Técnicas de modelagem e geoprocessamento visando ao desenvolvimento de um sistema de alerta precoce para os rebanhos em regiões da Caatinga.

O objetivo deste estudo foi analisar a capacidade de técnicas de modelagem e de geoprocessamento na geração de um protocolo com informações de alerta precoce aos pecuaristas residentes em regiões do bioma Caatinga. O primeiro capítulo realizo uma análise temporal das secas e da distribuição espacial dos rebanhos do Semiárido brasileiro por ferramentas de geoprocessamento. Foram criados mapas anuais de índice de vegetação pela diferença normalizada (NDVI) e de índice de seca pela diferença normalizada (NDDI) por imagens MOD09A1 processadas na plataforma Google Earth Engine (GEE) e no Software QGIS (2.18). Para a distribuição espacial dos rebanhos utilizou-se o banco de dados de produção pecuária municipal do SIDRA/IBGE. A análise comparativa mostrou que as classes seca extrema e seca excepcional foram maiores na 2° série histórica, enquanto seca anormal teve maior área na 1a. série. A análise dos dados gerou informações como os locais mais propícios a criação de ovinos e de caprinos frente aos riscos de períodos de incertezas climáticas. No segundo capítulo foi feita a caracterização espectral por meio da sazonalidade do fator de refletância bidirecional de superfície e dos índices espectrais de vegetação de fragmentos de pastagens nativas, bem como a mudança do uso e ocupação do solo de regiões do bioma Caatinga. Foram utilizadas imagens do satélite Landsat-8 do período chuvoso e o período seco do ano de 2018 para verificar a sazonalidade da vegetação por meio da variação da refletância bidirecional de superfície das bandas espectrais e dos índices espectrais de vegetação (NDVI, SAVI, EVI, IAF, MSAVI2 e NDWI). Com o intuito de obter a mudança da ocupação e uso do solo, foi utilizada a plataforma Google Earth Engine (GEE) e imagens Landsat-8 durante o período de 2014 a 2018. A validação do modelo de classificação por meio da matriz de confusão resultou numa exatidão global de 91% e índice Kappa de 89% em Tauá, e uma exatidão global de 90% e um índice Kappa de 86% em Ouricuri. A classificação de imagem por meio da ferramenta Google Earth Engine se mostrou eficaz em verificar a mudança temporal e espacial do uso e ocupação do solo, possibilitando identificar locais com vegetação mais afetada e susceptível à degradação. O terceiro capítulo testou a eficiência da modelagem empírica e mecanicística em simular a biomassa de forragem de pastagens nativa do bioma Caatinga e aplicá-los em mapas de produção de forragem. A estimativa da produção de biomassa da pastagem foi feita pela soma da biomassa herbácea e arbustivo-arbóreo. Para modelagem empírica foram utilizadas imagens do satélite Sentinel 2-A e testados os índices: NDVI, SAVI, EVI, IAF, MSAVI2 e NDWI, através do LAB Fit Curve Fitting. A calibração do modelo PHYGROW foi realizada por meio da plataforma virtual PHYWEB. O SAVI foi o índice que apresentou os melhores ajustes do modelo com média capacidade de simular a produção da biomassa de forragem total em pastagens naturais da Caatinga. O PHYGROW apresentou melhor desempenho em simular a produção de biomassa, mostrando-se ser útil para estimar a produção de biomassa de áreas de Caatinga com diferentes níveis de densidade lenhosa, tornando-se uma ferramenta útil para o manejo racional de pastagens. Abstracts: The aim of this study was to analyze the capacity of modeling and geoprocessing techniques in the generation of a protocol with early warning information for livestock farmers living in regions of the Caatinga Biome. The first chapter carried out a temporal analysis of droughts and the spatial distribution of herds in the Brazilian Semi-Arid region using geoprocessing tools. Annual maps of the vegetation index by the normalized difference (NDVI) and the drought index by the normalized difference (NDDI) maps were created using MOD09A1 images processed on the Google Earth Engine (GEE) platform and the QGIS Software (2.18). For the spatial distribution of herds, the municipal livestock production database of SIDRA/IBGE was used. The comparative analysis showed that the classes, extreme drought and exceptional drought were higher in the 2nd historical series, while abnormal drought had greater area in the 1st series. The analysis of the data generated information such as the most favorable places for the creation of sheep and goats in view of the risks of periods of climatic uncertainties. In the second chapter, spectral characterization was carried out through the seasonality of the bi-directional surface reflectance factor and the spectral indices of vegetation of fragments of native pastures, as well as the change in land use and occupation in regions of the Caatinga Biome. Images from the Landsat-8 satellite of the rainy season and the dry period of the year 2018 were used to verify the seasonality of the vegetation through the variation of the bidirectional reflectance of the surface of the spectral bands and the spectral indices of vegetation (NDVI, SAVI, EVI, IAF, MSAVI2 and NDWI). In order to obtain a change in land use and occupation, the Google Earth Engine (GHG) platform and Landsat-8 images were used during the period from 2014 to 2018. The validation of the classification model through the confusion matrix resulted in a global accuracy of 91% and Kappa index of 89% in Tauá, and global accuracy of 90% and Kappa index of 86% in Ouricuri. Image classification using the Google Earth Engine tool proved to be effective in verifying the temporal and spatial change in land use and occupation, making it possible to identify places with the most affected vegetation and susceptible to degradation. The third chapter tested the efficiency of empirical and mechanistic modeling in simulating forage biomass from native pastures of the Caatinga Biome and applying them to forage production maps. The estimate of pasture biomass production was based on the sum of herbaceous and shrub-tree biomass. For empirical modeling, images from the Sentinel 2-A satellite were used and the indices tested: NDVI, SAVI, EVI, IAF, MSAVI2 and NDWI, through the LAB Fit Curve Fitting. The calibration of the PHYGROW model was performed using the PHYWEB virtual platform. The SAVI was the index that presented the best adjustments of the model with a medium capacity to simulate the production of total forage biomass in rangelands of the Caatinga. PHYGROW showed better performance in simulating biomass production, proving to be useful for estimating biomass production in areas of Caatinga with different levels of woody density, making it a useful tool for the rational management of rangelands.Tese (Doutor em Zootecnia. Área de Concentração: Forragicultura) - Universidade Federal do Ceará, Fortaleza. Orientador: Magno José Duarte Cândido; Coorientador: Ana Clara Rodrigues Cavalcante