publicação em:
Sensoriamento Remoto, https://www.researchgate.net/publication/228768339
de cropland Agricultura
Artigo · Janeiro de 2009
DOI: 10.4135/9780857021052.n26
Publicada em:
O SÁBIO Manual de sensoriamento remoto. 2009. SAGE Publications. 14 Abr. 2010.
<http://www.sage-ereference.com/hdbk_remotesense/Article_n26.html>.
Capítulo DOI: 10.4135/978-1-8570-2105-9.n26
Embora os dados de sensoriamento remoto via satélite têm sido historicamente utilizadas
para avaliação de parâmetros de stress de cultura específico, como, por exemplo, indícios de
estresse de nitrogênio e Vrindts Reyniers (2006), mais informações detalhadas sobre a condição
da cultura estão sendo adquirida usando hyperspectral remote sensing, radiometers, térmica e
dispositivos relacionados. Tais abordagens também têm contribuído para uma efectiva usa estes
dados em agricultura de precisão (Yang et al. 2004). Hyper-espectral de sensores e técnicas
relacionadas também pode ser usada para estimar vários outros parâmetros bioquímicos e
biofísicos de cultura, tais como o teor de nitrogênio foliar, teor de clorofila foliar e fatores
associados relacionados à umidade do solo (Goel et al. 2003). Sensoriamento remoto da umidade
do solo será explicado mais tarde neste capítulo. Ye et al. (2006) utilizado o hyper-espectral de
imagens para predizer o rendimento de colheita de árvore em pomares de citros, Vijaya-Kumar
e colegas (2005) utilizou um termômetro infravermelho e o Radiómetro espectral para triagem
de germoplasma e estresse em grãos de mamona, enquanto Nicholas (2004), perto de visível e
infravermelho, sensores térmicos para avaliar as condições de cultura.
Fases de desenvolvimento da vegetação (fenologia) são influenciados por uma variedade
de fatores, tais como umidade do solo, data do plantio, temperatura do ar, o comprimento do dia,
e condição de solo. Portanto, esses fatores também influenciam as condições de plantas e sua
produtividade.
Por exemplo, o rendimento da cultura de milho pode ser negativamente afetada se as
temperaturas são muito altas no momento da polinização. Por isso, sabendo que a temperatura no
momento da polinização do milho poderia ajudar a prever melhor os meteorologistas do milho.
McMaster (2004) resumiu a importância da fenologia, afirmando que, "Compreender a
fenologia da cultura é fundamental para o manejo da cultura, onde a distribuição de práticas de
gestão é cada vez mais baseada em estágios de desenvolvimento da cultura. Simulando o
desenvolvimento do dossel também é crítico para o crescimento de colheita, se os modelos para
prever o aparecimento de fontes e sumidouros de carbono, determinação de assimilação e de
transpiração, particionamento hidratos de carbono e nutrientes, ou determinando crítica eventos
do ciclo de vida, tais como a antese e maturidade.'
durante o período durante o qual foi temporariamente Landsat privatizada (ver também
Goward et al., neste volume), após a década de 1990, alguns cientistas de sensoriamento remoto
começar a experimentar o uso de resolução espacial grosseira (1,0 km) (veja também Justiça et
al., neste volume). Esses dados estavam livres, e que permitiu uma visão sinóptica do U.S.
limítrofe no dia-a bi-diários de freqüência temporal. Como os métodos foram desenvolvidos para
eliminação ou minimização de nuvem, nova alta temporais (semanal para quinzenal) cloud-livre
ou quase livre de nuvem datasets foram feitas livremente disponível para uma variedade de
aplicações e de esforços de investigação. No início da década de 80, badhwar e Henderson (1981)
publicou um artigo na Revista Brasileira descrevendo o uso de dados espectrais para caracterizar
o desenvolvimento da vegetação terrestre. Em 1990, Lloyd descreveu o uso de um índice de
vegetação de onda curta (o índice de vegetação da diferença normalizada (NDVI)) para a
caracterização de estádios fenológicos de desenvolvimento de plantas para cobertura do solo
terrestre e, em 1994, a Reed et al. descreveram como conjuntos de dados de alta resolução
temporal, o NDVI pode ser usada para analisar a variabilidade na fenologia interanual em escala
continental.
Usando a resolução espacial grossa e alta resolução temporal dos dados, pela primeira
vez, a resposta de plantas a diferentes condições de cultivo poderia ser examinada em ou perto
de escala continental, por exemplo, o US limítrofe. Desde a publicação dos manuscritos
referenciados acima, muitos estudos que se seguiram utilizados conjuntos de dados NDVI
AVHRR para tarefas como avaliar a condição relativa de cultura e fazer previsões de rendimento
(Steven et al. 1983, Sinal Analógico et al. 1993, Groten, 1993 kastens et al. 2005), caracterização
do Centro de Great Plains grama formas de vida (Reed et al. 1996, Tieszen et al. 1997), estudando
a resposta da vegetação ao intra- e variação climática interanual (Yu et al. 2003, Breshears et al.
2005), e para muitos outros fins relacionados agronómico.
Perfis de NDVI anual são extraídos em sensoriamento remoto 12 operacionais para
métricas de fenologia da vegetação (VPMs), e estas métricas são utilizadas para caracterizar a
vegetação agrícola resposta a diversas condições climáticas e práticas de gestão de terras (Reed
et al.
1994; Figura e tabela 26,1 26,1).
(2004) que utilizaram resistentes a atmosfera visível índices espectrais para documentar
a capacidade para detectar mudanças na cultura devido ao acúmulo de biomassa, as mudanças
induzidas pelo aparecimento e desenvolvimento de estruturas reprodutivas, e o início da
senescência. Gitelson et al. (2002), estudando o trigo e o milho, índices espectrais desenvolvido
utilizando somente a região visível do espectro para estimar a fração vegetação (VF). Eles
encontraram esses índices para ser mais sensível que o ndvi para mudanças na fração de
vegetação em níveis elevados (>60%) da cobertura, e o erro de predição VF não ultrapassou
10%.
O teor de clorofila,
um indicador muito importante e útil de vegetação condição é o conteúdo de clorofila, um
pigmento produzindo a característica cor verde nas plantas. A variabilidade no teor de clorofila
está relacionada ao crescimento estágio no ciclo de vida da planta, capacidade
fotossintética/produtividade e salienta (Ustin et al. 1998). A medição do teor de clorofila também
é importante no que diz respeito ao manejo do nitrogênio, um elemento-chave da tecnologia de
fertilização campo de taxa variável.
Gitelson et al. (2005) desenvolveram um modelo, baseado em medições de campo feito
por meio de um radiômetro, hyperspectral para Estimativa não destrutiva de clorofila em milho
e soja marquises. Foram desenvolvidos modelos separados para milho e soja individualmente,
mas o melhor modelo de avaliação de milho e soja em conjunto, em um esforço para obter uma
solução de espécie-específico, tomou a forma [(R/ R NIR 720-730)-1] onde R é a reflectância no
wavelength especificado em nm. Este modelo permitiu estimar (R
2 = 0,95) do Cholorophyll na faixa de 0,03 a 4,33 g/m2, com um rmse inferior a 0,32 g/m2
para milho e soja, consideradas em conjunto.
Vários outros autores têm tratado o tema da detecção remota do teor de clorofila, incluindo
broge e Leblanc (2000), Fábio Jr et al. (2000), e broge e Mortensen (2002).
de 0 a mais de 6), bem como a biomassa de folhas verdes (variando de 0 a 3500 kg/ha).
Vários outros autores têm abordado o tema da detecção remota de Iaf, incluindo Gilabert
et al. (1996), Carlson e Ripley (1997), broge e Leblanc (2000), e Haboudane et al. (2004).
tomar decisões de manejo. Sensoriamento remoto é uma ferramenta viável para fornecer
tais informações.
o processo de análise de sensoriamento remoto. Por exemplo, estudos recentes por Ben-
Dor et al. (2003) e eshel et al. (2004) demonstraram que as superfícies de solo crusted muitos
tipos diferentes de solos tendem a ter maior reflexo simples respostas devido à ocorrência de
quartzo maiores riscos quando tais solos crusted recentemente preparado estão expondo as
superfícies de quartzo.
Os sensores terrestres ou 'em movimento' (sensores sensores montados em um trator e
dados mapeados com informações de posição coincidente) têm desenvolvido rapidamente nos
últimos anos.
Tais esforços fornecer a matéria orgânica do solo, condutividade elétrica, teor de nitrato,
e compactação (Barnes et al. 2003) e, quando integrado com outras fontes de dados maximizar
as informações para o gerente de fazenda.
Numerosos estudos de sensoriamento remoto da umidade do solo (além de referências
anteriores) têm enfocado o uso de sensor térmico e micro-ondas. Casanova et al. (2006) modelos
de sensoriamento remoto micro-ondas utilizadas para melhorar as estimativas da umidade do
solo, e verstraeten et al. (2006) usou uma combinação de óptica e térmica a informação espectral
da imagem METEOSAT para determinar a inércia térmica em relação ao conteúdo de umidade
do solo.
Também a interface entre a água e o solo dinâmicas são processos que levam a salinidade
do solo em áreas agrícolas irrigadas. Novamente sensoriamento remoto tem fornecido
importantes análise desses aplicativos, como ilustrado pelo trabalho de masoud e Koike (2006),
na qual eles usaram TM/Landsat ETM tomadas durante 16 anos juntamente com 30 m DEM e
observações de campo no Egito para documento com êxito as mudanças de salinidade no solo e
cobertura da terra.
Com cada vez mais bandas hyperspectral mais estreito na faixa térmica de energia
eletromagnética e, juntamente com outros dados espaciais provenientes de observações de
campo, sensoriamento remoto é, sem dúvida, desempenhar um papel cada vez mais importante
na compreensão das características do solo de cultura. Tais esforços, quando vinculado ao GPS,
fornecer resultados promissores em agricultura de precisão.
Agricultura de Precisão
agricultura de precisão é uma metodologia desenhada para vincular ações de manejo de
solo específicos do local e das condições de colheita, e entradas de fertilizantes, herbicidas e
pesticidas, onde eles são mais necessários para maximizar a eficiência agrícola e minimizar a
contaminação ambiental. As principais tecnologias são em agricultura de precisão, GPS, GIS e
de sensoriamento remoto. A importância dessas tecnologias na agricultura foi
enfatizada quando Stennis Space Center (NASA), no início da parte do século atual,
lançou o programa Ag 2020, em um esforço para comercializar as tecnologias geoespaciais,
desenvolver ferramentas práticas para produtores e realização de projectos com diversos tipos de
culturas para ilustrar a utilidade das tecnologias.
Agricultura de precisão é fundamental para a aquisição de informações sobre o solo e as
condições de cultura na freqüência temporal e resolução espacial necessária para tomar decisões
de manejo. Sensoriamento remoto é, sem dúvida, uma ferramenta viável para fornecer tais
informações. No entanto, para a teledetecção para contribuir para a gestão de pequenas parcelas,
as imagens devem ser de alta resolução espacial. Até há relativamente pouco tempo, como
imagens de satélite tem sido indisponível, e embora disponíveis hoje em dia, continua a ser
bastante caro. Exemplos de trabalhos anteriores agricultura de precisão utilizando dados obtidos
por satélite de alta resolução, que incluem sensores de Yanget al. (2006) e Bannariet al.
(2006). Resumos gerais sobre os procedimentos e as questões relacionadas com a
agricultura de precisão são fornecidos por Barnes et al. (1996), Bramley et al. (1999), Campanella
(2000) e Moran (2000).
gestão específica do local. Fotografias aéreas têm potencial para delineamento de zonas
de manejo (schepers et al. 2000). Fotografia aérea de cor convencional, adquirido em uma folha-
condição, é uma ferramenta importante nos estágios iniciais da preparação de um campo para
gerenciamento de site-specific. Tais fotos ar provideanun comumente boa vista geral das
condições do solo; mais especificamente, a variabilidade no conteúdo orgânico de lugar para
lugar, Schepers (2002). Videografia aérea tem se mostrado uma ferramenta útil para monitorar
em campo de variação de crescimento de plantas, bem como a criação de zonas de manejo para
agricultura de precisão (Yang et al. 1998).
Manejo do nitrogênio,
um dos principais problemas ambientais é a necessidade de nitrogênio (N), como a gestão
de águas subterrâneas em algumas áreas de agricultura intensiva, como o Centro-oeste, norte-
americano tornou-se cada vez mais poluída com nitratos. Porque N é relativamente barato e
pequeno aumento de entradas de rendimentos, os produtores têm uma tendência a aplicar grandes
quantidades de nitrogênio, "seguros", aumentando assim o potencial de poluição das águas
subterrâneas Schepers (2002).
Assim, há uma necessidade de desenvolver procedimentos, incluindo, eventualmente,
sensoriamento remoto, que podem ter utilidade para mitigar o problema de N overuse. A
abordagem adequada parece ser variável, a fim de aplicar o fertilizante somente em plantas que
se encontram em necessidade e apenas em parcelas de terreno onde existe uma necessidade que,
em vez de em todo o campo. Estudos de Blackmer et al. (1996), Shanahan et al. (2001), e scharf
et al.
(2002) fornecem um background útil sobre o assunto do manejo do nitrogênio, por meio
de sensoriamento remoto.
Os sensores ir
on-the-go-sensores incluem implementar dispositivos montados que fazer medições de
solos, colheita, marquises, ou até mesmo plantas individuais em close-range. As medições podem
não ser necessariamente de natureza espectral, mas certamente poderia ser.
A essência das novas abordagens na gestão de site-specific é realçada pelo facto de
combinar-montado monitores de produtividade são comumente usados para tentar avaliar a
variação dentro de campo e para delimitar zonas de manejo de culturas (Pinter et al. 2003). No
entanto, como Pinter et. al, mapas de produtividade pode não ser uma representação exata dos
extremos de variabilidade, e eles não fornecem informações sobre redução de rendimento salienta
porque eles são adquiridos no final da temporada. Além disso, os mapas de produção documento
apenas a distribuição espacial; eles não explicam a causa de variação (Doerge 1999). Isto é onde
sensoriamento remoto é capaz de fazer uma contribuição, mas, mais uma vez, alta resolução
espacial é um requisito.
Colheitas especiais
da viticultura, o cultivo de videiras, geralmente para a produção de vinho, é uma
importante empresa económica e agrícola em muitas partes do mundo, incluindo os Estados
Unidos. Gestores de Grandes Vinhedos sabe que o grau de produtividade da videira é o resultado
de muitas cartas topográficas, climáticas, edáficas e parâmetros, e a suposição é a de que esses
parâmetros são variáveis espacialmente, causando, assim, diferenças no vigor e produtividade
vinha de lugar para lugar na vinha. Viticulturalists devem monitorar as condições vinha para fins
de tomada de decisões sobre a aplicação de fertilizantes, irrigação, gestão do dossel, e quando a
colheita das uvas, a fim de maximizar o suco (e, portanto, a qualidade do vinho). Um objectivo
importante da vinha em curso exame é detectar a presença dos agentes estressantes, incluindo
patógenos que afetam a vegetação ou a fruta em si. Portanto, o sensoriamento remoto pode ser
uma ferramenta eficaz para fornecer o viticulturalist com uma visão sinóptica da vinha que
produz informações práticas e úteis.
Vários autores têm realizado pesquisas sobre o assunto de sensoriamento remoto de
videiras.
Supervisão de tais trabalhos são fornecidos por Lang (1997), Peterson e Johnson (2000),
Carothers (2000), Hall et al. (2002). Exemplos de "Detecção de viticultura": que por Johnson et
al. (2001) que avaliaram imagens multiespectral aerotransportada para delimitar zonas de manejo
vinha como um passo no sentido de "Viticultura de Precisão" enquanto lanjeri et al. (2004) Mapa
Temático Landsat (TM) e imagens de NDVI para avaliar a mudar ao longo do tempo em espanhol
vinhas.
Desafios e o futuro
desde o início da década de 70, um dos maiores desafios para o uso de dados de
sensoriamento remoto via satélite para aplicações agrícolas tem sido a falta de imagens utilizáveis
coletados com freqüência suficiente e em intervalos consistentes durante a estação de
crescimento. Esta resolução temporal inadequado de nadir moderada e de visualização de alta
resolução espacial de imagens adquiridas por satélite só pode ser resolvido aumentando a
freqüência de revisita os sensores, e isto só pode ser alcançado através do aumento do número de
sensores por recolha de imagens.
Actualmente, e no passado, a freqüência de revisita o sensores de resolução moderada,
como Landsat e SPOT é ou foi aproximadamente bimestral para mensal. Essa resolução temporal
é insuficiente para capturar a chave alterar condições de cultura (estádios fenológicos) durante a
estação de crescimento. Isto é especialmente verdadeiro em áreas onde é frequente cobertura de
nuvens. Na Europa central, por exemplo, muitas vezes há apenas duas ou três imagens utilizáveis
adquiridos durante a estação de crescimento, e devido a diferentes condições de cobertura de
nuvem, a aquisição datas podem variar significativamente anualmente fazendo comparações ano
a ano condições de vegetação muito exigente e, muitas vezes, impossível.
A RapidEye está planejando lançar a constelação de cinco satélites em 2008 com o
objetivo de oferecer informações geoespaciais diário de alta resolução espacial para clientes
globais com interesse na agricultura e na silvicultura, entre outros, a RapidEye (2007).
O sensor é para ser um sistema multiespectral de cinco canais operando no visível e
infravermelho próximo. Uma tal capacidade operacional, sem dúvida, ser de grande interesse
para agricultores. Sem tal sistema de sensoriamento remoto por satélite operacional o
desenvolvimento comercial de produtos de sensoriamento remoto para apoiar o agronegócio e a
gestão dos processos de tomada de decisão será grandemente prejudicado. Não ter um sistema
operacional criou uma falta de confiança no futuro a disponibilidade e coerência em tipos de
dados e a sua qualidade. Imagem insuficiente resolução temporal, e a falta de um confiável e
consistente sistema de sensoriamento remoto são os dois fatores mais importantes que
influenciam o uso de dados de sensoriamento remoto na área da agricultura.
Durante os estágios iniciais do satélite de sensoriamento remoto era, a maior parte da
investigação centrou-se na utilização de dados para a classificação dos tipos de cobertura do solo
com tipos de cultura sendo um foco importante entre aqueles interessados em aplicações
agrícolas. Sobre a década passada ou assim, o trabalho de sensoriamento remoto agrícola tem-se
centrado mais na caracterização de propriedades biofísicas de plantas. Como os cientistas têm
ganhado maior acesso aos dados e de Espectrorradiômetro e espaço aéreo suportado
hyperspectral dados e imagens, uma nova área de interesse de pesquisa está a concentrar-se sobre
a utilização da análise de infravermelho próximo e quimiometria software e modelos para
caracterizar os constituintes químicos de partes das plantas, solos, rochas, etc. Infelizmente,
achados de pesquisa nesta área de estudo não irá tornar-se operacional até hyperspectral imagens
de satélite de alta qualidade tornam-se disponíveis a um preço acessível.
Referências
Adamchuk, V. , R. Perk , e J. Schepers, 2003. Aplicações de sensoriamento remoto no
site551 específicos de gerenciamento. Universidade de Nebraska Extensão Cooperativa CE03-
702.
Badhwar, G. D. e K. E. Henderson Estimativa de estádios de desenvolvimento do milho
a partir de dados espectrais - um modelo inicial. Bragantia vol. 73 pp. 748-755. 1981.
Bajwa, S. G. e L. F. Tian caracterização da fertilidade do solo em áreas agrícolas
utilizando hyperspectral remote sensing. Operações da ASAE vol. 48 no. (6) pp. 2399-2406.
2005.
Kingston, J. M. P. S Monitoramento de desempenho de irrigação no Sri Lanka com alta
frequência560 medições via satélite durante a estação seca. A gestão da água agrícola vol. 58 no.
(2) pp. 159- 170. 2003.
Bannari, A. , Pacheco , K. Staenz , H. McNairn , e K. Omari estimar e mapeamento de
cobertura de resíduos de colheita em terras agrícolas utilizando hyperspectral IKONOS e dados.
Sensoriamento remoto do ambiente vol. 104 pp. 447-459. 2006.
Moran, S., 2000. Imagens de sensoriamento remoto para o manejo agrícola: perspectivas
da imagem, investigadores, fornecedores e usuários. Procedimentos da Segunda Conferência
Internacional sobre informação geoespacial na agricultura e na silvicultura, I: 23-I, pp. 29.
Nagler, P. , C. Daughtry e S. Goward reflectância do solo e serapilheira de plantas.
Sensoriamento remoto do ambiente vol. 71 pp. 207-215. 2000.
Neale, C. M. U. , H. Jayanthi , e J. L. Wright a gestão da água de irrigação utilizando
sensoriamento remoto aéreo de alta resolução. Os sistemas de irrigação e de drenagem vol. 19
no. (3-4) pp. 321-336. 2005.
Nellis, M. D. interpretação de imagens infravermelho termal da gestão dos recursos
hídricos para irrigação.
Revista de geografia vol. 84 no. (1) pp. 11-14. 1985.
Nellis, M. D. sensoriamento remoto para monitorar a demanda de água no oeste do
Kansas. Artigos e trabalhos do Conferências Geografia aplicada vol. 9 pp. 56-62. 1986.
Nicolau, H. utilizando sensoriamento remoto para determinar a data de aplicação de
fungicida em trigo de inverno.
Protecção de culturas vol. 23 no. (9) pp. 853-863. 2004.
Pelzmann, R. usando imagens no campo de gestão. A agricultura moderna vol. 1 no. (2)
pp. 17-19. 1997.
Peterson, D. e L. Johnson a aplicação da ciência da Terra achados para os problemas
práticos do crescimento winegrapes. Ciências da Informação Geográfica vol. 6 no. (2) pp. 181-
187. 2000.
Pinter, P., J. Hatfield , J. Schepers , E. Barnes , S. Moran , C. Daughtry , e D. Upchurch
sensoriamento remoto para o manejo da cultura. Photogrammetric Engineering e Sensoriamento
Remoto vol. 69 no. (6) pp. 647-664. 2003.
Pinter, P., J. Ritchie, J. G. Hart Hatfield , e o Serviço de Pesquisa Agrícola, programa de
sensoriamento remoto: um exemplo de colaboração interinstitucional. Photogrametric
Engineering e Sensoriamento Remoto vol. 69 no. (6) pp. 615-618. 2003.
Prasad, A. K., L. Chai , R. P. Singh , e M. Kafatos modelo de estimativa de rendimento
de colheita para Iowa utilizando sensoriamento remoto e parâmetros de superfície. Revista
Internacional de Observação da Terra e de Geoinformação vol. 8 no. (1) pp. 26-33. 2006.
Preço, K., S. Egberto , R Lee Boyce , R. e M. D. Nellis land cover mapping high plains
em um agro-ecossistema, usando um sistema multi-Landsat data mapeador temático de
abordagem de modelagem. Operações do Kansas Academy of Science vol. 100 no. (1-2) pp. 21-
33. 1997.
Sinal analógico, N. A., M. T. L. Hindle Milnes , , e N. O uso Silleos multitemporal de
medições de dados NDVI AVHRR para estimativa de rendimento de grãos e a previsão.
International Journal of Remote Sensing vol. 14 no. (2) pp. 199-210. 1993.
A RapidEye 2007. Bem-vindo ao a RapidEye. http:/ / www.rapideye.de/ (último acesso
em 12 de Janeiro de 2008).
Ray, S. S. e V. K. Dadhwal Estimativa da evapotranspiração da cultura de irrigação área
de comando utilizando sensoriamento remoto e GIS. A gestão da água agrícola vol. 49 no. (3)
pp. 239-249. 2001.
Reed, B. C., J. H. F. Brown , D. VanderZee , T. R. Loveland , J. W. Merchant , e D. O.
Ohnlen variabilidade fenológica de medição a partir de imagens de satélite. Oficial de vegetação
Science vol. 5 pp.
703-714. 1994.
Reed, B. C. , Loveland , T. R. e L. L. Uma abordagem para Tieszen utilizando dados
AVHRR para monitorar
Grandes Planícies dos Estados Unidos Prados. Geocarto International vol. 11 no. (3) pp.
13-22. 1996.