Abordagens de sensoriamento remoto para estimativas de evapotranspiração e produtividade em plantios de milho irrigado

Remote sensing data and applications have been experiencing a revolutionary advancement in various areas in the last fifteen years, including agriculture. These advancements are boosted by a large amount of the satellite sensors in orbit obtaining a large number of images of the Earth's surface every day in different temporal, spatial, spectral and radiometric resolutions. This dynamism is very useful to agriculture, since it is also a very dynamic system. Besides that, faced with the global problems of water and food shortages, climate change, environmental pollution, among others, high-efficiency agriculture will be increasingly required, which can be achieved more easily by means of the remote sensing data and applications. This thesis is divided into three chapters, making use of different satellites (Landsat 7, Landsat 8, Sentinel 2A and Sentinel 2B) with focus on the corn crop plantations irrigated by center pivot system in the western region of Bahia state, Brazil. The general focus was the estimation of evapotranspiration and yield along with vegetation spectral indices and spectral mixture analysis in irrigated corn fields using remote sensing approaches. The first study (chapter one) aimed to evaluate, calibrate and validate the SAFER algorithm for evapotranspiration estimation in irrigated corn fields. Meteorological and crop data were used to calculate corn evapotranspiration by means of the modified FAO method. In order to use SAFER algorithm, images of the sensors ETM+ and OLI/TIRS were acquired. SAFER algorithm with original regression coefficients has low accuracy for corn ET estimation, and after calibration with empirical data it showed a good performance, being a very useful tool for estimating water consumption by corn crop. Chapter two focused on corn yield estimation at farm level in Brazil using a new and simplified remote sensing approach, initially validated for North American corn production conditions. The formulation combines the methodology for biomass determination presented in the FAO-66 manual and a basal crop coefficient based on reflectance data adjusted by water and cold temperature stress. Data of 52 center pivots fields, collected during growing season of 2013 to 2016, were used. ETM+ and OLI surface reflectance images were used for the calculation of SAVI. The difference between predicted yield values and actual ones ranged between 12.2% and 18.8%, but with the majority of estimates between -10 and 10%, considering a single harvest index for all hybrids. After the reanalysis (grouping of similar hybrids and use of a specific HI) the performance of predictions increased, especially for Pioneer hybrids, with the majority of the differences, between predicted yield values and measured, remaining between -5 and 5%. Chapter three had as general objective to investigate the performance of vegetation indices for corn aboveground biomass estimation by means of their comparison with the fraction of photosynthetically active vegetation estimated from Spectral Mixture, defining the three best ones. Nine vegetation indices were calculated using the near infrared and visible bands of OLI sensor. Among the analyzed, VI, EVI, SAVI and OSAVI were considered the first, second and third best ones, respectively, for corn aboveground biomass estimation, based on their comparison with fraction of photosynthetically active vegetation. A second objective of this chapter was to find the best interval of VI accumulation (days) for corn grain yield estimation, using the three best classified in the general objective. For this purpose, field data of center pivots grown with irrigated corn during the season of 2018 were used along with Sentinel 2 images. The intervals that extended up to 120 days after sowing were the best. Finally, this work was a great challenge, mainly due to the use of data belonging to a commercial farm with a large number of cultivated corn hybrids. But, on the other hand, it brings very interesting results, showing the great potential of the remote sensing in agriculture. In turn, these results are useful for both the scientific community and farmers in Brazil, who are constantly being pressured by improvements in production processes, especially in water use.Dados e aplicações de sensoriamento remoto têm tido um avanço revolucionário em várias áreas nos últimos quinze anos, incluindo na agricultura. Esses avanços são estimulados pela grande quantidade de satélites em órbita obtendo uma grande quantidade de imagens da superfície da Terra em diferentes resoluções temporais, espaciais, espectrais e radiométricas. Todo esse dinamismo é muito útil para a agricultura, já que esta é também um sistema muito dinâmico. Além disso, diante dos problemas globais de escassez de água e alimentos, mudanças climáticas, poluição ambiental, entre outros, será demandada a cada vez mais uma agricultura de alta eficiência, a qual pode ser mais facilmente alcançada através de dados e abordagens de sensoriamento remoto. Essa tese está dividia em três capítulos, fazendo o uso de diferentes satélites (Landsat 7, Landsat 8, Sentinel 2A e Sentinel 2B) com foco em plantações de milho irrigadas por pivô central na região Oeste do estado da Bahia, Brasil. O foco geral foi a estimativa de evapotranspiração e produtividade juntamente com índices espectrais de vegetação e análise de mistura espectral em campos de milho irrigado utilizando abordagens de sensoriamento remoto. O primeiro estudo (capítulo um) objetivou avaliar, calibrar e validar o algoritmo SAFER para a estimativa de evapotranspiração em campos de milho irrigado. Foram utilizados dados meteorológicos e da cultura para calcular a evapotranspiração do milho utilizando o método FAO modificado. Para a utilização do algoritmo SAFER, foram obtidas imagens dos sensores ETM+ e OLI/TIRS. O algoritmo SAFER com os coeficientes originais de regressão tem baixa acurácia para estimar ET de milho e, após a calibração com dados empíricos, este algoritmo demonstrou bom desempenho, sendo uma ferramenta muito útil para estimar o uso consumo de água pela cultura milho. O capítulo dois focou em estimar a produtividade do milho ao nível de fazenda no Brasil usando uma nova e simplificada abordagem de sensoriamento remoto, inicialmente validada para condições Norte Americanas de produção de milho. A formulação combina a metodologia para determinação de biomassa apresentada no manual 66 da FAO e um coeficiente basal da cultura baseado nos dados de reflectância ajustados pelos estresses hídrico e de baixa temperatura. Foram utilizados dados de 52 campos de pivôs centrais, coletados durante as safras de 2013 a 2016. Imagens de reflectância dos sensores ETM+ e OLI foram usadas para calcular o SAVI. A diferença entre os valores de produtividade preditos e reais variou entre -12,2% e 18,8%, mas com a maioria das estimativas entre -10 e 10%, considerando somente um índice de colheita para todos os híbridos. Depois da reanálise, considerando o grupamento de híbridos semelhantes e utilização de um índice específico de colheita, o desempenho das predições aumentou, especialmente para o híbrido Pioneer, com a maioria das diferenças, entre os valores de produtividade previstos e medidos, permanecendo entre -5 e 5%. O capítulo três teve como objetivo geral investigar o desempenho de índices de vegetação para estimativa de biomassa seca acima do solo do milho, comparando-os com a fração da vegetação fotossintética derivada da Análise de Mistura Espectral, definindo os três melhores. Foram calculados nove índices de vegetação, utilizando as bandas do vermelho próximo e visível do sensor OLI. Dentro os índices analisados, o EVI, SAVI e OSAVI foram considerados o primeiro, segundo e terceiro melhores, respectivamente, para a estimativa de biomassa seca acima, baseado em sua comparação com a fração de vegetação fotossintética. Um segundo objetivo desse capítulo foi encontrar o melhor intervalo de acúmulo de índice de vegetação (dias) para a estimativa da produtividade de grãos de milho, usando os três melhores classificados no objetivo geral. Para este propósito, foram utilizados dados de campo de pivôs centrais cultivados com milho irrigado durante a safra de 2018, juntamente com imagens do sensor MSI. Os intervalos que se estenderam até 120 dias após a semeadura foram os melhores. Por fim, este trabalho foi um grande desafio, principalmente pelo uso de dados pertencente a uma fazenda comercial com um grande número de híbridos de milho cultivados. Mas por outro lado, ela traz resultados muito interessantes, mostrando o grande potencial do sensoriamento remoto na agricultura. Por sua vez, esses resultados são úteis tanto para a comunidade científica quanto para os agricultores do Brasil, que são constantemente pressionados por melhorias nos processos de produção, principalmente no uso da água