Modelagem de dados espectrais e agrometeorológicos para estimativa da produtividade de café

• Ano de defesa: 2013
• Autor(a) principal: Tiago Bernardes
• Orientador(a): Maurício Alves Moreira
• Banca de defesa: Flávio Jorge Ponzoni, Margarete Marin Lordelo Volpato, Angélica Prela Pantano
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Sensoriamento Remoto
• País: BR
• Resumo em Inglês: Coffee yield has been estimated in Brazil through agrometeorological models which consider the effect of water availability. However besides the water availability several factors must be taken into account in yield forecasting, as the well known biennial bearing effect. This effect results in alternated high and low yield due to the biannual growth cycle of coffee crop and makes yield the previous year important. In this study this effect was considered using correlations between observed yield of coffee plots and foliar area of the same plots. The foliar area was estimated through Landsat derived vegetation indices (EVI and NDVI). We have used regression models to estimate yield the previous year. The final model penalizes the potential yield according the Relative evapotranspiration, obtained from meteorological data of ETA regional model, and yield the previous year, obtained from regression models with vegetation indices. The Relative evapotranspiration were calculated in four different combinations of periods representative of phenological phases of coffee crop and parameterized jointly to yield the previous year in order to determine the weight coefficients (ky) for these variables in the penalization of potential yield. The penalization coefficient for yield the previous year (ky$_{0}$) presented higher values, indicating the importance of this variable for coffee yield. In relation to the water penalization variables, the coefficients for the phase from April to September (ky$_{1}$), which match to flower bud induction, were higher. The coefficient for the phase from September to December (ky$_{2}$), which match to flowering and early fruit development, was the second most important. The final model was evaluated in plot yield level and total production of the municipality level. The models using weigh coefficients parameterized for Relative evapotranspiration gathered in periods of Jun/Jul/Aug, Sept/Oct/Nov and Dec/Jan/Feb (combination A) presented better results compared to the models C and D. The general accuracy of models in the plot level was considered bad, with errors ranging from 13,73 to 21,43 sc/ha (RE) and 18,51 a 28,66 sc/ha (MSE), values of R$^{2}$ ranging from 0,20 to 0,69, d$_{1}$ index ranging from 0,38 a 0,53 and d$_{2}$ index ranging from 0,41 a 0,70. In the municipality level the accuracy was better with errors ranging from 1600 to 3900 to kg (RE) and 2490 to 6904 kg (MSE) values of R$^{2}$ ranging from 0,67 to 0,93, d$_{1}$ index ranging from 0,65 a 0,83 and d$_{2}$ index ranging from 0,77 a 0,90.
• Link de acesso: http://urlib.net/sid.inpe.br/mtc-m19/2013/03.04.20.07

A produtividade da cultura cafeeira no Brasil tem sido estimada experimentalmente por meio de modelos agrometeorológicos que consideram o efeito da disponibilidade hídrica. No entanto, além da disponibilidade hídrica, vários outros fatores se somam para compor a produtividade, dentre eles o efeito conhecido como bienalidade, no qual a cultura apresenta produções altas e baixas, alternadamente, a cada 2 anos em função de um ciclo de desenvolvimento bianual, o que torna a produtividade do ano anterior importante na estimativa da produtividade de um determinado ano. No presente trabalho, este efeito foi considerado a partir de correlações entre dados de produtividade de lavouras obtidos em campo e a área foliar das mesmas lavouras. A área foliar foi estimada a partir dos índices de vegetação EVI e NDVI derivados de imagens Landsat. Foram obtidos modelos de regressão para estimar a produtividade do ano anterior a partir das imagens. O modelo final proposto penaliza a produtividade potencial da cultura em função das Evapotranspirações relativas, obtidas a partir de dados meteorológicos do modelo regional ETA, e da produtividade do ano anterior, obtida das regressões com os índices de vegetação. As Evapotranspirações relativas foram calculadas em 4 diferentes combinações de períodos representativos das fases fenológicas do cafeeiro e parametrizadas juntamente com a produtividade do ano anterior para determinação de coeficientes que representam o peso (ky) destas variáveis na penalização da produtividade potencial. O coeficiente de penalização pela produtividade do ano anterior (ky$_{0}$) apresentou os maiores valores, o que indica a importância desta variável na produtividade do cafeeiro. Com relação às variáveis de penalização hídrica os coeficientes referentes à fase entre os meses de Abril a Setembro (ky$_{1}$), que corresponde à indução e maturação das gemas florais, foram maiores. O coeficiente referente à fase entre os meses de Setembro a Dezembro (ky$_{2}$), correspondente ao florescimento e início da formação dos frutos, mostrou-se o segundo mais importante. O modelo final foi avaliado ao nível de produtividade por lavouras e ao nível de produção total por município. O modelos utilizando coeficientes de penalização parametrizados com as Evapotranspirações relativas agrupadas nos períodos Jun/Jul/Ago, Set/Out/Nov e Dez/Jan/Fev (combinação A) apresentou os melhores resultados em relação aos modelos C e D. O desempenho geral dos modelos ao nível de lavouras foi considerado ruim, com erros variando entre 13,73 a 21,43 sc/ha (EMA) e 18,51 a 28,66 sc/ha (EMQ), valores de R$^{2}$ variando entre 0,20 a 0,69, índices d$_{1}$ 0,38 a 0,53 e índice d$_{2}$ entre 0,41 a 0,70. Ao nível de produção total por municípios os desempenhos foram melhores com erros variando entre 1.600 a 3.900 kg (EMA) e 2.490 a 6.904 kg (EMQ), valores de R$^{2}$ variando entre 0,67 a 0,93, índices d$_{1}$ 0,65 a 0,83 e índice d$_{2}$ entre 0,77 a 0,90.