(2 ρ_{nir} + 1)^{2} - (6 ρ_{nir} - 5 \sqrt{ρ_{red}} - 0.5)]}}$	*Haboudane et al.* (2004**Haboudane D, Miller JR, Pattey E, Zarco-Tejada PJ & Strachan IB (2004) Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modelling and validation in the context of precision agriculture. Remote Sensing of Environment, 90:337-352. )
RDVI (Renormalized Difference Vegetation Index)	$\sqrt{\frac{ρ_{nir} - ρ_{red}}{ρ_{nir} + ρ_{red}}}$	Roujean & Breon (1995Roujean JL & Breon FM (1995) Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sensing of Environment, 51:375-384. )
MSR (Modified SR)	$\frac{(\frac{ρ_{nir}}{ρ_{red}}) - 1}{\sqrt{(\frac{ρ_{nir}}{ρ_{red}})} + 1}$	Chen (1996Chen JM (1996) Evaluation of vegetation indices and a modified simple ratio for boreal applications. Canadian Journal of Remote Sensing , 22:229-242. )
SR (Simple Ratio)	$\frac{ρ_{nir}}{ρ_{red}}$	Birth & McVey (1968Birth GS & Mcvey G (1968) Measuring the colour of growing turf with a reflectance spectrophotometer. Agronomy Journal, 60:640-643. )

Índices de vegetação	Incidência da cercosporiose nas folhas	Infestação do bicho-mineiro nas folhas
OSAVI	-0,51	0,40
MSR	-0,51	0,38
RDVI	-0,51	0,35
MTVI1	-0,57	0,34
NDWI	-0,61	0,40
MTVI2	-0,47	0,31
TVI	-0,57	0,32
GARI	-0,47	0,35
SAVI	-0,51	0,36
SIPI	-0,59	0,32
MSAVI	-0,51	0,35
MCARI1	-0,53	0,33
MCARI2	-0,47	0,32
NDVI	-0,51	0,36
SR	-0,51	0,38
GNDVI	-0,51	0,42

Índices de Vegetação	pH	Matéria Orgânica	Areia	Silte	Argila
OSAVI	-0,34	0,43	-0,71	0,64	0,65
MSR	-0,34	0,44	-0,72	0,65	0,66
RDVI	-0,35	0,43	-0,71	0,64	0,65
MTVI1	-0,31	0,41	-0,71	0,64	0,66
NDWI	-0,13	0,58	-0,80	0,75	0,74
MTVI2	-0,39	0,30	-0,58	0,54	0,53
TVI	-0,29	0,42	-0,72	0,63	0,66
GARI	-0,15	0,34	-0,56	0,47	0,53
SAVI	-0,34	0,43	-0,71	0,64	0,65
SIPI	-0,29	0,52	-0,79	0,69	0,73
MSAVI	-0,35	0,42	-0,70	0,64	0,64
MCARI1	-0,20	0,44	-0,69	0,59	0,64
MCARI2	-0,39	0,33	-0,61	0,57	0,56
NDVI	-0,34	0,43	-0,71	0,64	0,65
SR	-0,33	0,45	-0,73	0,66	0,67
GNDVI	-0,24	0,52	-0,75	0,67	0,69

Índices de vegetação	K	Mg	Cu	B	Fe	Mn
OSAVI	-0,306	0,407	0,561	0,326	-0,748	0,624
MSR	-0,270	0,431	0,591	0,379	-0,710	0,627
RDVI	-0,312	0,402	0,552	0,317	-0,752	0,623
MTVI1	-0,403	0,017	0,182	0,234	-0,650	0,568
NDWI	-0,146	0,511	0,403	0,426	-0,666	0,561
MTVI2	-0,356	0,353	0,545	0,292	-0,732	0,602
TVI	-0,381	0,012	0,115	0,279	-0,637	0,544
GARI	0,006	0,299	0,468	0,508	-0,261	0,094
SAVI	-0,303	0,407	0,561	0,326	-0,748	0,624
SIPI	-0,289	0,389	0,513	0,301	0,740	0,559
MSAVI	-0,316	0,398	0,546	0,311	-0,753	0,623
MCARI1	-0,135	0,164	0,286	0,468	-0,528	0,110
MCARI2	-0,352	0,365	0,535	0,298	-0,739	0,611
NDVI	-0,303	0,407	0,561	0,326	-0,748	0,624
SR	-0,251	0,436	0,595	0,402	-0,679	0,629
GNDVI	-0,185	0,381	0,435	0,270	-0,709	0,322

Brasil

Brasil

Sensoriamento remoto multiespectral na identificação e mapeamento das variáveis bióticas e abióticas do cafeeiro1 1Este trabalho é parte da dissertação de mestrado do primeiro autor

Multispectral remote sensing in the identification and mapping of biotic and abiotic coffee tree variables

RESUMO

Sensoriamento remoto multiespectral na identificação e mapeamento das variáveis bióticas e abióticas do cafeeiro¹ 1Este trabalho é parte da dissertação de mestrado do primeiro autor