ads:
RAFAEL COLL DELGADO
ANÁLISE DA EVOLUÇÃO ESPAÇO-TEMPORAL DAS LAVOURAS
NO ESTADO DE MINAS GERAIS
Tese apresentada à Universidade Federal de
Viçosa, como parte das exigências do Programa de
Pós-Graduação em Meteorologia Agrícola, para
obtenção do título de Doctor Scientiae.
VIÇOSA
MINAS GERAIS – BRASIL
2010
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
ads:
ANÁLISE DA EVOLUÇÃO ESPAÇO
APROVADA:
29 de novembro
RAFAEL COLL DELGADO
ANÁLISE DA EVOLUÇÃO ESPAÇO
-
TEMPORAL DAS LAVOURAS
NO ESTADO DE MINAS GERAIS
Tese apresentada à Universidade Federal de
Viçosa, como parte das exigências do Programa de
Pós-Graduação em
Meteorologia Agrícola
obtenção do título de
Doctor Scientiae
29 de novembro
de 2010.
TEMPORAL DAS LAVOURAS
Tese apresentada à Universidade Federal de
Viçosa, como parte das exigências do Programa de
Meteorologia Agrícola
, para
Doctor Scientiae
.
ii
À minha esposa, Clênia.
Ao meu filho, Mateus.
Aos meus pais, Paulo Roberto (in memoriam) e Ana Maria.
Aos meus irmãos.
Aos meus amigos.
iii
AGRADECIMENTOS
A Deus, que está sobre todas as coisas.
À Universidade Federal de Viçosa e ao Departamento de Engenharia Agrícola,
pela oportunidade e pelos ensinamentos.
À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES),
pela concessão da bolsa de estudos.
À minha família, principalmente minha mãe, pelo amor e pelo apoio e estímulo
constantes.
Ao professor Gilberto C. Sediyama, pela valiosa orientação e pela amizade.
Aos professores Vicente Paulo Soares, Marcos Heil Costa, pelas sugestões e
pelos ensinamentos.
Aos demais professores e funcionários do Programa de Pós-Graduação em
Meteorologia Agrícola.
A Evaldo, Ricardo, Vinícius, Mariana, Thomé, Evandro, André e demais
colegas, pela ajuda e pela convivência amigável.
A todos aqueles que, direta ou indiretamente, contribuíram para a realização
deste trabalho.
iv
BIOGRAFIA
RAFAEL COLL DELGADO, filho de Paulo Roberto da Silva Delgado e Ana
Maria Coll Delgado, nasceu em 22 de maio de 1978, na cidade de Pelotas, RS.
Em 2001, iniciou o curso de Meteorologia na Universidade Federal de Pelotas,
graduando-se em agosto de 2005.
No mesmo mês e ano, ingressou no Programa de Pós-Graduação em
Meteorologia Agrícola da Universidade Federal de Viçosa, em nível de Mestrado, com
área de concentração em Agrometeorologia, em Viçosa, MG, submetendo-se à defesa
de tese em julho de 2007.
Em agosto de 2007, iniciou o nível de Doutorado na mesma área e instituição,
submetendo-se à defesa de tese em novembro de 2010.
v
SUMÁRIO
LISTA DE TABELAS .................................................................................................... vii
LISTA DE FIGURAS ...................................................................................................... ix
LISTA DE SÍMBOLOS .................................................................................................. xii
RESUMO ........................................................................................................................ xv
ABSTRACT .................................................................................................................. xvii
1. INTRODUÇÃO ............................................................................................................ 1
2. OBJETIVOS ................................................................................................................. 5
2.1. Objetivo geral ........................................................................................................ 5
2.2. Objetivos específicos ............................................................................................ 5
3. REVISÃO BIBLIOGRÁFICA ..................................................................................... 7
3.1. A cultura do café ................................................................................................... 7
3.2. A cultura da cana-de-açúcar .................................................................................. 9
3.3. A cultura do feijão ............................................................................................... 10
3.4. A cultura do milho .............................................................................................. 12
3.5. A cultura da soja.................................................................................................. 13
3.6. Sensoriamento remoto ......................................................................................... 15
3.6.1. Comportamento espectral dos alvos ............................................................. 16
vi
3.6.2. Sensor TM (Thematic Mapper) do Landsat-5 .............................................. 18
3.6.3. Árvore de decisão ......................................................................................... 19
3.6.4. Algoritmo de poda ........................................................................................ 22
3.6.5. Uso de árvore de decisão em sensores remotos ............................................ 23
3.7. Técnicas de geoprocessamento e sistemas de informações geográficas ............. 26
3.8. Classificação climática para o Estado de Minas Gerais segundo o indicador
climático de Thorthwaite e Mather (1955) ......................................................... 27
4. MATERIAL E MÉTODOS ........................................................................................ 30
4.1. Localização da área de estudo ............................................................................. 30
4.2. Base de dados para classificação espectral por intermédio da árvore de decisão30
4.3. Algoritmo árvore de decisão ............................................................................... 35
4.4. Análises estatísticas ............................................................................................. 38
4.5. Espacialização dos dados .................................................................................... 39
4.6. Zoneamento edafoclimático do café arábica para Minas Gerais associado ao
potencial produtivo ............................................................................................. 40
4.7. Índice de substituição das culturas agrícolas ...................................................... 42
5. RESULTADOS E DISCUSSÃO ................................................................................ 46
5.1. Classificação espectral por árvore de decisão ..................................................... 46
5.2. NDVI e a influência climática na classificação espectral das áreas plantadas em
Minas Gerais ....................................................................................................... 68
5.3. Análise da influência do clima, relevo e solo na alteração da área plantada do
café arábica no estado de Minas Gerais .............................................................. 74
5.4. Potencial produtivo da cultura do café no estado de Minas Gerais .................... 80
5.5. Mudança na composição agrícola e alteração de área plantada no estado de
Minas Gerais no período de 1990 a 2008 ........................................................... 84
6. CONCLUSÕES E RECOMENDAÇÕES ................................................................ 108
REFERÊNCIAS ............................................................................................................ 111
APÊNDICE ................................................................................................................... 118
vii
LISTA DE TABELAS
Tabela 1 - Características orbitais do satélite Landsat-5 ................................................ 18
Tabela 2 - Aplicações das bandas do sensor TM ............................................................ 20
Tabela 3 - Descrição das bandas do sensor TM, apresentando os coeficientes de
calibração (L
min
e L
max
) e irradiâncias espectrais no topo da atmosfera, no período 1.º de
março de 1984 a 4 de maio de 2003 e após 4 de maio de 2003 ...................................... 37
Tabela 4 - Áreas aptas, inaptas e restritas para a cultura do café ................................... 43
Tabela 5 - Raiz do erro quadrático médio (REQM), erro absoluto médio (EAM) e o viés
médio (VM), área total plantada segundo IBGE e árvore de decisão (AD) ................... 67
Tabela 6 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião
Campo das Vertentes, durante o período de 1990 a 2008 .............................................. 85
Tabela 7 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião
Central Mineira, durante o período de 1990 a 2008 ....................................................... 86
Tabela 8 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião
Jequitinhonha, durante o período de 1990 a 2008 .......................................................... 87
Tabela 9 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião
Metropolitana de Belo Horizonte, durante o período de 1990 a 2008 ............................ 88
Tabela 10 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião
Noroeste de Minas, durante o período de 1990 a 2008 .................................................. 89
Tabela 11 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião
Norte de Minas, durante o período de 1990 a 2008 ........................................................ 90
viii
Tabela 12 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião
Oeste de Minas, durante o período de 1990 a 2008 ........................................................ 91
Tabela 13 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião
Sul/Sudoeste de Minas, durante o período de 1990 a 2008 ............................................ 92
Tabela 14 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião
Triângulo Mineiro/Alto Paranaíba, durante o período de 1990 a 2008 .......................... 93
Tabela 15 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião
Vale do Mucuri, durante o período de 1990 a 2008 ....................................................... 94
Tabela 16 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião
Vale do Rio Doce, durante o período de 1990 a 2008 .................................................... 95
Tabela 17 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião
Zona da Mata, durante o período de 1990 a 2008 .......................................................... 96
Tabela 1A - Órbita, ponto, dia da passagem do satélite Landsat-5 e o censo agrícola nas
respectivas mesorregiões de Minas Gerais para o ano de 1990 .............................107
Tabela 2A - Órbita, ponto, dia da passagem do satélite Landsat-5 e o censo agrícola nas
respectivas mesorregiões de Minas Gerais para o ano de 1995 ............................110
Tabela 3A - Órbita, ponto, dia da passagem do satélite Landsat-5 e o censo agrícola nas
respectivas mesorregiões de Minas Gerais para o ano de 2000 ............................113
Tabela 4A - Órbita, ponto, dia da passagem do satélite Landsat-5 e o censo agrícola nas
respectivas mesorregiões de Minas Gerais para o ano de 2005 ............................116
Tabela 5A - Estações com dados pluviométricos, temperatura, umidade relativa do ar e
o período estudado de cada estação climatológica ..............................................118
ix
LISTA DE FIGURAS
Figura 1 - Área plantada com café na safra 2010. ............................................................ 8
Figura 2 - Área plantada com cana-de-açúcar nas safras 2009/10 e 2010/11. ................ 10
Figura 3 - Área plantada com feijão nas safras 2008/2009 e 2009/2010. ....................... 12
Figura 4 - Área plantada com feijão nas safras 2008/2009 e 2009/2010. ....................... 13
Figura 5 - Área plantada com soja nas safras 2008/2009 e 2009/2010. ......................... 15
Figura 6 - Propriedades radiométricas dos objetos: absortância (A), refletância (R) e
transmitância (T). ............................................................................................................ 17
Figura 7 - Zoneamento climático com base no índice de umidade de Thornthwaite e
Mather para o Estado de Minas Gerais. .......................................................................... 28
Figura 8 - Mosaico de imagem do sensor TM com a composição RGB (1, 2 e 3) e a
localização geográfica da área de estudo ........................................................................ 31
Figura 9 - Modelo digital de elevação (MDE) para o Estado de Minas Gerais. ............. 32
Figura 10 - Distribuição geográfica das estações climatológicas utilizadas neste
trabalho. .......................................................................................................................... 33
Figura 11 - Distribuição geográfica dos municípios em que foi utilizada a análise de
regressão múltipla para o mapeamento dos campos homogêneos de temperatura do ar a
partir das estações convencionais do INMET ................................................................. 34
Figura 12 - Classificação de solo para Minas Gerais...................................................... 35
Figura 13 - Fluxograma do sistema de processamento das imagens do sensor TM e a
classificação de área por árvore de decisão. ................................................................... 38
x
Figura 14 - Fluxograma das etapas necessárias à obtenção do mapa de regionalização
edafoclimática e altimétrica do cafeeiro para o Estado de Minas Gerais ....................... 42
Figura 15 - Mapa de uso e ocupação do solo pelas culturas café (a), cana-de-açúcar (b),
milho (c), soja (d) e feijão (e) para o ano de 1990. ......................................................... 49
Figura 16 - Mapa temático resultante da classificação das culturas para o ano de 1990.
........................................................................................................................................ 50
Figura 17 - Mapa de uso e ocupação do solo pelas culturas café (a), cana-de-açúcar (b),
milho (c), soja (d) e feijão (e) para o ano de 1995. ......................................................... 53
Figura 18 - Mapa temático da classificação das culturas para o ano de 1995. ............... 54
Figura 19 - Mapa de uso e ocupação do solo pelas culturas café (a), cana-de-açúcar (b),
milho (c), soja (d) e feijão (e) para o ano de 2000. ......................................................... 57
Figura 20 - Mapa temático da classificação das culturas para o ano de 2000. ............... 58
Figura 21 - Mapa de uso e ocupação do solo pelas culturas café (a), cana-de-açúcar (b),
milho (c), soja (d) e feijão (e) para o ano de 2005. ......................................................... 61
Figura 22 - Mapa temático da classificação das culturas para o ano de 2005. ............... 62
Figura 23 - Regras para a classificação dos dados na árvore de decisão. ....................... 63
Figura 24 - Regressão linear entre as áreas (café, cana-de-açúcar, milho, soja e feijão)
medida (IBGE) e estimada por árvore de decisão (AD) para os anos 1990 (a), 1995 (b),
2000 (c) e 2005 (d). ......................................................................................................... 66
Figura 25 - Valores de NDVI mínimo, máximo e médios obtidos de imagens do sensor
TM do Landsat-5, para as mesorregiões em determinadas datas dos anos de 1990 (a),
1995 (b), 2000 (c) e 2005 (d). ......................................................................................... 70
Figura 26 - Valores de área plantada (AD) subtraídos dos valores observados (IBGE)
versus precipitação para as culturas (café, cana-de-açúcar, milho, soja e feijão), para as
mesorregiões em determinadas datas dos anos de 1990 (a), 1995 (b), 2000 (c) e 2005
(d). ................................................................................................................................... 73
Figura 27 - Mapa representado como campo contínuo de temperatura média anual (
o
C)
para o Estado de Minas Gerais. ...................................................................................... 76
Figura 28 - Mapa representado como campo contínuo de deficiência hídrica total anual
(mm) para o Estado de Minas Gerais. ............................................................................. 76
Figura 29 - Mapa representado como campo contínuo a precipitação anual (mm) para o
Estado de Minas Gerais. ................................................................................................. 77
Figura 30 - Zoneamento climático das faixas (0 e 1) do café arábica para o Estado de
Minas Gerais. .................................................................................................................. 78
xi
Figura 31 - Zoneamento climático das faixas (2 a 8) do café arábica para o Estado de
Minas Gerais ................................................................................................................... 79
Figura 32 - Zoneamento climático da aptidão ao cultivo do café arábica para o Estado
de Minas Gerais. ............................................................................................................. 80
Figura 33 - Produtividade de café (kg ha-1) no Estado de Minas Gerais. ...................... 81
Figura 34 - Produtividades da cultura do café (kg ha
-1
) no Estado de Minas Gerais,
separadas por regiões, segundo o zoneamento climático. .............................................. 83
Figura 35 - Efeito substituição para as culturas café (a), cana-de-açúcar (b), milho (c),
soja (d) e feijão (e) para o estado de Minas Gerais ....................................................... 107
xii
LISTA DE SÍMBOLOS
AAE – Amostragem Aleatória Estratificada.
AAS – Amostragem Aleatória Simples.
AD – Árvore de Decisão.
AH1 – Média de Acumulação Hídrica.
AH2 – Mediana de Acumulação Hídrica.
ANA – Agência Nacional de Águas.
ASTER – Advanced Spacebone Thermal Emission and Reflection Radiometer.
AVHRR – Advanced Very High Resolution Radiometer.
CAD – Capacidade de Água Disponível (mm).
CCRS – Canada Centre for Remote Sensing.
CONAB – Companhia Nacional de Abastecimento.
CP – Componentes Principais.
D
ha
– Deficiência hídrica anual (mm).
DJ – Dia Juliano.
d
r
– Distância relativa terra-sol (em unidade astronômica – UA).
EAM – Erro Absoluto Médio (ha).
ENVI – Environment for Visualizing Images.
EOSAT – Earth Observation Satellite Company.
ETM+ – Enhaced Thematic Mapper, Mapeador Temático Ajustado.
EVI – Enhanced Vegetation Índex, Índice de Vegetação Melhorado (adimensional).
E
λi
– Irradiância solar espectral no topo da atmosfera (Wm
-2
. µm
-1
).
xiii
GEOMINAS – Programa Integrado de Uso da Tecnologia de Geoprocessamento pelos
Órgãos do Estado de Minas Gerais.
IBGE – Instituto Brasileiro de Geografia e Estatística.
INMET – Instituto Nacional de Meteorologia.
INPE – Instituto Nacional de Pesquisas Espaciais.
IS – Índice de Substituição (%).
L
max
e L
min
– Radiância espectrais máximas e mínimas (Wm
-2
. sr
-1
. µm
-1
).
L
λ
– Radiância espectral.
MaxVer – Máxima Verossimilhança.
MDE – Modelo Digital de Elevação.
MDT – Modelo Digital do Terreno.
MODIS – Moderate Resolution Imaging Spectroradiometer.
N – Número de dados analisados.
NASA – National Aeronautics and Space Administration.
ND – Número Digital.
NDVI – Normalized Diference Vegetation Index, Índice de Vegetação da Diferença
Normalizada (adimensional).
NOAA – National Oceanic and Atmospheric Administration.
O – Valor médio observado (ha).
O
i
– Valor observado (ha).
P
i
– Valor estimado (ha).
r
2
– Coeficiente de determinação.
REM – Radiação Eletromagnética.
REQM – Raiz do Erro Quadrático Médio (ha).
SAVI – Soil Adjusted Vegetation Index (índice de vegetação ajustado para os efeitos do
solo – adimensional);
SIG – Sistema de Informação Geográfica.
Sol
1
– Apta.
Sol
2
– Restrita.
Sol
3
– Inapta.
SR – Sensoriamento Remoto.
SRTM – Shuttle Radar Topography Mission.
TM – Thematic Mapper, Mapeador Temático.
T
ma
– Temperatura média anual (ºC).
xiv
TOA – Refletância no Topo da Atmosfera.
T
s
– Temperatura da Superfície (K).
USGS – United States Geological Survey.
VM – Viés Médio (ha).
WEKA – Waikato Environment for Knowledge Analysis.
θ
z
– Ângulo Zenital.
ρ
IV
– Refletividade do infravermelho próximo.
ρ
V
– Refletividade do vermelho;
ρ
λi
- Refletância monocromática.
xv
RESUMO
DELGADO, Rafael Coll, D.Sc., Universidade Federal de Viçosa, novembro de 2010.
Análise da evolução espaço-temporal das lavouras no Estado de Minas Gerais.
Orientador: Gilberto Chohaku Sediyama. Coorientadores: Marcos Heil Costa e
Vicente Paulo Soares.
Neste trabalho realizou-se a classificação espectral das áreas plantadas (café,
cana-de-açúcar, milho, soja e feijão) por meio do classificador árvore de decisão (AD),
analisou-se a influência do clima, solo e relevo para o café arábica e a mudança na
composição agrícola por intermédio do índice de substituição das culturas (IS). Para
classificação espectral das áreas plantadas, empregou-se o algoritmo (AD) e produtos do
sensor TM, a bordo do satélite Landsat-5. No zoneamento climático atualizado do café
arábica, utilizaram-se dados climáticos de 1941 a 2009. Para a análise da mudança na
composição agrícola, utilizaram-se dados de censo de 1990 a 2008, fornecidos pelo
IBGE. A classificação espectral por meio do algoritmo AD, mostrou que as imagens de
sensoriamento remoto obtida pelo satélite Landsat-5, em quatro diferentes anos e
específicas épocas, permitem mapear as áreas ocupadas com as culturas (café, cana-de-
açúcar, milho, soja e feijão) para o estado de Minas Gerais. Os valores das áreas
plantadas, estimadas pelo algoritmo AD, apresentaram boa correlação com os valores
observados pelo IBGE, porém houve uma tendência de superestimativa. Ao comparar as
áreas plantadas estimadas via AD com o IBGE, verificou-se coerência nos resultados
encontrados, com respaldo na literatura. A atualização dos dados para o zoneamento
xvi
climático do café arábica mostrou-se eficiente na delimitação das regiões
climaticamente homogêneas, quanto à capacidade produtiva da cultura do café no
estado de Minas Gerais. As metodologias para a obtenção do banco de dados atualizado
e processamento para a formação da aptidão climática, produtividade e aptidão geral
mostraram-se tecnicamente aceitáveis em relação a zoneamentos já realizados no estado
de Minas Gerais. Verificou-se que as culturas que mais se destacaram em termos de
expansão de área foram cana-de-açúcar, café, soja e feijão, indicando que o estado de
Minas Gerais apresentou dinamismo econômico importante e relativamente homogêneo,
não dependendo exclusivamente do desempenho de um único produto. Recomenda-se
assim que ocorra a difusão das metodologias e técnicas desenvolvidas para o
monitoramento de áreas plantadas no estado de Minas Gerais.
xvii
ABSTRACT
DELGADO, Rafael Coll, D.Sc., Universidade Federal de Viçosa, November, 2010.
Time-space evolution analysis of Minas Gerais crops. Adviser: Gilberto Chohaku
Sediyama. Co-advisers: Marcos Heil Costa and Vicente Paulo Soares.
This work aimed to carry out the spectral classification of planted areas
(coffee, sugarcane, corn, soybean and dry bean crops) by means of the decision tree
classifier (DT), to analyze influence of the climate, soil and terrain relief on Coffea
arabica plantations and change in the agricultural composition by means of the crops
substitution index (SI). For the spectral classification of the planted areas, the algorithm
(DT) and products of the TM sensor, aboard of the Landsat-5 satellite, were used. For
an updated climatic zoning of Coffea arabica plantations, 1941-2009 climatic data sets
were used. To analyze agricultural composition change, 1990-2008 census data,
provided by the IBGE, were also used. Spectral classification by means of DT algorithm
showed that the remote sensing image obtained by the Landsat-5 satellite, in four
different years and specific times, allowed to map the areas occupied by the crops
(coffee, sugarcane, corn, soybean, and dry bean) in the state of Minas Gerais. The
planted areas, estimated by DT algorithm, presented a good correlation with the values
observed by the IBGE, but there was a tendency to overestimate. When comparing the
planted areas estimated via DT algorithm with those observed IBGE data coherence was
verified in the results found and also supported by the literature. The Coffea arabica
climatic zoning update was found to be very efficient in delimiting the climatically
homogenous regions, for the potential coffee yield in the state of Minas Gerais. The
xviii
methodologies to obtain an updated data set and processing of climatic zoning for
Coffea arabica productivity and its suitability were shown to be technically acceptable
compared to the zonings previously carried out in the state of Minas Gerais. The most
outstanding crops in terms of area expansion were found to be sugarcane, coffee,
soybean and dry bean, indicating that the state of Minas Gerais presented an important
economic and relatively homogenous dynamism, not dependent exclusively on the
performance of a single product. Thus, dissemination of the methodologies and
technologies developed is recommended in order to monitor planted areas in the state of
Minas Gerais.
1
1. INTRODUÇÃO
O levantamento da área agrícola é uma informação fundamental no
planejamento agrícola e no planejamento do território como um todo, seja na questão
econômica, agrária, ambiental, ou social. A extensão da área agrícola, além de ser uma
componente no cálculo da produção agrícola do território, é uma variável no cálculo de
impostos, por exemplo.
No Brasil, as estimativas oficiais de produtividade agrícola e área plantada são
realizadas predominantemente de forma subjetiva, por meio de entrevistas aplicadas aos
produtores, informações sobre a venda de insumos, análise de safras passadas,
observação das condições meteorológicas, entre outros, o que não permite uma análise
apurada dos erros envolvidos e dá margem a especulações (RIZZI et al., 2007).
A amostragem tem sido a maneira mais utilizada pelo IBGE (Instituto
Brasileiro de Geografia e Estatística) e CONAB (Companhia Nacional de
Abastecimento) para a estimativa nacional de área agrícola, sendo a forma não-
probabilística a mais utilizada. Contudo, a abordagem amostral probabilística pode ser
uma alternativa para tais estimativas, pois oferece possibilidade de quantificação de
erros e variâncias associadas, além de atender à crescente demanda por resultados
menos subjetivos (EPIPHANIO et al., 2002; ADAMI et al., 2004). Neste sentido, o uso
do sensoriamento remoto (SR) e o sistema de informação geográfica (SIG) permitem a
aplicação de técnicas probabilísticas, amostrais e de mapeamento, e pode oferecer maior
operacionalidade e menor custo de execução para as estimativas de área (GONZÁLEZ-
2
ALONSO et al., 1991; FOOD AGRICULTURE AND ORGANIZATION – FAO,
1996).
As estimativas de áreas agrícolas, por amostragem probabilística, podem ser
realizadas indiscriminadamente para toda a população (Amostragem Aleatória Simples
– AAS) ou de forma separada em subpopulações, que possuem características comuns
entre si (Amostragem Aleatória Estratificada – AAE) (FAO, 1996; LUIZ, 2003). A
AAE tem o propósito de redução da variância da estimativa e, portanto, melhorar a
estimativa como um todo (FAO, 1996). Também, Cochran (1977) justifica as AAE
porque as estimativas geralmente cobrem uma população grande e, portanto, o conjunto
de amostras pode não tender ao requisito de ser normalmente distribuída. Além desses
pressupostos estatísticos, a AAE também pode contribuir na otimização de recursos
humanos, econômicos e de logística, aja vista que a verificação da amostragem é
dirigida em sub-populações.
Segundo Luiz (2003), pode haver duas possibilidades de estratificação no
cenário brasileiro, para estimativas de área agrícola: uma dentro do município e outra
entre os municípios. A primeira é essencialmente do tipo espacial e varia de acordo com
o aspecto da paisagem; a segunda varia segundo o histórico da área agrícola municipal.
No que concerne à estratificação, baseada na paisagem, é reconhecido o potencial que
as imagens de SR têm para a detecção de áreas com maior probabilidade de ocorrência
de culturas agrícolas (FAO, 1996) e, também, com em relação à aplicação de técnicas
probabilísticas, amostrais, e de mapeamento (GONZÁLEZ-ALONSO et al., 1991). No
entanto, dependendo da paisagem, estratificações espaciais, em pequenas áreas, podem
apresentar-se, com padrão fragmentado, dificultando o desempenho da AAE
(TSILIGIRIDES, 1998).
Existem diferentes técnicas de reconhecimento de padrões no SIG e SR, que
podem auxiliar na identificação de áreas, com maior probabilidade de ocorrência e
auxiliar em estratificações espaciais. O uso de multi-atributos, também, pode ser uma
alternativa quando não se dispõe de um adequado número de imagens de SR, ou quando
não é possível obter imagens do período de desenvolvimento vegetativo da cultura
agrícola em questão quando há cobertura de nuvens. Para o tratamento e processamento
de multi-atributos, são aconselháveis técnicas de mineração de dados.
Sob o ponto de vista fisiológico, cada cultura necessita que as condições
climáticas sejam favoráveis durante todo o ciclo vegetativo, isto é, exige determinadas
temperaturas nas várias fases deste ciclo, assim como adequadas quantidades de água,
3
ou de um período seco nas fases de maturação e colheita. O atendimento ou não destas
exigências faz com que uma região seja considerada, em princípio, apta ou inapta para
determinada cultura.
O crescimento de plantas depende da sua constituição genética e das condições
do meio ambiente. Monteith, em 1958, já afirmava que a agricultura é a exploração
racional das condições de clima, especialmente da radiação solar associada com o
suprimento de água e nutrientes para manter o crescimento dessas plantas. Portanto,
para um desenvolvimento racional da agricultura é necessário a escolha do local de
produção para uma dada cultura ou a escolha da cultura para um dado local. Isto é,
devem ser escolhidas as culturas que melhor se adaptem às condições ecológicas do
meio físico, ou conhecer a aptidão agrícola da região para as principais culturas.
Sob esse ponto de vista, a regionalização edafoclimática das culturas agrícolas
é de extrema importância, tanto na implantação quanto no planejamento de atividades
agrícolas, porque a delimitação das regiões edafoclimaticamente homogêneas significa,
não só estabelecer os indicadores do potencial do meio físico e biológico para a região
em estudo, mas também delimitar e registrar as áreas de padrões homogêneos de
atividades agrícolas e dos recursos naturais nela existentes.
A delimitação ou a regionalização de culturas agrícolas em diferentes áreas
climaticamente homogêneas deve ser constantemente atualizada visando obter maiores
informações sobre as condições climáticas das culturas e, sobretudo, proporcionar maior
retorno dos investimentos a médio e longo prazos para os produtores. Há necessidade,
portanto, de estabelecer limites agroclimáticos para o atendimento à adaptabilidade de
novas variedades, bem como a utilização de novas metodologias no delineamento dos
limites climáticos, para atendimento de novas condições de produção e financiamento
(SEDIYAMA et al., 2001).
A regionalização agrícola permite, a partir do conhecimento das variabilidades
climáticas locais (como por exemplo: precipitação e evapotranspiração), definir regiões
de aptidão climática e épocas mais adequadas de semeadura como forma de diminuir os
efeitos causados pela adversidade climática (TEIXEIRA; AZEVEDO, 1996; ZULLO
JÚNIOR et al., 1999; SILVA; AZEVEDO, 2000). É um instrumento valioso, porque
permite aos órgãos de planejamento definir as políticas e programas de atividades
agrícolas.
A proposta de um estudo agroclimático georreferenciado, com a desagregação
e refinamento de dados de clima, no tempo e no espaço, e a sua transformação em
4
informação por meio de modelos matemáticos que consideram as condições
edafoclimáticas e a evolução da produção no espaço e no tempo, fornecem mais uma
gama de subsídios aos formuladores de política pública, na esfera regional, estadual ou
mesmo federal, e também aos tomadores de decisão no âmbito privado.
O georreferenciamento da evolução da agricultura, no tempo e no espaço,
possibilita sustentar, com maior segurança, a assistência técnica e extensão rural, os
programas de pesquisas agrícolas, a instalação de agroindústrias, abertura de novas
áreas para ampliação da fronteira agrícola e, principalmente, servirá como base
científica para operações incluindo crédito rural e seguro agrícola. Possibilita, ainda,
verificar a sustentabilidade da produção em diferentes zonas climáticas.
A utilização do georreferenciamento das áreas agrícolas do Estado de Minas
Gerais, para o estudo da evolução espaço-temporal da agricultura, pode ser muito
eficiente, produzindo resultados de grande utilidade e de boa qualidade. Dessa forma a
utilização de um sistema de informações geográficas (SIG) para elaboração de mapas
temáticos de regionalização edafoclimática das principais culturas agrícolas no Estado
de Minas Gerais pode se revelar de grande utilidade, uma vez que se podem executar
procedimentos diversos a partir de dados básicos e gerar informações georreferenciadas
na definição de áreas propícias ao cultivo de determinadas culturas e a sua evolução
espaço-temporal (ASSAD et al., 1998).
A técnica de sensoriamento remoto aplicada à agricultura é também uma
ferramenta que oferece grandes vantagens, conforme destaca Bastiaanssen et al. (2000),
na obtenção de informações que possibilitam a geração de séries temporais
representados em mapas temáticos da região em estudo, facilitando a comparação entre
elas, isto é, como uma cultura ocupa novas áreas em expansão ou são substituídas por
outras, caso ela esteja ganhando em competitividade.
De acordo com Chuvieco (1996), a identificação das áreas agrícolas nas
imagens de sensoriamento remoto permite quantificar a área e fornecer estimativas
precisas da área plantada em determinada região. Exemplos recentes do uso de imagens
de satélites integradas a um SIG são os trabalhos de mapeamento e estimativa da área de
soja no Estado do Rio Grande do Sul (RIZZI; RUDORFF, 2005) e de cana-de-açúcar no
Estado de São Paulo (RUDORFF et al., 2005).
5
2. OBJETIVOS
2.1. Objetivo geral
Considerando a importância da agricultura na economia mineira, este estudo
teve como objetivos principais avaliar a adequação do algoritmo classificador árvore de
decisão na discriminação e mapeamento do uso do solo de diferentes culturas por meio
de imagens do satélite Landsat-5, analisar a evolução temporal das lavouras no espaço
geográfico do Estado de Minas Gerais e avaliar a sustentabilidade da produção em
diferentes zonas edafoclimáticas homogêneas do Estado.
2.2. Objetivos específicos
• Analisar as principais mudanças ocorridas na distribuição da área plantada na região
de estudo, por meio da técnica árvore de decisão para a classificação do uso do solo,
com ênfase em culturas agrícolas;
• Estudar as mudanças na paisagem promovidas pela expansão da cultura da soja,
cana-de-açúcar, café, milho e feijão, por meio da técnica árvore de decisão, das
variáveis climáticas e do NDVI;
• Elaborar cartas climáticas básicas para delimitação de áreas edafoclimáticas
homogêneas, incluindo os limites municipais, para as regiões do Estado de Minas
Gerais.
6
• Definir as áreas aptas ao cultivo do café arábica, considerando o tipo de solo,
altimétricas, condições climáticas e a característica da cultura;
• Estudar as mudanças na paisagem agrícola no Estado de Minas Gerais, pela análise
da decomposição da variação da área plantada no efeito escala e no efeito
substituição de diferentes culturas.
7
3. REVISÃO BIBLIOGRÁFICA
3.1. A cultura do café
A cafeicultura é uma atividade de grande importância para o cenário
internacional e contribui, em larga escala, para a geração de emprego e de divisas no
país. Os Estados de Minas Gerais, Espírito Santo, São Paulo e Paraná são os maiores
produtores de café no Brasil; o Espírito Santo é o maior produtor de café conillon, e
Minas Gerais, de café arábica.
Em Minas Gerais, Estado que abrange um território de 586.528 km
2
de área, a
cafeicultura cresceu, principalmente depois da década de 1970, quando intempéries
climáticas prejudicaram as lavouras paulista e paranaense, direcionando ainda mais a
produção de café para este estado. Atualmente, a cafeicultura é o principal produto da
agropecuária mineira, tendo grande importância no cenário econômico, político e social
do Estado, sendo grande geradora de empregos diretos e indiretos, fixando o homem ao
campo e evitando o êxodo rural (SOUZA et al., 2009).
Segundo a Conab (CONAB, 2009), a área total cultivada com café (arábica e
conilon) está estimada em 2.350.779 hectares, 0,5% inferior à safra passada, o que
corresponde a uma redução de 11.903 hectares. Desse total, 9,7% (228,2 mil hectares)
estão em formação e 90,3% (2.122,6 mil hectares) estão em produção.
A área total ocupada com a cultura de café totaliza 2.359.124 ha. A área
destinada à colheita em 2010 é de 2.142.346 ha, ligeiramente inferior à estimativa
anterior, de 2.142.541 ha (IBGE, 2010).
8
O café, em inicio de colheita da safra 2010, tem sua produção nacional
estimada em 2.745.893 t, ou 45,8 milhões de sacas de 60 kg do produto em grãos
beneficiados, contra 40,5 milhões de sacas produzidas em 2009. O percentual de
acréscimo da produção em relação a 2009 é de 12,9%. A área destinada à colheita é de
2.142.346 ha. A área total ocupada com a cultura no País decresce 0,3%, constatação
verificada nos Estados de Minas Gerais, Paraná, Rio de Janeiro, Mato Grosso e Mato
Grosso do Sul. O rendimento médio esperado é 1.282kg/ha, 12,5% maior que o obtido
em 2009 (IBGE, 2010).
Segundo IBGE (2010), o acréscimo previsto na produção, em relação à safra
colhida em 2009, é conseqüência, principalmente, da particularidade que apresenta o
café arábica, espécie predominante no País (70%), de alternar anos de altas e baixas
produtividades. O café conilon, por ser mais rústico e cultivado em regiões baixas e
quentes, cada vez mais é plantado sob irrigação, o que faz com que esta característica, já
quase ausente na espécie, passe despercebida. Na Figura 1 é apresentado por regiões, o
comparativo das áreas plantadas com café na safra 2010.
Fonte: Conab (2010).
Figura 1 - Área plantada com café na safra 2010.
Minas Gerais
Espírito Santo
São Paulo
Paraná
Bahia
Rondônia
Mato Grosso
Pará
Rio de Janeiro
Outros
0
20000
40000
60000
80000
100000
120000
140000
Área (Em mil ha)
Regiões
9
3.2. A cultura da cana-de-açúcar
A demanda crescente nos mercados interno e externo por combustíveis
renováveis, especialmente o álcool, atrai novos investimentos para a formação de novas
áreas de cultivo da cana-de-açúcar para indústria. A maioria desses investimentos é
nacional, formada de grupos com larga experiência no setor e que já possuem outras
usinas no Brasil, o que confirma a tendência concentradora do setor canavieira.
Segundo a Conab (CONAB, 2010), a lavoura de cana-de-açúcar continua em
expansão no Brasil. Os maiores índices de aumento de área são encontrados nos Estados
de São Paulo, Mato Grosso do Sul, Goiás e Minas Gerais. Nesses Estados além do
aumento da área cultivada, novas usinas entraram em funcionamento nesta safra,
ficando assim distribuídas: três em Minas Gerais, duas em São Paulo, duas em Goiás e
nos Estados de Mato Grosso, Mato Grosso do Sul e Rio de Janeiro, uma cada.
A área de cana colhida destinada à atividade sucroalcooleira, na presente safra,
está estimada em 8.091,5 mil hectares, distribuída em todos estados produtores. O
Estado de São Paulo continua sendo o maior produtor com 54,35% (4.397,5 mil
hectares) seguido pelos Estados de Minas Gerais com 8% (647,7 mil hectares), Paraná
com 7,5% (607,9 mil hectares), Goiás com 7,4% (601,2 mil hectares), Alagoas com
5,74% (464,6 mil hectares), Mato Grosso do Sul com 4,2% (339,7 mil hectares) e
Pernambuco com 4,1% (334,2 mil hectares). Nos demais Estados produtores as áreas
são menores, mas, com bons índices de produtividade (CONAB, 2010).
De acordo com Veiga Filho (2008), produtos derivados da cana-de-açúcar já
são a segunda maior fonte de energia do Brasil. Segundo o autor, 16% do total de
energia consumido no País são de produtos derivados da cana-de-açúcar, superando a
energia hidráulica e ficando atrás somente do petróleo. O consumo do etanol é um dos
principais responsáveis por esse crescimento, alavancado pelas vendas de veículos
bicombustíveis, que passaram a ser vendidos no país a partir de março de 2003.
Para atender a demanda crescente de etanol é necessário aumentar a produção
de cana-de-açúcar, tanto pelo aumento da área cultivada quanto pelo aumento da
produtividade. Assim, a geração de informações sobre o setor sucroenergético, tais
como o crescimento anual da área cultivada, é importante para as tomadas de decisões
do setor e a consolidação do País na liderança da produção de biocombustíveis.
A safra 2010/11 traz perspectivas otimistas para o setor sucroalcooleiro no que
diz respeito à comercialização dos seus produtos. O mercado para o açúcar continua
10
assegurado já que um dos principais exportadores, a Índia, ainda não recuperou a sua
produção. Deste modo, com as exportações aquecidas, os preços do produto encontram
sustentação em uma demanda mundial latente e um mercado ofertado, principalmente,
pelo produto brasileiro que exporta cerca de 40% da sua produção. Quanto ao etanol, o
Brasil seguirá buscando novos mercados pelo mundo dentro da filosofia de que é um
combustível limpo e renovável. No entanto, o grande foco da produção brasileira
continuará sendo o mercado doméstico. A frota brasileira de veículos flex-fuel conta
com mais de 10 milhões de unidades em circulação, sendo que as vendas mensais destes
veículos respondem por 90% do total comercializado (CONAB, 2010).
Na Figura 2 é apresentado por regiões, comparativo das áreas plantadas com
cana-de-açúcar nas safras 2009/10 e 2010/11.
Fonte: Conab (2010).
Figura 2 - Área plantada com cana-de-açúcar nas safras 2009/10 e 2010/11.
3.3. A cultura do feijão
O cultivo do feijão tem grande importância econômica e social para o Brasil. O
país é o maior produtor mundial do grão que é cultivado predominantemente nas
pequenas propriedades rurais. Além disso, o feijão destaca-se como fonte alimentar,
Norte
Nordeste
Centro-Oeste
Sudeste
Sul
2009/10
2010/11
0
1000
2000
3000
4000
5000
6000
Área (Em mil ha)
Regiões
11
pela presença de proteínas, carboidratos, vitaminas, minerais e fibras (ANTUNES;
SILVEIRA, 2000).
Segundo a Conab (CONAB, 2010), a cultura do feijão vem enfrentando altos e
baixos nos últimos anos. Na safra 2007/08, os preços altíssimos praticados levaram os
produtores a aumentar a área de cultivo e por conseqüência a produção. Com o excesso
do produto colocado no mercado, os preços despencaram levando junto a lucratividade
dos produtores e o desestímulo chegou rapidamente.
Os anos subseqüentes foram de redução de plantio na maioria dos estados,
somente a partir do mês de fevereiro de 2010 é que começou a reação do mercado e o
preço do feijão subiu consideravelmente. A área cultivada com feijão primeira safra foi
de 1.365,4 mil hectares, 3,0% menor do que a safra anterior. Com exceção do Estado de
São Paulo, todos os demais Estados produtores apresentaram redução de área.
Minas Gerais, segundo maior produtor de feijão primeira safra (18,1% do
volume total produzido na safra anterior), teve uma redução de 12,6% em relação à
safra 2008/09. A escassez de chuvas e as altas temperaturas nas fases de floração e
frutificação contribuíram para a redução na produtividade no Noroeste do Estado, região
de maior produção de feijão. Em contrapartida, o excesso de chuvas no Sul de Minas
Gerais, região Central e Zona da Mata, no período de colheita, comprometeu a
qualidade do produto (CONAB, 2010).
Os principais Estados produtores do feijão segunda safra são: Paraná, com
23,79%; Minas Gerais, com 16,83%; Ceará, com 12,42% e Paraíba, com 5,39%.
Estima-se uma área de plantio de 1,7 milhão de hectares, inferior à safra passada em
13,6%, com redução de 268,1 mil hectares. No Estado de Minas Gerais, estima-se
redução de 2,6% na área plantada em relação a safra anterior (CONAB, 2010).
Para o feijão terceira safra, em razão do calendário de plantio e da metodologia
aplicada nas estimativas, foi mantida a área da safra anterior e aplicada a produtividade
média dos últimos cinco anos, descartando-se os anos atípicos e agregando-se um ganho
tecnológico. A produção total do feijão, juntando-se as três safras previstas, está
estimada em 3.838,1 mil hectares, 7,5% menor do que a safra anterior (CONAB, 2010).
Na Figura 3 é apresentado por regiões, o comparativo das áreas plantadas com
feijão total (1ª, 2ª e 3ª safra) 2008/2009 e 2009/2010.
12
Fonte: Conab (2010).
Figura 3 - Área plantada com feijão nas safras 2008/2009 e 2009/2010.
3.4. A cultura do milho
O milho é o principal cereal cultivado no Brasil e no Estado de Minas Gerais,
tanto em área plantada, quanto em produção. O milho tem esse destaque pela sua grande
versatilidade de uso na alimentação humana e animal e na indústria. Do milho obtêm-se
mais de 160 produtos diferentes para aproveitamentos distintos.
A área cultivada com milho primeira safra de 2009/2010 é de 8.036,6 mil
hectares, com redução de 13,3%, em relação à área cultivada na primeira safra
2008/2009, que foi de 9.270,5 mil hectares. Para o milho segunda safra (safrinha), a
área estimada é de 5.050,5 ha (3,0%) maior do que a área cultivada na safra 2008/2009.
A área total cultivada, em todo país, deve ficar em 13.087,1 mil hectares (7,7%) inferior
a área cultivada na safra anterior (CONAB, 2010).
A redução da área cultivada com milho na primeira safra, a nível nacional,
ficou em 1.233,9 mil hectares (13,3%). A diminuição está relacionada com o volume de
produto no mercado e preços praticados abaixo do esperado pelos produtores.
Já a produção do milho deve ficar muito próxima da obtida na safra anterior
devido a recuperação da produtividade do Paraná que até o momento apresenta uma
Norte
Nordeste
Centro-Oeste
Sudeste
Sul
2008/2009
2009/2010
0
500
1000
1500
2000
2500
Área (Em mil ha)
Regiões
13
produtividade média de 7.987 kg/hectare e deve fechar com aproximadamente 7.500
kg/hectare.
A redução prevista de área do milho segunda safra (safrinha), não se verificou,
ao contrário, deve ocorrer um incremento de aproximadamente 3%. A recuperação se
deu no Estado do Mato Grosso que aumentou sua área de plantio em quase 25% em
relação ao mesmo tipo de safra, cultivados em 2008/09. A produção deve aumentar em
1.398,5 mil toneladas (19,5%) (CONAB, 2010).
Na Figura 4 é apresentado por regiões, o comparativo das áreas plantadas com
milho total (1ª e 2ª safra) 2008/2009 e 2009/2010 para as regiões produtoras desta
cultura.
Fonte: Conab (2010).
Figura 4 - Área plantada com feijão nas safras 2008/2009 e 2009/2010.
3.5. A cultura da soja
A soja é uma das culturas que apresenta maior crescimento em área plantada
no segmento agroindustrial brasileiro. Sua expansão e o estabelecimento de fronteiras
agrícolas somente foi possível devido ao desenvolvimento de cultivares com alta
produtividade, ampla adaptação às diferentes condições edafoclimáticas e resistentes a
Norte
Nordeste
Centro-Oeste
Sudeste
Sul
2008/2009
2009/2010
0
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
Área (Em mil ha)
Regiões
14
pragas e doenças (EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA -
EMBRAPA, 2008).
A área cultivada para safra 2009/2010 com a oleaginosa apresentou
crescimento de 6,9%, correspondendo a um ganho de 1,5 milhão de hectares em
relação, a safra anterior, passando para 23,24 milhões de hectares. O maior crescimento
é observado na região Sul, 643,4 mil hectares, sobressaindo-se o Estado do Paraná, com
435,4 mil hectares a mais que a cultivada em 2008/09, seguido do Estado do Rio
Grande do Sul, com aumento de 153,7 mil hectares. A região Centro Oeste apresenta
crescimento de 510,6 mil hectares, com destaque para o Estado de Mato Grosso, com
aumento de 357,3 mil hectares sobre a safra anterior, seguido do Estado de Goiás, com
152,8 mil hectares à maior. Na região Nordeste, a área cresceu 150,0 mil hectares
(CONAB, 2010).
O maior crescimento é observado no Estado da Bahia, com 69,2 mil hectares,
seguido do Estado do Piauí, com a área superior em 63,4 mil hectares. Na região
Centro-Sul, o Estado de Mato Grosso do Sul é a única Unidade da Federação que
apresenta redução na área, justificada pela ampliação dos canaviais para atender a
instalação de novas usinas (CONAB, 2010).
Nesta safra, o comportamento climático vem contribuindo para o bom
desenvolvimento das lavouras. Mesmo com excesso de chuvas e em consequência a alta
umidade em algumas regiões, sobretudo nos Estados do Paraná e Mato Grosso, a
produtividade está estimada em 2.920 quilos por hectare, a maior média já obtida em
nível de País.
Na Figura 5 é apresentado por regiões, o comparativo das áreas plantadas com
soja para as safras 2008/2009 e 2009/2010.
Fonte: Conab (2010).
15
Fonte: Conab (2010).
Figura 5 - Área plantada com soja nas safras 2008/2009 e 2009/2010.
3.6. Sensoriamento remoto
O sensoriamento remoto é a ciência e arte de obter informações sobre um
objeto, área, ou fenômeno através da análise de dados adquiridos a partir de um sistema
que não está em contato com esse objeto, área ou fenômeno sob investigação
(LILLESAND et al., 2007). De acordo com Novo (2008), sensoriamento remoto é a
utilização conjunta de sensores, equipamentos para processamento de dados, entre
outros, com o objeto de estudar o ambiente terrestre por meio do registro e análise das
interações entre a radiação eletromagnética e as diversas coberturas que compõem a
superfície terrestre.
Com o objetivo de estudar o ambiente terrestre, o sensoriamento remoto utiliza
sensores e equipamentos para registro e análise das interações entre a radiação
eletromagnética e as substâncias que compõem a superfície terrestre (NOVO, 2008),
entre elas, as culturas agrícolas. Para tanto, torna-se essencial o conhecimento e a
disponibilização de dados de respostas espectrais de culturas agrícolas, visando alcançar
a compreensão das interações entre a energia eletromagnética solar e a matéria.
Norte
Nordeste
Centro-Oeste
Sudeste
Sul
2008/2009
2009/2010
0
2000
4000
6000
8000
10000
12000
Área (Em mil ha)
Regiões
16
Portillo et al. (2003) afirmam que o sensoriamento remoto fornece um amplo
conjunto de técnicas úteis para caracterizar fenômenos dinâmicos que acontecem nas
áreas agrícolas. Por isso, o progresso e a validação de técnicas de análise multitemporal
são importantes para conduzir conhecimentos necessários à melhoria da utilização do
sensoriamento remoto na área estudada.
Novo (2008) destaca, ainda, que o comportamento espectral dos alvos é de
fundamental importância para extrair informações a partir de dados obtidos pelo
sensoriamento remoto, além da definição de novos sensores, do tipo de processamento a
que devem ser submetidas os dados brutos coletados pelos sensores, ou mesmo na
definição da forma de aquisição desses dados, tais como, freqüência, altura do
imageamento, resolução limite, entre outros. Price (1994) afirma que uma das
dificuldades em estudar o comportamento espectral de espécies agrícola é, ainda, a
pouca disponibilidade de exemplares de cada espécie nas bibliotecas espectrais
disponíveis.
O monitoramento da paisagem de uma dada região é fator primordial no
planejamento racional de utilização das terras, devido, principalmente, à velocidade da
ocupação do espaço físico e ao pouco conhecimento dos seus recursos naturais. Diante
deste quadro, os produtos de sensoriamento remoto orbital têm sido importantes não só
na aquisição primária de informações, como nos inventários e gerenciamento da
paisagem agroflorestal em países de dimensões continentais, como o Brasil
(VENTURIERI; SANTOS, 1998). Com o advento de novos sensores e com a
intensificação da utilização desta tecnologia na agricultura, o desenvolvimento de
técnicas de sensoriamento remoto aplicadas ao estudo dos recursos naturais torna-se
cada vez mais importante (DEMATTÊ; GARCIA, 1999). Existem diversas técnicas de
classificação digital em imagens de satélite, para a finalidade de levantamentos
terrestres, análise e monitoramento da paisagem agroflorestal, todas procurando extrair
o máximo de informações temáticas das imagens, em um menor tempo, quando
comparado aos métodos tradicionais (VENTURIERI; SANTOS, 1998).
3.6.1. Comportamento espectral dos alvos
Existe interação entre a radiação eletromagnética (REM) e os diferentes alvos
(objetos) da superfície da Terra. Esta energia é emitida por ou refletida de feições no
solo e transmitida sob a forma de ondas (Robinson et al., 1995). A radiometria espectral
17
é uma das mais importantes ferramentas do sensoriamento remoto, pois é através de
medidas radiométricas de laboratório ou campo se detecta com qual intensidade cada
material (solo, rocha, vegetação, água) reflete a radiação eletromagnética nos diferentes
comprimentos de onda permitindo explicar e entender como cada um desses objetos irá
aparecer em uma imagem satelitária. Portanto, é necessário entender como interage a
energia contida na radiação eletromagnética com a energia contida nos átomos e
moléculas dos diferentes materiais (alvos) ao incidirem sobre eles (MENESES, 2001).
Quando a energia eletromagnética incide sobre alguma feição da superfície da Terra três
interações fundamentais da energia com essas feições são possíveis. Várias frações da
energia incidente são refletidas, absorvidas e/ou transmitidas. As proporções dessas
interações podem variar para as diferentes feições ou alvos, dependendo do tipo de
material e de condições específicas, como tipo de sensor, condições atmosféricas etc.
Essas diferenças nos permitem distinguir as muitas feições presentes em uma imagem
(LILLESAND et al., 2007).
Devido a essa interação, a energia pode ser absorvida, refletida ou transmitida,
total ou parcialmente e, conseqüentemente, a absorção, reflexão e transmissão (Figura
6) são as três propriedades radiométricas dos objetos (HOWARD, 1991).
Fonte: CCRS (1999).
Figura 6 - Propriedades radiométricas dos objetos: absortância (A), refletância (R) e
transmitância (T).
18
3.6.2. Sensor TM (Thematic Mapper) do Landsat-5
A série Landsat iniciou-se no final dos anos 60, a partir de um projeto
desenvolvido pela Agência Espacial Americana dedicado exclusivamente à observação
dos recursos naturais terrestres. O primeiro satélite da série começou a operar em 1972 e
a última atualização ocorreu em 1999 com o lançamento do Landsat-7. Contudo, a partir
de 2003 o Landsat-7 passou a apresentar problemas, assim, o Landsat-5 tornou-se o
único satélite regularmente em operação (ANDRADE, 2008).
O Landsat-5 foi desenvolvido pela NASA (National Aeronautics and Space
Administration) e lançado em março de 1984. Foi operado inicialmente pela NOAA
(National Oceanic and Atmospheric Administration). Em setembro de 1985, a operação
do Landsat-5 foi passada para uma companhia privada, a EOSAT (Earth Observation
Satellite Company), agora conhecida como “Space Imaging”. Em julho de 2001, o
Landsat-5 foi devolvido com seus arquivos de imagem completos ao Governo dos
Estados Unidos para ser operado pela USGS (United States Geological Survey)
(ANDRADE, 2008). Na Tabela 1 são apresentadas as características orbitais do
Landsat-5.
Tabela 1 - Características orbitais do satélite Landsat-5
Órbita
705 km, sícrona com o sol, quase polar o que
permite cobertura entre 81ºN e 81ºS.
Velocidade 7,7 km/s
Peso 2 toneladas
Largura da faixa imageada 185 km
Resolução espacial 30 m (6 bandas), 120 m (1 banda) no nadir.
Cobertura de repetiação 16 dias
Resolução radiométrica 8 bits
Tempo de obtenção de uma cena 24 segundos
Fonte: Instituto Nacional de Pesquisas Espaciais – INPE (2010).
19
Chander e Markham (2003) relatam que depois de mais de 22 anos de serviço,
o sensor TM do Landsat-5 continua operando bem. Entretanto, o método de calibração
foi degradado com o tempo, com isso, estes pesquisadores apresentam os coeficientes
de calibração atualizados. Além disso, disponibilizaram aos usuários dos dados TM do
Landsat-5, métodos e parâmetros para converter os números digitais (NDs) dos dados
da imagem para informações úteis como: radiância espectral (L
λ
), refletância planetária
ou refletância no topo da atmosfera (TOA) e estimativa da temperatura da superfície
(T
s
). A Tabela 2 apresenta as principais aplicações das bandas do sensor TM (Thematic
Mapper) do Landsat-5.
3.6.3. Árvore de decisão
Existem diferentes técnicas de reconhecimento de padrões em imagens de SR
que podem auxiliar na identificação de áreas com maior probabilidade de ocorrência e
auxiliar em estratificações espaciais. Para abastecer tais técnicas de reconhecimento de
padrão em imagens de SR, o uso da extração de diferentes atributos que vão além do
simples valor do pixel, tais como textura e forma (multi-atributos), tem agregado maior
informação e assim melhorado tais técnicas em imagens de SR (LOCK; KIRCHNER,
1997; OLIVEIRA, 2004). O uso de multi-atributos também pode ser uma alternativa
quando não se dispõe de um adequado número de imagens de SR, ou quando não é
possível obter imagens do período de desenvolvimento vegetativo da cultura agrícola
em questão quando há cobertura de nuvens. Para o tratamento e processamento de
multi-atributos, são aconselháveis técnicas de mineração de dados.
A mineração de dados por árvore de decisão, apesar de ser uma técnica
relativamente nova, é relatada como promissora na análise de dados de sensoriamento
remoto e o interesse pelo uso de métodos de construção e uso de árvores de decisão tem
crescido nos últimos anos (CARVALHO et al., 2004; TSO; MATHER, 2001). A árvore
de decisão utiliza mecanismos de categorização usando divisão hierárquica dos dados,
em que um padrão desconhecido é rotulado usando-se uma seqüência de decisões. Na
aplicação em dados multiespectrais, o desenho da árvore de decisão é baseado no
conhecimento das propriedades espectrais de cada classe e na relação entre as classes
(TSO; MATHER, 2001). Algoritmos de geração de árvores de decisão são considerados
como de mineração de dados (WITTEN; FRANK, 2005a).
20
Tabela 2 - Aplicações das bandas do sensor TM
Bandas
Intervalo
espectral (µm)
Principais características e aplicações das bandas TM do satélite Landsat-5
1 0,45 a 0,52
Apresenta grande penetração em corpos de água, com elevada
transparência, tornando possíveis os estudos batimétricos. Sofre absorção
pela clorofila e pigmentos fotossintéticos auxiliares (carotenóides).
Apresenta sensibilidade a plumas de fumaça oriundas de queimadas ou
atividade industrial. Pode apresentar atenuação pela atmosfera.
2 0,52 a 0,60
Sensibilidade à presença de sedimentos em suspensão, possibilitando sua
análise em termos de quantidade e qualidade. Boa penetração em corpos
de água.
3 0,63 a 0,69
Apresenta bom contraste entre diferentes tipos de cobertura vegetal,
favorecendo a diferenciação de espécies vegetais. Permite o mapeamento
da drenagem através da visualização da mata galeria e entalhe dos cursos
dos rios em regiões com pouca cobertura vegetal. É a banda mais utilizada
para delimitar a mancha urbana, incluindo identificação de novos
loteamentos. Permite a identificação de áreas agrícolas.
4 0,76 a 0,90
Os corpos de água absorvem muita energia nesta banda e ficam escuros,
favorecendo o mapeamento da rede de drenagem e o delineamento de
corpos de água. A vegetação verde, densa e uniforme, reflete muita energia
nesta banda, aparecendo bem clara nas imagens. Possui sensibilidade à
rugosidade da copa das florestas (dossel florestal) à morfologia do terreno,
possibilitando a obtenção de informações sobre geomorfologia, solos e
geologia. Permite a visualização de áreas ocupadas com macrófitas
aquáticas (ex: aguapé). Permite a identificação de áreas agrícolas.
5 1,55 a 1,75
Sensibilidade ao teor de umidade das plantas, servindo para observar
estresse na vegetação, causado por desequilíbrio hídrico. Possui também
sensibilidade à rugosidade do dossel florestal. Permite o mapeamento de
áreas com vegetação queimada e a identificação de áreas agrícolas. Esta
banda sofre pertubações em caso de ocorrer excesso de chuva antes da
obtenção da cena pelo satélite.
6 10,4 a 12,5
Apresenta sensibilidade aos fenômenos relativos aos contrastes térmicos,
servindo para detectar propriedades termais de rochas, solos, vegetação e
água.
7 2,08 a 2,35
Sensibilidade à morfologia do terreno, o que propicia a obtenção de
informações sobre geomorfologia, solos e geologia. Esta banda serve
também para identificar minerais com íons hidroxilas. Potencialmente
favorável à discriminação de produtos de alteração hidrotermal.
Fonte: INPE (2010).
21
A árvore de decisão é um procedimento de classificação, que particiona um
conjunto de dados em subdivisões menores com base em um conjunto de testes
definidos em cada ramo (ou nó) da árvore (FRIEDL; BRODLEY, 1997; PAL;
MATHER, 2003). Assim, uma decisão complexa é dividida em diversas decisões mais
simples, que podem conduzir a uma solução que seja mais fácil de interpretar (XU et al.,
2005). As árvores de decisão são estruturas semelhantes a diagramas de fluxo em forma
de árvore, onde cada nó representa uma decisão sobre um atributo e cada folha
representa uma classe de distribuição (HAN; KAMBER, 2006).
A árvore é composta por um nó raiz (formado por todos os dados), um
conjunto de nós internos (divisões) e um conjunto de nós terminais (folhas) (XU et al.,
2005). Cada nó, em uma árvore de decisão, tem somente um nó “pai” e dois ou mais
nós “descendentes” (FRIEDL; BRODLEY, 1997). Os nós, em uma árvore de decisão,
representam o teste de um atributo em particular. Geralmente este teste compara um
valor de atributo com uma constante, podendo, entretanto existir algumas árvores que
comparam dois atributos entre si ou utilizam alguma fração com um ou mais atributos.
Se um atributo testado é nominal, o número de nós “filhos” é geralmente o número dos
valores possíveis desse atributo. Se for numérico, o teste em um nó geralmente
determina se o seu valor é maior ou menor do que uma constante pré-determinada,
gerando uma divisão em dois sentidos (WITTEN; FRANK, 2005).
Na escolha de um critério de divisão que melhor separa os dados em classes
individuais é utilizada uma “medida de seleção de atributo”, que tem como princípio
obter classes mais puras possíveis. Estas medidas são também conhecidas como “regras
de divisão” porque determinam como os dados, em um determinado nó, serão
particionados. Elas fornecem uma posição para cada atributo descrevendo os dados de
treinamento. O atributo que tiver a melhor pontuação para a medição é escolhido como
o “atributo de divisão” e será o nó raiz da árvore. Este nó é classificado, então, com o
critério de divisão e os “galhos” da árvore são produzidos para cada resultado do
critério, dividindo os dados. Algumas medidas de seleção de atributos conhecidas são
ganho de informação, razão de ganho e índice de Gini (HAN; KAMBER, 2006).
A medida ganho de informação é baseada na teoria da informação de Claude
Shannon, na qual se estuda o valor ou o conteúdo de informação das mensagens. O
atributo com o maior ganho de informação é escolhido como o atributo de divisão do nó
raiz. Este método minimiza a informação necessária para classificar os dados resultando
22
nas divisões dos mesmos e reflete a “impureza” dessas divisões (HAN; KAMBER,
2006).
A razão de ganho é a medida utilizada no algoritmo C4.5, que aplica um tipo
de normalização no ganho de informação usando um valor de “divisão da informação”.
Este valor representa a informação potencial gerada a partir da divisão dos dados de
treinamento. O atributo, com a maior razão de ganho, é selecionado como atributo de
divisão (HAN; KAMBER, 2006).
E, finalmente, o índice de Gini também pode ser utilizado como critério de
divisão. É definido como uma medida da impureza dos dados. Este índice considera
uma divisão binária para cada atributo. O atributo que maximiza a redução da impureza
(ou, de forma equivalente, tem o mínimo índice de Gini) é selecionado como a divisão
desse atributo (HAN; KAMBER, 2006).
A árvore de decisão não assume nenhum modelo estatístico a priori, sendo a
divisão do espaço de atributos feita de acordo com as amostras provenientes do
treinamento (SHIBA et al., 2005). Por possuírem uma estrutura hierárquica, os métodos
de classificação por árvore de decisão são considerados mais simples, porém mais
robustos na interpretação, testes e análise dos resultados (FRIEDL; BRODLEY, 1997).
Para se construir uma árvore de decisão precisa, é necessário obter amostras
representativas das classes desejadas (FRIEDL; BRODLEY, 1997). Após a sua
construção, é importante avaliá-la, o que pode ser realizado por meio da utilização de
dados, que não tenham sido usados no treinamento. Esta estratégia permite estimar
como a árvore generaliza os dados e se adapta a novas situações, podendo, também,
estimar a proporção de erros e acertos ocorridos na construção da árvore.
3.6.4. Algoritmo de poda
Os algoritmos de “poda” (remoção de partes) são geralmente usados para
eliminar os nós “folhas” que foram ajustados por erros nos dados de treinamento
(FRIEDL; BRODLEY, 1997). Árvores “podadas” tendem a ser menores e menos
complexas e, assim, mais fáceis de compreender. São geralmente mais rápidas e
melhores na correta classificação dos dados de treinamento do que as árvores não
podadas (HAN; KAMBER, 2006). A simplificação da árvore envolve a remoção de
partes que não contribuem na acurácia da classificação (PAL; MATHER, 2003).
23
Existem dois caminhos para efetuar a poda da árvore, a pré-poda e pós-poda.
Na primeira opção a árvore é podada descontinuando-se sua construção previamente, ou
seja, não dividindo mais o conjunto de dados (HAN; KAMBER, 2006; WITTEN;
FRANK, 2005). Esta parece ser uma perspectiva atrativa, pois evitaria que todo o
trabalho de desenvolvimento da sub-árvore fosse descartado (WITTEN; FRANK,
2005), além de não desperdiçar tempo na montagem de uma estrutura que não será
usada posteriormente. Este método procura o melhor caminho para dividir o conjunto de
dados com base em critérios como ganho de informação, redução do erro (PAL;
MATHER, 2003) índice de Gini entre outros.
A segunda opção é a abordagem mais comum, a pós-poda, que remove as sub-
árvores a partir de uma árvore completamente “crescida” (HAN; KAMBER, 2006). Os
galhos da sub-árvore selecionada são substituídos por uma “folha” que é nomeada de
acordo com a classe mais freqüente da sub-árvore substituída (WITTEN; FRANK,
2005). O tempo requerido para realizar esta operação é maior, mas este custo é
compensado com os benefícios resultantes de uma maior exploração através de
possíveis partições (PAL; MATHER, 2003).
3.6.5. Uso de árvore de decisão em sensores remotos
A árvore de decisão pode ser utilizada em diversas áreas do conhecimento
quando o objetivo é classificar dados. Na sequência são apresentados alguns trabalhos
que utilizaram esta técnica em dados de sensores remotos.
Friedl e Brodley (1997) utilizaram três tipos de algoritmos de classificação por
árvore de decisão e os avaliaram em três tipos diferentes de dados de sensoriamento
remoto, para mapeamento da cobertura da terra. Os dados utilizados foram: uma série
temporal mensal de imagens NDVI (Normalized Difference Vegetation Index) do
satélite AVHRR (Advanced Very High Resolution Radiometer) de 1987, uma série
temporal de imagens NDVI do mesmo satélite para o ano de 1990 e uma imagem
Landsat Thematic Mapper (TM), com resolução de 30m. Os resultados dessa análise
mostraram que os algoritmos árvore de decisão obtiveram melhor desempenho em
relação aos algoritmos máxima verossimilhança e função discriminante linear com
relação à acuracidade.
Para a predição do risco de infestação por esquistossomose no Estado de Minas
Gerais, Martins et al. (2007) também trabalharam com árvore de decisão. Foram
24
utilizadas 22 variáveis de sensoriamento remoto derivadas do sensor MODIS (Moderate
Resolution Imaging Spectroradiometer) em duas épocas, uma no verão e uma no
inverno, listadas a seguir: bandas azul, vermelho, infravermelho próximo e médio,
índice de vegetação melhorado (EVI), NDVI, índices derivados do modelo espectral de
mistura (vegetação, solo e sombra), variáveis derivadas do SRTM (Shuttle Radar
Topography Mission) como o Modelo Digital de Elevação (MDE) e a declividade e
outras duas com informações hidrográficas, a média de acumulação hídrica (AH1) e a
mediana de acumulação hídrica (AH2), obtidas através de um mapa de acumulação
hídrica. Além dessas variáveis de sensoriamento remoto foram utilizadas mais seis
variáveis climáticas e 16 sócio-econômicas, totalizando 44 variáveis. Para o
processamento dos dados os autores utilizaram o software WEKA. Como resultado
dessa classificação, o coeficiente Kappa apresentou um valor de 51% observando que a
maior confusão foi entre as classes média e baixa, alta e média e muito alta e alta.
Figueiredo e Carvalho (2006) também avaliaram o uso do algoritmo árvore de
decisão para o mapeamento da cobertura da terra em Capixaba, Acre. Foram utilizadas
11 variáveis de sensoriamento remoto obtidas a partir de dados do satélite Landsat-5
sensor TM. As variáveis foram as seguintes: bandas 1, 2, 3, 4, 5 e 7, imagens fração
solo, vegetação, sombra, erro e NDVI. As imagens foram corrigidas geometricamente e
convertidas radiometricamente para refletância. Como resultado, o coeficiente Kappa
apresentou um valor de 0,90, considerado excelente. Em comparação com outros
métodos de classificação, o de máxima verossimilhança apresentou valor semelhante
(0,89). Já, pelo método de classificação não supervisionada Isodata o valor foi inferior
(0,79). Os maiores erros de classificação pela árvore de decisão foram nas classes pasto
alto, pasto baixo e capoeira.
Carvalho et al. (2008) mapearam a Floresta Atlântica da Serra dos Órgãos, RJ
com o algoritmo árvore de decisão para que pudessem integrar de dados de
sensoriamento remoto e modelo digital do terreno (MDT). Utilizaram para esse estudo
imagens do satélite ASTER e fotografias aéreas da região. A imagem ASTER foi
primeiramente classificada e aprimorada com a ajuda da fotografia e posteriormente
essa classificação foi usada como informação junto com o MDT para a árvore de
decisão. As classes delimitadas foram: Agropecuária, Campos de Altitude, Floresta
Ombrófila Densa Alto-Montana, Floresta Ombrófila Densa Montana, Floresta
Ombrófila Densa Sub-Montana, Floresta Secundária e áreas sem vegetação. A imagem
distinguiu ambientes florestais e não florestais e o MDT distinguiu áreas de campos. Os
25
autores afirmaram que a árvore de decisão foi extremamente eficiente para a
classificação de dados oriundos de diferentes sensores. Outro trabalho que também
utilizou a árvore de decisão para a classificação de imagens de sensoriamento foi
realizado por Shiba et al. (2005). Os autores tinham como objetivo testar essa técnica
em comparação com a Máxima Verossimilhança (MaxVer). Os resultados mostraram
que a árvore de decisão teve um tempo de processamento menor (30s) em comparação
com MaxVer (150s). A diferença entre os classificadores foi de 2,21% ou 9841 pixels.
Zagaglia et al. (2007) fizeram o mapeamento de manguezais utilizando árvore
de decisão como método de classificação. Como variáveis utilizaram as seguintes
imagens derivadas do satélite Landsat ETM+: radiância, reflectância, componentes
principais da reflectância, componentes principais da radiância, índice de vegetação
ajustado ao solo (SAVI) e frações solo, vegetação e sombra do modelo de mistura para a
imagem reflectância. As classes definidas foram mangue, apicum e outros. Como
resultado dessa classificação o índice de exatidão global e coeficiente Kappa foram de
84,88% e 0,70 respectivamente.
Dutra et al. (2007) tinham como objetivo definir um modelo de estratos
ambientais visando à recuperação da vegetação ciliar na área marginal do reservatório
da Usina Hidrelétrica do Funil baseado nas características ambientais locais. Utilizaram
como variáveis mapas de uso e ocupação do solo, mapa de declividade e mapa de classe
de solos. Para a modelagem dos estratos de recuperação foi utilizado o algoritmo árvore
de decisão. O coeficiente Kappa obtido foi de 0,94, mostrando a importância dos três
atributos para a modelagem dos estratos.
Silva et al. (2008) procuraram identificar fatores ambientais que contribuíssem
significativamente para a ocorrência de incêndios em áreas de risco. Além de uma
imagem proveniente do satélite Landsat-7 ETM+ os autores utilizaram dados de focos
diários de calor, teores de umidade do material combustível e dados altimétricos. A
árvore de decisão serviu para identificar o grau de importância de cada fator ambiental.
Empregaram-se como indicadores: número e focos de calor, vias de acesso e relevo e
umidade do material combustível. Os autores concluíram que o emprego da árvore de
decisão na hierarquização da importância dos fatores ambientais constituiu um avanço
em relação a procedimentos empíricos adotados na avaliação de áreas sob risco de
incêndios.
Sampaio (2007) utilizou dados temporais de imagens MODIS e índices de
vegetação NDVI e EVI para classificar a cobertura vegetal do Parque Nacional da
26
Chapada dos Veadeiros, testando os algoritmos ISODATA e árvore de decisão. Com os
resultados alcançados a autora conseguiu separar as fitofisionomias mais contrastantes,
cerrado denso e campo.
As Árvores de Decisão têm fornecido melhores acurácias em relação a outros
classificadores mais tradicionais. Apesar disso o uso desta técnica com dados de alta
resolução espacial, como Landsat por exemplo, não tem sido explorado completamente
(COLSTOUN et al., 2003).
3.7. Técnicas de geoprocessamento e sistemas de informações geográficas
Para o manuseio e análise dos dados provenientes de sensores remotos, os
aplicativos mais usados atualmente são os de processamento digital de imagens e os
denominados Sistemas de Informações Geográficas (SIG's). Estes aplicativos são
capazes de armazenar, analisar e localizar espacialmente dados já analisados e tratados
(PIROLI et al., 2002).
O geoprocessamento engloba diversas técnicas de tratamento e manipulação de
dados geográficos, por meio de programas computacionais, do sensoriamento remoto,
digitalização de dados, automação de tarefas cartográficas e pelos SIG's (CARVALHO
et al., 2000).
Os SIG's são, conforme (LIU, 2006; CARVALHO et al., 2000), um modelo
matemático dinâmico, construído com um banco de dados geográficos gerenciados, para
facilitar a atualização e a aplicação de dados georeferenciados de camadas de
informações espaciais no planejamento e na otimização de determinada tarefa. Dados
gerados num SIG podem ser úteis no planejamento e gerenciamento dos recursos
ambientais. Yang (1999), por exemplo, produziu o mapa geomorfológico de parte do rio
Amarelo na China, utilizando imagens Landsat TM (Thematic Mapper) e um Modelo
Digital de Elevação (MDE) gerado em SIG, e concluiu que o modelo poderia ser usado
para o monitoramento da evolução dinâmica do ambiente do delta desse rio.
Modelos digitais de elevação têm sido aplicados na atualização de mapas, tanto
planimétricos como altimétricos, e isto ocorre há muito tempo, como no trabalho de
Masry e McLaren (1979). Miller et al. (1978) também acompanharam as alterações
ocorridas com o tempo em florestas por meio da análise de modelos digitais. Da década
de 70 do século passado até 2010 muito se evoluiu, sendo grande parte dessa evolução
nos modelos digitais de elevação, em especial suas aplicações, devida a evolução do
27
sensoriamento remoto, uma vez que tanto os modelos como as imagens orbitais
constituem dados digitais. Com a idéia de combinar, via superposição, essas duas fontes
de dados, Fleming e Hoffer (1979) procuraram resolver dificuldades na interpretação de
imagens orbitais causadas pelo relevo no mapeamento de tipos de cobertura florestal.
Eles combinaram imagens MSS Landsat com dados topográficos referentes à elevação,
inclinação e orientação direcional (aspecto). Nessa mesma época, Tesche e Bergstrom
(1978), ao lidarem com modelos digitais, recomendaram a combinação desses com
dados relacionados com a cobertura do solo, para facilitar estudos semelhantes de
avaliação de cobertura do solo.
3.8. Classificação climática para o Estado de Minas Gerais segundo o indicador
climático de Thorthwaite e Mather (1955)
Segundo a metodologia proposta por Carvalho et al. (2008), utilizando o
critério preconizado por Thorthwaite e Mather (1955), são apresentadas as descrições
climáticas para o Estado de Minas Gerais (Figura 7).
A região Sul do Estado de Minas Gerais apresenta caracterizações climáticas
do tipo B
2
e B
3
(tipos climáticos úmidos) são as que predominam em grande parte da
região Sul. O clima B
2
ocorre mais ao norte desta região em continuidade com partes da
região do Triângulo Mineiro, Alto São Francisco, Central e Zona da Mata. Fazendo
parte desta região, verifica-se no extremo sul do Estado os tipos climáticos B4 (Úmido)
e A (Superúmido), onde o clima sofre influência da Serra da Mantiqueira.
Na região do Triângulo Mineiro e Alto Paranaíba, em extensão territorial um
pouco superior, há a ocorrência do clima caracterizado como B
1
(Úmido). Em segundo
na ordem de extensão territorial, aparece o tipo climático classificado como B
2
(Úmido),
concentrando-se mais ao centro desta região delimitando-se com as regiões do Alto São
Francisco e Sul. Há a ocorrência também do tipo climático C
2
(Subúmido) em estreita
faixa a nordeste desta região e ainda uma pequena área do clima tipo B
3
(Úmido) ao
extremo sudeste desta região.
28
Fonte: Carvalho et al. (2008).
Figura 7 - Zoneamento climático com base no índice de umidade de Thornthwaite e
Mather para o Estado de Minas Gerais.
Na região Leste, abrangendo de norte a sul e do centro a leste limitando-se com
os Estados do Espírito Santo e Bahia, ocorre o clima tipo C
1
(Subúmido seco). Mais ao
centro em faixa indo do sul ao norte desta região, predomina o tipo climático C
2
(Subúmido) e também em áreas isoladas ao norte, leste e sul. A oeste/sudoeste,
confrontando com a região Central do Estado e a do Vale do Jequitinhonha verifica-se a
ocorrência do clima caracterizado como B
1
(Úmido).
Região do Alto São Francisco, do sul para o norte verificam-se os tipos
climáticos B
2
(Úmido), B
1
(Úmido) e C
2
(Subúmido), sendo o tipo B
1
o que ocorre em
maior extensão territorial. O tipo B
3
(Úmido), também é verificado a sudoeste nesta
região fazendo divisa com as regiões do Triângulo Mineiro e Sul.
De forma semelhante à região do Alto São Francisco, na região Central, do sul
para o norte são predominantes os tipos climáticos B
2
(Úmido), B
1
(Úmido) e C
2
(Subúmido).
29
Para a Zona da Mata, seguindo de sudoeste a nordeste, ocorrem pequenas áreas
com o tipo climático B
4
(Úmido), seguindo com o tipo B
3
(Úmido) e depois com a
caracterização climática B
2
(Úmido) abrangendo faixa central da região indo da divisa
com a região Central até a divisa com o Estado do Rio de Janeiro. Seguindo o mesmo
sentido anterior e atingindo maior extensão territorial, predomina o tipo climático B
1
(Úmido), limitando-se com as regiões Central, Leste e Estados do Espírito Santo e Rio
de Janeiro. Em áreas isoladas e em menor extensão, fazendo divisa com os Estados do
Rio de Janeiro e Espírito Santo e região Leste de Minas Gerais, ocorre o tipo C
2
(Subúmido). Por fim em transição com a região Leste, começa a ocorrer uma pequena
área do tipo C
1
(Subúmido seco).
De norte a sul na região Noroeste, abrangendo extensa área central, predomina
o tipo climático C
2
(Subúmido). A oeste, fazendo divisa com o Estado de Goiás ocorre
uma faixa de tipo climático B
1
(Úmido), assim como no extremo sul desta região. Ao
norte, nordeste e leste ocorre o tipo climático classificado como C
1
(Subúmido seco).
Ao extremo norte da região Norte e do Estado de Minas Gerais verifica-se a
ocorrência do tipo climático D (Semi-árido). Em maior extensão territorial, em toda esta
região, indo de oeste a leste, predomina o tipo climático C
1
(Subúmido seco). Ao longo
da faixa sul desta região, nota-se a ocorrência de clima C
2
(Subúmido) e em três
pequenas áreas isoladas no extremo sul ocorre o tipo climático B
1
(Úmido).
O Vale do Jequitinhonha é uma região de grande diversidade climática
sofrendo influência geográfica do Serra do Espinhaço até o Baixo Jequitinhonha em
divisa com o Estado da Bahia. Mais ao sul desta região encontra-se o tipo climático B
2
(Úmido). Logo acima, abrangendo a região do município de Diamantina, verifica-se o
tipo B
1
(Úmido), seguindo com o clima C
2
(Subúmido) em proporções de áreas
semelhantes. Da região central a nordeste desta região predomina o tipo caracterizado
como clima C
1
(Subúmido seco) abrangendo cerca de 50 % ou mais em área total nesta
região. E, ainda, no extremo nordeste, nota-se a ocorrência do clima D (Semi-árido),
envolvendo municípios como Almenara, Jacinto, Jordânia e Salto da Divisa. Nas
imediações dos municípios de Itaobim, Itinga e Medina, em área menor de ocorrência,
também se verifica esta última condição climática (clima D - Semi-árido).
30
4. MATERIAL E MÉTODOS
4.1. Localização da área de estudo
A área de estudo compreende o Estado de Minas, situado na Região Sudeste do
Brasil, entre os paralelos 14°13'57" e 22°55'22" de latitudes Sul e os meridianos
39°51'23" e 51°02'45" de longitudes Oeste de Greenwich (Figura 8). Na Figura 8 a
mesorregião Jequitinhonha foi a única região não considerada na classificação de área
plantada por árvore de decisão, devido a influência de nuvens e ausência de imagens
para o período de 1990 a 2005.
4.2. Base de dados para classificação espectral por intermédio da árvore de decisão
Os dados de imageamento orbital utilizados para determinar as áreas plantadas
(café, cana-de-açúcar, feijão, milho e soja) compreendem imagens do sensor TM a
bordo do satélite Landsat-5 de 1990 a 2005.
As imagens Landsat são em grande maioria do período seco, em que se verifica
pouca cobertura de nuvens e também foram utilizadas imagens tomadas em outras
estações dos anos em estudo para aferição de eventuais dúvidas quanto à caracterização
das culturas agrícolas em cenários dinâmicos, como também para prover uma base de
dados histórica sobre as culturas existentes na área de estudo.
31
Figura 8 - Mosaico de imagem do sensor TM com a composição RGB (1, 2 e 3) e a
localização geográfica da área de estudo
Quanto ao relevo, utilizaram-se dados gerados a partir de dados de radar,
obtidos de sensores a bordo do ônibus espacial Endeavour, no projeto SRTM (Shuttle
Radar Topography Mission) (Figura 9). Como suporte à interpretação dessas imagens,
foram utilizados dados de censo agrícola de 1990 a 2005, disponíveis no site do
Instituto Brasileiro de Geografia e Estatística, referente à área plantada das culturas
estudadas neste trabalho. Para o processamento dos dados foram utilizados os softwares
ENVI© (RSI) versão 4.3, ERDAS IMAGINE 9.1 e ArcGIS 9.2.
Nas Tabelas 1A a 4A do Apêndice encontram-se a órbita, o ponto, o dia da
passagem do satélite e o censo agrícola nas respectivas mesorregiões do Estado de
Minas Gerais para os anos de 1990 a 2005.
32
Figura 9 - Modelo digital de elevação (MDE) para o Estado de Minas Gerais.
4.1.3. Base de dados para comparação da influência climática e solo na alteração
da área plantada (café, cana-de-açúcar, feijão, milho e soja) no Estado de
Minas Gerais
Foram utilizados dados mensais de precipitação, umidade relativa do ar e
temperatura do Instituto Nacional de Meteorologia (INMET) e dados de precipitação da
Agência Nacional de Águas (ANA) (Figura 10). A série de dados utilizados refere-se ao
período de 1941 a 2009. Na Tabela 5A do Apêndice, encontram-se o ano e o período
estudado de cada estação climatológica.
Nos mapeamentos de campos homogêneos das temperaturas médias, para os
locais desprovidos de dados de temperatura, especialmente com referência aos
municípios de Minas Gerais, utilizaram-se as análises de regressão múltipla, segundo
Sediyama et al. (1998), cujas variáveis envolveram os fatores geográficos, para
possibilitar os traçados das delimitações de áreas homogêneas de temperaturas (Figura
11).
33
Figura 10 - Distribuição geográfica das estações climatológicas utilizadas neste
trabalho.
34
Figura 11 - Distribuição geográfica dos municípios em que foi utilizada a análise de
regressão múltipla para o mapeamento dos campos homogêneos de
temperatura do ar a partir das estações convencionais do INMET
A partir do cálculo das temperaturas médias do ar (máxima e mínima) segundo
Sediyama et al. (1998), utilizou-se o modelo de umidade relativa do ar, proposto por
Delgado et al. (2009), para o mapeamento da umidade relativa do ar.
Para obtenção do mapa temático de aptidão de solo, o mapa temático de
classificação de solo para o estado de Minas Gerais (Figura 12) foi importado do sítio
da Geominas (GEOMINAS, 2010).
35
Fonte: Geominas (2010).
Figura 12 - Classificação de solo para Minas Gerais.
4.3. Algoritmo árvore de decisão
Na classificação pelo algoritmo árvore de decisão foi utilizado um aplicativo de
processamento de imagens, o ENVI©, para a classificação digital. Nesta técnica de
classificação foram utilizadas imagens do sensor TM a bordo do satélite Landsat-5, as
imagens TM são compostas de sete bandas espectrais, sendo que seis bandas são
refletivas e uma termal (banda 6). Informações detalhadas de cada banda, juntamente
com os coeficientes de calibração radiométrica, estão apresentadas na Tabela 3.
36
A radiância espectral dos alvos observados pelo sensor TM são armazenadas
em níveis de cinza, ou número digital, os quais variam de 0 a 255 (resolução
radiométrica de 8 bits) e tendo resolução espacial de 30 m nas bandas refletivas e 120 m
na banda do termal (ANDRADE, 2008).
Nesse processo, uma série de seqüências foi efetuada (Figura 13), através da
equação 1 foi calculado a radiância espectral de cada banda (L
λi
), dada por:
ND
255
LL
LL
minmax
minλi
×
−
+=
(1)
em que ND é o número digital de cada pixel; e os coeficientes L
max
e L
min
são as
radiâncias espectrais máximas e mínimas (Wm
-2
sr
-1
µm
-1
), conforme apresentado na
Tabela 3.
Conforme Chander e Markhan (2003), tratando-se de dados TM, as imagens
cujas datas de aquisição estão compreendidas de 1.º de março de 1984 a 4 de maio de
2003, devem ser utilizados os valores de L
min
e L
max
apresentados na Tabela 3. Caso as
imagens sejam datadas após 4 de maio de 2003, devem ser utilizados os valores de L
min
e L
max
apresentados na mesma Tabela 3.
Posteriormente, calculou-se a refletância monocromática de cada banda (ρ
λi
)
com a equação 2 sugerida por Allen et al. (2002):
rzλi
λi
λi
dcosθE
πL
ρ =
(2)
em que L
λi
é a radiância espectral de cada banda; E
λi
, irradiância solar espectral de cada
banda no topo da atmosfera (Wm
-2
µm
-1
); θ
z
, ângulo zenital solar retirado da informação
do cabeçalho das imagens do sensor TM; e d
r
, distância relativa terra-sol (em unidade
astronômica – UA) (equação 3).
A distância relativa terra-sol foi calculada por meio da equação sugerida por
Allen et al. (2002):
×+=
365
2π
DJ0,033cos1d
r
(3)
em que DJ representa o dia Juliano.
37
Tabela 3 - Descrição das bandas do sensor TM, apresentando os coeficientes de
calibração (L
min
e L
max
) e irradiâncias espectrais no topo da atmosfera, no
período 1.º de março de 1984 a 4 de maio de 2003 e após 4 de maio de
2003
Bandas TM
Comprimento
de onda (µm)
01/03/1984 a 04/05/2003 Após 04/05/2003
L
min
L
max
E
λi
L
min
L
max
E
λi
1 (azul) 0,45 – 0,52 -1,52 152,10 1957 -1,52 193,0 1957
2 (verde) 0,52 – 0,60 -2,84 296,81 1829 -2,84 365,0 1826
3 (vermelho) 0,63 – 0,69 -1,17 204,30 1557 -1,17 264,0 1554
4 (IV-próximo) 0,76 – 0,90 -1,51 206,20 1047 -1,51 221,0 1036
5 (IV-médio) 1,55 – 1,75 -0,37 27,19 219,3 -0,37 30,2 215,0
6 (IV-termal) 10,4 – 12,5 1,2378 15,303 - 1,2378 15,303 -
7 (IV-distante) 2,08 – 2,35 -0,15 14,38 74,52 -0,15 16,5 80,67
Fonte: Chander e Markham (2003).
O Índice de Vegetação da Diferença Normalizada (Normalized Difference
Vegetation Index – NDVI) foi obtido por meio da razão entre a diferença das
refletividades do infravermelho próximo (ρ
IV
) e do vermelho (ρ
V
) e a soma das mesmas
(ALLEN et al., 2002):
VIV
VIV
ρρ
ρρ
NDVI
+
−
=
(4)
Foi aplicada a técnica de classificação de imagens por textura no software
ENVI ©, sendo uma característica importante usada na identificação de objetos ou
regiões de interesse em uma imagem (LOCK; KIRCHNER, 1997). Depois dessa etapa,
os dados da árvore foram utilizados para proceder a classificação digital da imagem no
software ENVI ©. As variáveis foram então inseridas no software e a árvore executada.
As variáveis utilizadas que tomaram parte do modelo foram: seis bandas originais do
sensor TM (1, 2, 3, 4, 5 e 7), MDE, Componentes Principais (CP), medidas de
ocorrência e co-ocorrência (texturas) e NDVI. Todas estas variáveis foram organizadas
em um único arquivo de imagem.
38
Figura 13 - Fluxograma do sistema de processamento das imagens do sensor TM e a
classificação de área por árvore de decisão.
4.4. Análises estatísticas
Objetivando avaliar o desempenho estatístico do método para identificar área
plantada, foram realizadas análises comparativas entre as metodologias propostas com
base nos valores efetivamente medidos (observados). Para o teste dos modelos, foi
adotado o coeficiente de determinação (r
2
). Adicionalmente, foram estimados os
seguintes erros estatísticos: raiz do erro quadrático médio (REQM), erro absoluto médio
(EAM) e o viés médio (VM) (WILLMOTT et al., 2005). As expressões utilizadas para
estimativa do coeficiente de determinação e erros foram:
(
)
( )
∑
=
−
∑
=
−
=
n
1
i
2
O
i
O
n
1i
2
O
i
P
2
r
(5)
39
N
n
1i
i
O
i
P
EAM
∑
=
−
=
(6)
( )
2
1
N
n
1i
2
i
O
i
P
REQM
∑
=
−
=
(7)
(
)
N
n
1i
i
O
i
P
VM
∑
=
−
=
(8)
em que P
i
é o iésimo valor estimado; O
i
, iésimo valor observado;
O
, valor médio
observado; e N, número de pares de dados analisados.
4.5. Espacialização dos dados
A interpolação espacial converte dados de observações pontuais em campos
contínuos. A partir das coordenadas geográficas de cada estação meteorológica, foram
alocadas as estações na área de estudo, no estado de Minas Gerais. Foram gerados
mapas resultantes da interpolação de todas as estações, para cada ano.
A interpolação dos dados de precipitação foi feita através do método de
krigagem ordinária, utilizando-se o software Sistema de Informações Geográficas
ArcGis®, versão 9.2. Foram considerados 16 a 20 pontos mais próximos para
interpolação, através da opção "nearest neighbors" (Caram, 2007). Para os dados de
temperatura e umidade relativa do ar, empregou-se o interolador linear IDW, em que o
peso da célula a ser interpolada é dado por uma média que utiliza o peso dos pontos de
controle mais próximos, ponderados pelo inverso da distância, elevado a um expoente
m
. Foram considerados os 12 pontos mais próximos para interpolação, por meio da
opção "nearest neighbors", e utilizou-se a quarta potência para o cálculo da distância
euclidiana, na opção power (DELGADO, 2009).
40
4.6. Zoneamento edafoclimático do café arábica para Minas Gerais associado ao
potencial produtivo
Para o zoneamento edafoclimático, foram utilizadas as normais climatológicas
do Instituto Nacional de Meteorologia (INMET), dados pluviométricos da Agência
Nacional de Águas (ANA), mapa de solos do sítio Geominas (GEOMINAS, 2010) e o
Modelo Digital de Elevação (MDE), obtidos de sensores a bordo do ônibus espacial
Endeavour, no projeto SRTM (Shuttle Radar Topography Mission). A série de dados
utilizada refere-se ao período de 1941 a 2009.
Os dados de produtividade da cultura do café foram obtidos no IBGE (Instituto
Brasileiro de Geografia e Estatística). Utilizou-se uma série de dados correspondentes
ao período 1990-2008. Calculou-se a média das produtividades (kg ha
-1
) durante os 18
anos, para cada município.
Utilizando-se de recurso computacional e se tendo o tema (nível de formação
de um plano) em formato vetorial dos municípios do Estado de Minas Gerais, em sua
tabela de atributos (identificador qualitativo ou quantitativo do tema) foi acrescentado o
campo produtividade e, neste, os valores médios de produtividade para cada município;
depois, este tema foi convertido para o formato matricial (grid), selecionando-se o
atributo produtividade como valor das células para a geração do mapa temático de
produtividade, o qual foi renomeado para produtividade.
Utilizaram-se as análises de regressão múltipla, segundo Sediyama et al.
(1998), cujas variáveis envolveram os fatores geográficos para os locais desprovidos de
temperatura do ar.
A partir da interpolação dos valores de temperatura, foi possível definir os
limites das regiões climaticamente homogêneas, em forma de mapas georreferenciados.
O mapa de temperatura gerado foi reclassificado, segundo os intervalos de classes de
temperatura proposto por Faria (2002).
Para definir a aptidão do café arábica relativamente à deficiência hídrica,
utilizou-se o balanço hídrico seriado, que resulta da análise conjunta dos dados de
precipitação e temperatura média mensal. Para o cálculo do balanço hídrico seriado,
adotou-se a metodologia segundo Thornthwaite e Mather (1955), para cada estação.
Tomou-se o valor para a CAD (capacidade de água disponível) de 125 mm, por ser
considerado um valor médio para a cultura devido à sua profundidade radicular efetiva.
41
O valor da evapotranspiração potencial climática mensal, em mm, foi estimado
pelo método de Thornthwaite e Mather (1955), inicialmente calculando-se a
evapotranspiração potencial climática não corrigida, isto é, para dias de 12 horas e mês
padrão de 30 dias e, em seguida, multiplicando-se pelo fator de correção, que depende
da latitude e dos meses do ano.
Com os valores de deficiência hídrica anual para cada estação, utilizou-se o
mesmo procedimento para elaboração do mapa da temperatura, e reclassificou-se o
resultado, segundo os intervalos de classes de deficiência hídrica propostos por Faria
(2002).
Os parâmetros de aptidão, por classes de solos para o cafeeiro, utilizados neste
trabalho, foram propostos por Faria (2002). Foram consideradas aptas as áreas que
possuem as seguintes classes de solos: Latossolo Vermelho Amarelo, Latossolo
Vermelho Escuro, Latossolo Una, Latossolo Roxo, Latossolo Ferro, Latossolo Amarelo,
Podzólico Vermelho Amarelo, Podzólico Vermelho Escuro, Podzólico Amarelo,
Podzol, Planossolo, Glei Humico, Terra Roxa Estruturada e Brunizem Avermelhado.
Foram consideradas restritas as áreas que possuem a classe de solo Cambissolo,
enquanto foram consideradas inaptas as áreas que possuem as classes de solos
Arenoquartzosos, Litólicos, Afloramento Rochoso, Aluviais e Represa (Obs.: Sol
1
=
Apta, Sol
2
= Restrita e Sol
3
= Inapta).
O fluxograma de todas as operações envolvidas no processo de manipulação e
execução, culminando nos mapas temáticos de regionalização edafoclimática,
altimétrica e produtividade é apresentado na Figura 14 (Obs.: T
ma
= temperatura média
anual, e D
ha
= deficiência hídrica anual).
Por meio da tabulação cruzada (módulo do Sistema de Informações
Geográficas que gera o conjunto união dos mapas), executada nos mapas temáticos de
temperatura média anual, deficiência hídrica anual, solo e altimetria foi obtido, como
produto final, um mapa temático da regionalização edafoclimática e altimétrica do
cafeeiro para todo Estado de Minas Gerais.
A Tabela 4 traz o mapeamento das faixas com as diferentes limitações e
possibilidades para a cultura do café.
42
Figura 14 - Fluxograma das etapas necessárias à obtenção do mapa de regionalização
edafoclimática e altimétrica do cafeeiro para o Estado de Minas Gerais
4.7. Índice de substituição das culturas agrícolas
Com o objetivo de verificar a evolução geoespacial das culturas, no Estado de
Minas Gerais, assim como a influência do zoneamento edafoclimático do café na
mudança da composição agrícola, analisaram-se as alterações da área plantada mediante
a decomposição nos efeitos escala e substituição e georreferenciaram-se os resultados,
comparando-os com o mapa climático. Obtidos esses índices, foi possível verificar se a
alteração na área ocupada com cada produto foi conseqüência da alteração na área total,
ou se foi devida à substituição de uma atividade por outra.
O modelo permite decompor a alteração da área cultivada de um produto em
relação a outro, em função da variação no tamanho do sistema de produção que
corresponde ao somatório da área cultivada com os produtos plantados na região em
análise (efeito-escala) ou da substituição de um produto por outro, dentro do sistema
efeito-substituição.
MDE Tma Dha SOLOS
CLASSE
ALTITUDE
RECLASSIFICAR
MAPA
ALTITUDE
CLASSE
Tma
RECLASSIFICAR
MAPA Tma
CLASSE
Dha 125
mm
RECLASSIFICAR
MAPA Dha
CLASSES DE
SOLO
RECLASSIFICAR
MAPA DE
SOLO
MAPA FINAL
PRODUTIVIDADE
CLASSE
PRODUTIVIDADE
RECLASSIFICAR
MAPA
PRODUTIVIDADE
43
Tabela 4 - Áreas aptas, inaptas e restritas para a cultura do café
Mapeamento das faixas
Limitações e possibilidades T
ma
(°C) D
ha
(mm) Solo Altitude (m)
0 Inapta 18°C > T
ma
≥ 23°C D
ha
≥ 200 mm Sol
3
Altitude < 500 m
1 Apta 19°C ≤ T
ma
< 22°C D
ha
< 150 mm Sol
1
Altitude ≥ 500 m
2 Restrita pelo solo 19°C ≤ T
ma
< 22°C D
ha
< 150 mm Sol
2
Altitude ≥ 500 m
3 Restrita pela D
ha
19°C ≤ T
ma
< 22°C 150 mm ≤ D
ha
< 200 mm Sol
1
Altitude ≥ 500 m
4 Restrita pela T
ma
18°C ≤ T
ma
< 19°C D
ha
< 150 mm Sol
1
Altitude ≥ 500 m
5 Restrita pela T
ma
e D
ha
18°C ≤ T
ma
< 19°C 150 mm ≤ D
ha
< 200 mm Sol
1
Altitude ≥ 500 m
6 Restrita pela T
ma
e solo 18°C ≤ T
ma
< 19°C D
ha
< 150 mm Sol
2
Altitude ≥ 500 m
7 Restrita pela D
ha
e solo 19°C ≤ T
ma
< 22°C 150 mm ≤ D
ha
< 200 mm Sol
2
Altitude ≥ 500 m
8 Restrita pela T
ma
, D
ha
e solo 18°C ≤ T
ma
< 19°C 150 mm ≤ D
ha
< 200 mm Sol
2
Altitude ≥ 500 m
44
O modelo analítico utiliza a seguinte expressão:
(
)
(
)
i1i2i1i1i1
αAAAαAA
−
+
−
=
(9)
em que, A
i2
– A
i1
representa a variação da área cultivada com uma cultura específica
"i", entre os períodos 2 e 1; αA
i1
-A
i1
, efeito-escala; e A
i2
-αA
i1
, efeito-substituição.
Sendo:
t1
t2
A
A
α =
(10)
∑
=
i
i1t1
AA
(11)
∑
=
i
i2t2
AA (12)
em que,A
i
corresponde à área cultivada com a i-ésima cultura; i = 1, 2,..., n culturas
analisadas; A
t1
, tamanho do sistema no período 1; A
t2
, tamanho do sistema no
período 2 e α é a relação entre A
t2
e A
t1
, que mede a alteração no tamanho do sistema
de produção, durante o período em estudo.
O efeito-escala é dado pela variação na área do produto, apenas pela
alteração no tamanho do sistema, mantendo inalterada sua participação dentro deste.
Se os valores forem positivos, representam tendência de expansão das culturas; se
forem negativos, indicam tendência de contração na produção das culturas dentro do
sistema.
Os valores encontrados no efeito-escala mostram, para cada produto, como
seria o comportamento de cada cultura, se a ampliação ou a contração da área total
fosse distribuída de modo uniforme entre elas.
O efeito-substituição mostra a variação da participação dentro do sistema,
ou seja, refere-se à diferença entre a variação real da área cultivada entre os períodos
em análise, e o efeito-escala; isto, quer dizer que, quando o efeito-substituição for
negativo, por exemplo, não significará, necessariamente, que sua área cultivada tenha
sido reduzida; ela pode, simplesmente, ter-se expandido, porém numa magnitude
menor que à proporcional ao crescimento total da área na região em análise. Isto
significa que, de modo geral, esta cultura teve suas áreas substituídas por outra
cultura, que se expandiu mais que proporcionalmente ao crescimento da área total
45
dentro do sistema. Caso o efeito-substituição apresente sinal positivo, a situação é
simétrica à supracitada. Portanto, as culturas que apresentarem efeito-substituição
positivo, substituíram outras culturas, e aquelas que o apresentarem negativo, foram
substituídas por outras.
O índice de substituição é definido como a razão entre o efeito-substituição
e a variação total da área de cada microrregião em análise. Investiga-se, com esse
índice, a importância do desempenho agrícola em relação à variação da área total do
sistema de cada microrregião, dentro do período estudado.
O índice de substituição é expresso pela seguinte equação,
100
AA
A
A
A
A
IS
t1t2
1
t1
t2
2
−
−
=
(13)
46
5. RESULTADOS E DISCUSSÃO
5.1. Classificação espectral por árvore de decisão
A classificação por árvore de decisão, realizada pelo software ENVI©,
apresentou resultados satisfatórios em termos de correta discriminação das cinco
classes de uso do solo (café, cana-de-açúcar, milho, soja e feijão) quando
comparadas aos dados do censo agrícola do IBGE de 1990 a 2005. Os resultados
para o mapeamento do uso e ocupação do solo foram obtidos com dados do sensor
TM para o estado de Minas Gerais utilizando o software ArcGIS 9.2.
As variáveis foram então inseridas no software e a árvore executada, gerando
a classificação para os anos de 1990 a 2005, conforme Figuras 15 a 22. A estrutura
da árvore formada utilizando o software ENVI© está representada na Figura 23.
Nas Figuras 15a-e, 17a-e, 19a-e e 21a-e temos os mapas para as culturas do
café, cana-de-açúcar, milho, soja, feijão e o mapa resultante das culturas classificadas
para o ano de 1990, 1995, 2000 e 2005 (Figuras 16, 18, 20 e 22) respectivamente. As
áreas em cinza foram as regiões não consideradas na classificação de área plantada
por árvore de decisão, devido a influência de nuvens e ausência de imagens.
Na Tabela 5 têm-se as informações estatísticas relacionadas à estimativa da
área plantada por meio do classificador árvore de decisão e IBGE. Os seguintes erros
estatísticos: raiz do erro quadrático médio (REQM), erro absoluto médio (EAM) e o
viés médio (VM) estão apresentados em hectares.
47
(a)
(b)
Continua...
48
(c)
(d)
Continua...
49
(e)
Figura 15 - Mapa de uso e ocupação do solo pelas culturas café (a), cana-de-açúcar
(b), milho (c), soja (d) e feijão (e) para o ano de 1990.
50
Figura 16 - Mapa temático resultante da classificação das culturas para o ano de 1990.
51
(a)
(b)
Continua...
52
(c)
(d)
Continua...
53
(e)
Figura 17 - Mapa de uso e ocupação do solo pelas culturas café (a), cana-de-açúcar (b),
milho (c), soja (d) e feijão (e) para o ano de 1995.
54
Figura 18 - Mapa temático da classificação das culturas para o ano de 1995.
55
(a)
(b)
Continua...
56
(c)
(d)
Continua...
57
(e)
Figura 19 - Mapa de uso e ocupação do solo pelas culturas café (a), cana-de-açúcar (b),
milho (c), soja (d) e feijão (e) para o ano de 2000.
58
Figura 20 - Mapa temático da classificação das culturas para o ano de 2000.
59
(a)
(b)
Continua...
60
(c)
(d)
Continua...
61
(e)
Figura 21 - Mapa de uso e ocupação do solo pelas culturas café (a), cana-de-açúcar (b),
milho (c), soja (d) e feijão (e) para o ano de 2005.
62
Figura 22 - Mapa temático da classificação das culturas para o ano de 2005.
63
Figura 23 - Regras para a classificação dos dados na árvore de decisão.
O uso de imagens multitemporais adquiridas em períodos específicos ao longo
do ciclo da cultura, aliado ao já comentado problema relacionado à cobertura de nuvens,
reforça a importância de se dispor de satélites de sensoriamento remoto com elevada
freqüência de revisita para viabilizar o uso do sensoriamento remoto em um sistema
rotineiro de levantamento de estatísticas agrícolas. Cabe aqui enfatizar que a resolução
temporal de 16 dias do satélite Landsat-5 não é adequada, pois dificilmente permite
adquirir imagens livres de nuvens em duas datas sobre áreas extensas.
Em nível de mesorregião, para o Estado de Minas Gerais, a estimativa da área
plantada para as culturas (café, cana-de-açúcar, milho, soja e feijão) para o ano de 1990
pelo IBGE foi de 2.572.025,00 ha e pelo mapeamento do Landsat-5 utilizando o
algoritmo (AD) foi de 2.773.873,62 ha, o que corresponde a uma diferença de 201,85
mil ha, ou seja, o levantamento da área plantada com as imagens orbitais foi 7,3%
superior ao levantamento do IBGE nas mesorregiões analisadas. Em 1995 a estimativa
de área plantada foi de 3.436.150,00 ha e pela classificação (AD) foi de 3.472.300,17
ha, correspondendo a uma diferença de 36,15 mil ha, ou seja, 1% superior ao
levantamento do IBGE. Para os anos 2000 e 2005 as estimativas não foram diferentes,
ou seja, foram sempre superiores as estimativas de área plantada realizada pelo IBGE
(8,52% e 3,16%).
64
Rizzi et al. (2005), ao mapear as áreas plantadas com soja no estado do Rio
Grande do Sul, observaram que no município de Palmitinho houve uma diferença de
1.083 ha a menos para a estimativa do Landsat (117 ha), ou seja, 9,2 vezes inferior à
estimativa do IBGE. Exemplo mais drástico ainda é o de Santa Cruz do Sul, onde foram
mapeados apenas 14 ha de soja nas imagens do Landsat, mas o IBGE informa que o
município plantou 900 ha. Rizzi et al. (2005) observaram também diferenças absolutas
muito pronunciadas. Por exemplo, em Júlio de Castilhos a diferença relativa entre
Landsat (60.315 ha) e IBGE (50.000) foi de 17% o que corresponde a 10.315 ha a mais
de soja mapeados nas imagens do Landsat.
Picoli et al. (2009), ao utilizarem o uso de máscaras para o mapeamento das
áreas plantadas com soja no estado de São Paulo, encontraram resultados semelhantes,
onde os valores estimados superaram os valores observados pelo IBGE, para as safras
2003/04 a 2006/07.
Considerando, assim, os dados estimados pela AD e os dados observados pelo
censo agrícola (IBGE), obtiveram-se os gráficos de regressões, com a finalidade de
validar o modelo AD (Figura 24a-d).
Podem-se constatar ótimas correlações no modelo AD, uma vez que apresentou
um valor máximo de r
2
de 0,9923 para o ano de 2005 e um mínimo de 0,9213 para o
ano de 1995.
Valores significantes de r
2
foram encontrados também por Picoli et al. (2009),
onde os valores estimados de área plantada com soja foram analisados em escala
municipal e comparado com os dados do IBGE. A área plantada com soja nos
municípios atingiu um coeficiente de determinação r
2
de 0,83 para a safra 2004, de 0,80
para a safra 2005, de 0,84 para a safra 2006 e de 0,70, ou seja, a área estimada pela
máscara explicou 83%, 80%, 84% e 70% da variância das áreas plantadas com soja nos
municípios do estado de São Paulo nas safras 2004, 2005, 2006 e 2007 respectivamente.
De modo geral, a aplicação do algoritmo AD para determinar a área plantada
das culturas, foram representativos (Figura 24a-d), visto que a maioria dos coeficientes
r
2
encontrados mostra uma precisão aceitável.
65
(a)
(b)
Continua...
y = 0,9809x + 8363,6
r
2
= 0,9615
0
50000
100000
150000
200000
250000
300000
350000
400000
450000
0 50000 100000 150000 200000 250000 300000 350000 400000 450000
IBGE (ha)
Árvore de decisão (ha)
y = 0,9395x + 4880,6
r
2
= 0,9213
0
50000
100000
150000
200000
250000
300000
350000
400000
0 50000 100000 150000 200000 250000 300000 350000 400000
IBGE (ha)
Árvore de decisão (ha)
66
(c)
(d)
Figura 24 - Regressão linear entre as áreas (café, cana-de-açúcar, milho, soja e feijão)
medida (IBGE) e estimada por árvore de decisão (AD) para os anos 1990
(a), 1995 (b), 2000 (c) e 2005 (d).
y = 1,1571x - 5249,7
r
2
= 0,9821
0
50000
100000
150000
200000
250000
300000
350000
400000
450000
500000
550000
0 50000 100000 150000 200000 250000 300000 350000 400000 450000 500000 550000
IBGE (ha)
Árvore de decisão (ha)
y = 1,0256x + 1432,4
r
2
= 0,9923
0
100000
200000
300000
400000
500000
600000
700000
800000
0 100000 200000 300000 400000 500000 600000 700000 800000
IBGE (ha)
Árvore de decisão (ha)
67
Na análise da Tabela 5, a árvore de decisão oscilou nas estimativas das áreas
das culturas estudadas, tendo influência direta do clima e da metodologia adotada pelo
IBGE para Minas Gerais. Para o ano de 1990, a árvore de decisão subestimou os valores
encontrados de área plantada para café e soja segundo a análise estatística do VM
(-255,51 ha e -6755,77 ha), respectivamente, ocorrendo uma superestimativa das outras
culturas consideradas na classificação. No ano de 1995, as culturas do milho e da soja
subestimaram os valores de área plantada, ocorrendo superestimativa para as demais
culturas. Em 2000 as culturas que subestimaram os valores observados foram cana-de-
açúcar e feijão e a superestimativa de área plantada (café, soja e milho). Em 2005 as
culturas que subestimaram as áreas foram café e cana-de-açúcar, as culturas (milho, soja
e feijão) superestimaram as áreas plantadas.
Tabela 5 - Raiz do erro quadrático médio (REQM), erro absoluto médio (EAM) e o viés
médio (VM), área total plantada segundo IBGE e árvore de decisão (AD)
Cultura/Ano REQM (ha) EAM (ha) VM (ha) IBGE (ha) AD (ha)
Café/1990 13215,99 8899,90 -255,51 654293,00 652759,92
Café/1995 14714,71 8959,12 4596,96 819713,00 865672,56
Café/2000 28185,31 14041,00 13689,14 852822,00 948645,99
Café/2005 6816,628 5177,98 -4433,39 155788,00 146921,22
Cana-de-açúcar/1990 21972,33 11220,68 7684,26 217748,00 263853,54
Cana-de-açúcar/1995 11785,04 7623,91 7537,62 234373,00 309749,22
Cana-de-açúcar/2000 4743,94 3144,89 -2633,10 233465,00 215033,31
Cana-de-açúcar/2005 20978,85 18115,35 -10580,48 187656,00 166495,05
Milho/1990 28861,96 24046,81 24046,81 875814,00 1020094,83
Milho/1995 50441,72 31814,47 -11013,20 1356770,00 1246637,97
Milho/2000 35661,62 27581,09 16803,17 931739,00 1049361,21
Milho/2005 27402,54 27085,51 27085,51 512251,00 566422,02
Soja/1990 27926,85 14980,35 -6755,77 555169,00 514634,40
Soja/1995 19986,27 7505,18 -5853,82 593993,00 535454,82
Soja/2000 34522,06 14810,65 11416,86 584219,00 664137,00
Soja/2005 16414,84 14799,34 7101,16 1053823,00 1068025,32
Feijão/1990 15848,24 12001,26 8921,66 269001,00 322530,93
Feijão/1995 15105,63 10684,86 8348,46 431301,00 514785,60
Feijão/2000 9414,08 6109,41 -1031,35 271829,00 264609,54
Feijão/2005 27318,71 23348,86 14182,48 135790,00 164154,96
68
A ocorrência da superestimativa da área total plantada destas culturas para os
anos de 1990 a 2005 (Tabela 5) pela árvore de decisão pode ser atribuída ao decréscimo
dos valores de precipitação correspondente ao período seco na região Sudeste.
5.2. NDVI e a influência climática na classificação espectral das áreas plantadas
em Minas Gerais
A imagem NDVI foi utilizada como um importante atributo no algoritmo
árvore de decisão, auxiliando na divisão do conjunto de dados em subconjuntos mais
homogêneos até a diferenciação entre as classes temáticas.
A Figura 25 mostra os dados de NDVI mínimo, máximo e médio das cenas
estudadas. Para o ano de 1990 nota-se que o NDVI variou de -0,999 para as
mesorregiões Noroeste de Minas e Norte de Minas e com máximo de 0,991 para Central
Mineira. No período analisado o NDVI médio foi de 0,218.
(a)
Continua...
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
Central
Mineira
Noroeste de
Minas
Norte de
Minas
Oeste de
Minas
SulSudoeste
de Minas
Triângulo
Mineiro
Mesorregiões
NDVI
Mínimo Máximo Médio
69
(b)
(c)
Continua...
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
Camp
o
das Vert
e
ntes
Cen
t
ral Min
e
ira
Me
t
rop
o
lit
a
n
a
d
e
B
H
N
o
r
o
e
ste
de Minas
Oeste
d
e M
i
n
a
s
SulSudoeste de Minas
Tr
i
ân
g
ul
o
M
i
n
ei
r
o
Vale do Muc
u
r
i
V
a
le
d
o R
i
o D
o
c
e
Zo
n
a
d
a Ma
t
a
Mesorregiões
NDVI
Mínimo Máximo Médio
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
Campo das Vertentes
Centr
a
l M
i
ne
i
ra
No
r
oe
s
te de Minas
Oe
st
e
d
e
Mi
n
a
s
Sul
Su
doeste de Minas
T
ri
â
n
gulo M
i
neir
o
Zona da Mata
Mesorregiões
NDVI
Mínimo Máximo Médio
70
(d)
Figura 25 - Valores de NDVI mínimo, máximo e médios obtidos de imagens do sensor
TM do Landsat-5, para as mesorregiões em determinadas datas dos anos de
1990 (a), 1995 (b), 2000 (c) e 2005 (d).
A variação máxima e mínima deste índice para o ano de 1995 foram para as
mesorregiões Vale do Rio Doce (0,993) e Noroeste de Minas (-0,999). O valor médio
foi de 0,236.
Valores mínimos foram encontrados no ano de 2000 para as mesorregiões
Campo das Vertentes, Oeste de Minas e Zona da Mata (-0,999), respectivamente. O
máximo valor encontrado foi para o Sul/Sudoeste de Minas (0,997). O valor médio
encontrado para as mesorregiões foi de 0,202.
Para o ano de 2005, apenas duas mesorregiões foram estudadas devido a
influência de nebulosidade e a ausência de imagens. O valor máximo foi encontrado na
mesorregião Noroeste de Minas (0,988) e o mínimo encontrado para o Triângulo
Mineiro (-0,999). O valor médio encontrado para as duas mesorregiões em estudo foi
(0,267).
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
Noroeste de Minas Triângulo Mineiro
Mesorregiões
NDVI
Mínimo Máximo Médio
71
A variação das magnitudes das quedas do valor mínimo de NDVI nas
formações vegetais para os dias da passagem do satélite, responde a diferentes fatores
que correspondem às particularidades fenológicas de cada uma, às condições de
umedecimento da paisagem, à capacidade de absorção d’água no solo, à irrigação das
culturas, dentro outros. Apesar de alguns autores relacionarem o NDVI com a
precipitação, é necessário que se tenha um tempo de resposta deste, como os resultados
encontrados por Almeida et al. (1998), onde foram analisados os valores do coeficiente
de correlação das curvas NDVI versus precipitação, que apresentaram um
comportamento linear e logarítmica, verificando que, para a Amazônia, não se observa
uma diferença grande entre ambas as análises. O que influencia é o tempo de resposta
do NDVI à precipitação. O tempo de resposta de dois meses entre a ocorrência da
precipitação e a resposta do NDVI apresentou melhores resultados de correlação na
maioria dos casos.
É importante destacar, novamente, que quanto mais próximo de “1” for o
índice de vegetação, maior a quantidade de cobertura vegetal verde. Os corpos d’água
não apresentam modificação dos valores ao longo do ano, mantendo sempre constante
os mesmos valores iguais a zero e negativos.
De acordo com os dados do Instituto Nacional de Meteorologia (INMET) e a
Agência Nacional de Águas (ANA), as condições climáticas para o ano de 1990 para as
mesorregiões estudadas, durante os 16 dias anteriores da passagem do satélite,
apresentavam umidades relativas do ar, relativamente, altas. Além disso, a ocorrência de
precipitação, nesse período, para a mesorregião Noroeste de Minas, contribuíram pela
queda da estimativa de área plantada para as culturas do feijão, milho e soja, por meio
da árvore de decisão (Figura 26). Para os 16 dias anteriores a passagem do satélite, as
condições climáticas para o Triângulo Mineiro, apresentavam umidade relativa baixa e
sem ocorrências de precipitações, o que resultaram em superestimativas com os dados
observados para todas as culturas (Figura 26).
Em 1995, durante os 16 dias anteriores da passagem do satélite, para a
mesorregião (Noroeste de Minas), a ocorrência de precipitação contribuiu
significativamente para queda de estimativa de área plantada para cultura do milho
(Figura 26). A mesorregião do Triângulo Mineiro foi a que obteve a maior precipitação
(87,2 mm), as culturas (café, feijão, milho e soja) subestimaram os valores observados
do IBGE. Para esta mesma mesorregião a única cultura que superestimou a área foi a
cana-de-açúcar (Figura 26).
72
(a)
(b)
Continua...
-80000
-60000
-40000
-20000
0
20000
40000
60000
80000
Central
Mineira
Noroeste de
Minas
Norte de
Minas
Oeste de
Minas
SulSudoeste
de Minas
Triângulo
Mineiro
AD - IBGE (ha)
0
5
10
15
20
25
30
35
40
45
Precipitação (mm)
Precipitação (mm) Café (ha) Soja (ha)
Cana (ha) Milho (ha) Feijão (ha)
-160000
-120000
-80000
-40000
0
40000
80000
120000
160000
Campo
d
as
V
e
r
te
n
tes
Central Mineira
M
etropolit
a
na
d
e
BH
N
o
r
o
e
s
te
d
e
Min
a
s
O
es
t
e d
e
M
in
a
s
SulSudoeste de Minas
T
r
iâ
n
g
u
l
o
M
in
ei
ro/Alt
o
Paran
a
íb
a
V
a
l
e do Mucuri
Vale
do
R
io
Doc
e
Z
o
n
a
d
a
M
ata
AD - IBGE (ha)
0
10
20
30
40
50
60
70
80
90
100
Precipitação (mm)
Precipitação (mm) Café (ha) Soja (ha)
Cana (ha) Milho (ha) Feijão (ha)
73
(c)
(d)
Figura 26 - Valores de área plantada (AD) subtraídos dos valores observados (IBGE)
versus precipitação para as culturas (café, cana-de-açúcar, milho, soja e
feijão), para as mesorregiões em determinadas datas dos anos de 1990 (a),
1995 (b), 2000 (c) e 2005 (d).
-100000
-80000
-60000
-40000
-20000
0
20000
40000
60000
80000
100000
Campo das
V
e
r
te
n
t
e
s
C
e
n
t
r
al
M
in
e
ir
a
N
oroes
t
e de Mi
n
a
s
O
e
ste
d
e
M
in
a
s
S
u
lSudo
e
st
e
d
e M
inas
T
ri
â
n
g
u
l
o Mineiro/Alto Paranaíba
Zona da M
a
ta
AD - IBGE (ha)
0
2
4
6
8
10
12
14
16
18
20
Precipitação (mm)
Precipitação (mm) Café (ha) Soja (ha)
Cana (ha) Milho (ha) Feijão (ha)
-40000
-30000
-20000
-10000
0
10000
20000
30000
40000
Noroeste de Minas Triângulo Mineiro/Alto Paranaíba
AD - IBGE (ha)
0
5
10
15
20
25
30
35
40
Precipitação (mm)
Precipitação (mm) Café (ha) Soja (ha)
Cana (ha) Milho (ha) Feijão (ha)
74
Pela Figura 24, para o ano de 2000, a mesorregião Noroeste de Minas foi a
única que, durante os 16 dias anteriores da passagem do satélite, ocorreu precipitação.
As culturas (café e milho) superestimaram os valores observados, já as culturas (cana-
de-açúcar, soja e feijão) ocorreu subestimativa da área plantada.
Apesar dos valores pluviométricos encontrados na mesorregião Noroeste de
Minas para o ano de 2005, as culturas (café, cana-de-açúcar, milho e soja)
superestimaram os valores observados de área plantada, apenas a cultura do feijão
subestimou os dados. A região do Triângulo Mineiro ocorreu subestimativa das áreas
para (café, cana-de-açúcar e feijão) e superestimativa para (soja e milho) (Figura 26).
A discrepância entre os dados pode ser explicada, em parte, em função da
metodologia de avaliação de safras que o IBGE utiliza. Tal metodologia é subjetiva e
consiste em fazer entrevistas com os produtores, cooperativas e associações de
produtores a fim de se estimar os dados de área plantada. Também não são realizadas
visitas a campo para se mapear as propriedades e ter o conhecimento real das lavouras.
O IBGE considera as localidades ou os produtores mais “representativos” para o
levantamento de dados de produção e área. Desta forma, existem possibilidades destes
pequenos produtores ou pequenas propriedades serem desconsiderados no
levantamento. Por outro lado, a discrepância sugere a necessidade de validação em
campo das informações levantadas no mapeamento de forma a inferir quantitativamente
a confiabilidade das entrevistas a partir do parâmetro espacial. Isto tudo é decorrente da
confiabilidade aplicada nas informações fornecidas pelo produtor/informante e por
conseguinte, não há um parâmetro de confiabilidade nesta informação.
Com a disponibilidade crescente de satélites de sensoriamento remoto espera-
se que num futuro próximo os órgãos oficiais responsáveis pelas estatísticas agrícolas se
beneficiem das imagens de sensoriamento remoto para auxiliar no levantamento de
informações objetivas sobre a área plantada com grandes culturas.
5.3. Análise da influência do clima, relevo e solo na alteração da área plantada do
café arábica no estado de Minas Gerais
A apresentação de resultados foi feita, sempre que possível, de maneira usual,
por meio de mapas, procurando-se mostrar os resultados em sua totalidade. Porém, a
análise visual de algumas superfícies de resultados numéricos foi melhorada com a
classificação das imagens em faixas de variação, ou classes. A classificação dos
75
resultados de análise cartográfica ou de geoprocessamento é uma simplificação gráfica,
em pós-processamento, lembrando-se que estes foram obtidos e armazenados na forma
de dados contínuos. Os resultados relativos aos dados de solo são a exceção, uma vez
que estes provêm de mapas apresentados em polígonos, referentes às manchas
uniformes dos tipos de solos.
Não houve qualquer aplicação de interpolações para a geração de figuras em
pós-processamento para o zoneamento do café arábica. Em outras palavras, a
apresentação dos resultados espacializados foi feita célula a célula, em figuras com a
resolução dos dados originais. As figuras de distribuição espacial dos resultados
principais, representando planos de informação do estado de Minas Gerais relacionados
entre si, foram elaboradas sobre uma mesma base geométrica.
Foram confeccionadas representações cartográficas, que constituíram
originalmente o banco de dados. Nas Figuras 9 e 12,
estão apresentados o mapa de
relevo com resolução de 90 m e grupos de solos que deram origem ao banco de dados
de altimetria e profundidade. Nas Figuras 27 a 29
estão apresentados, respectivamente,
os mapas de temperatura média mensal, deficiência hídrica e precipitação média mensal
do estado de Minas Gerais.
Na Figura 27 é apresentado o mapa temático de temperatura média anual para
Minas Gerais. Nesta figura, observa-se que as temperaturas mais baixas são observadas
na região Sul do Estado, onde as altitudes são maiores devido à presença da Serra da
Mantiqueira. As temperaturas mais altas ocorrem nas regiões Norte e Nordeste do
Estado, locais de menores altitudes, latitudes e precipitações. Podem-se distinguir
regiões de temperaturas mais aptas ao cultivo do café e outras menos aptas segundo
critérios de limitações térmicas (Tabela 4).
A geoespacialização da deficiência hídrica anual, no estado de Minas Gerais
(Figura 28), pelo método do balanço hídrico descrito por Thornthwaite e Matter (1955),
revela valores superiores a 2 mm. Os valores mais elevados ocorreram na região mais
baixa (Norte e Nordeste), locais de maiores temperaturas.
Valores pluviométricos mais altos foram encontrados no Sul do Estado, onde
as altitudes são maiores devido à presença da Serra da Mantiqueira, atuando como uma
forçante para precipitação devido à orografia acentuada, em contraposição às regiões
Norte e Nordeste, onde os níveis médios anuais são inferiores a 750 mm (Figura 29).
76
Figura 27 - Mapa representado como campo contínuo de temperatura média anual (
o
C)
para o Estado de Minas Gerais.
Figura 28 - Mapa representado como campo contínuo de deficiência hídrica total anual
(mm) para o Estado de Minas Gerais.
77
Figura 29 - Mapa representado como campo contínuo a precipitação anual (mm) para o
Estado de Minas Gerais.
Com o objetivo de se investigar a influência do clima, do solo e da altimetria
na competitividade do café no estado de Minas Gerais, são apresentadas as faixas de
aptidão pedológica, climática e altimétrica de acordo com a Tabela 4, na Figura 30.
Nas áreas inaptas em vermelho (Figura 31), são regiões que apresentam
deficiências hídricas ou temperaturas baixas, demais ou muito elevadas, para o cultivo
do cafeeiro, ou condições de solo ou altimétrica inaptas, como as regiões Norte e
Nordeste do Estado, o café pode desenvolver-se inadequadamente, apresentando
abortamento floral e formação de “estrelinhas” não sendo, portanto, recomendado o
plantio nessas regiões (SEDIYAMA et al., 2001).
É possível observar que, praticamente, a metade do Estado possui condições
favoráveis à produção de café, são as regiões que apresentam ótimas condições
térmicas, hídricas, edafológicas e altimétricas, abrangendo mais as regiões Central e Sul
(Figura 30, faixa 1).
78
Figura 30 - Zoneamento climático das faixas (0 e 1) do café arábica para o Estado de
Minas Gerais.
Conforme os dados e médias Climatológicas no período de 1941 a 2009, à
exceção do Triângulo Mineiro e Alto Paranaíba, as regiões, Central e Sul, são
relativamente mais chuvosas e apresentam menores índices de evapotranspiração.
As regiões do Triângulo Mineiro e Alto Paranaíba apresentam menores índices
de chuva, porém o déficit médio anual de água no solo não inviabiliza o cultivo do café.
As mesorregiões da Zona da Mata, Metropolitana de Belo Horizonte e
Jequitinhonha são as regiões que apresentam pequenas áreas com condições térmicas,
hídricas e altimétricas ótimas, mas edafológicas restritas (Figura 31 faixa 2).
De acordo com a Tabela 4, verifica-se que na região Sul e parte do Triângulo
Mineiro (Figura 31, em amarelo) existem áreas que possuem temperaturas médias
abaixo da temperatura mínima e acima do recomendável para o cafeeiro,
desfavorecendo o cultivo desta cultura.
Nas regiões onde ocorrem o fator restritivo (faixa 3, Figura 31), o cultivo pode
ser realizado adotando-se técnicas de manejo, como por exemplo a suplementação de
79
água por irrigação, de modo a ajustar a restrição e tornar essas áreas potencialmente
produtivas (SEDIYAMA et al., 2001).
Figura 31 - Zoneamento climático das faixas (2 a 8) do café arábica para o Estado de
Minas Gerais
Das classes que obtiveram sobreposição, foram selecionadas uma
representando regiões aptas (faixa 1), uma inapta (faixa 0) e sete classes de regiões
restritas (2 a 8) (Figura 32).
Para a atualização dos dados e, ou inserção de uma nova cultura para a
realização de um novo mapeamento, é necessário saber quais os critérios de limitação
da planta. Com o banco de dados já montado e dependendo dos atributos exigidos, esse
procedimento é relativamente rápido.
80
Figura 32 - Zoneamento climático da aptidão ao cultivo do café arábica para o Estado
de Minas Gerais.
Diferentemente, dos primeiros zoneamentos do cafeeiro proposto por vários
autores, no presente processo buscou-se, em primeiro lugar, a definição de um banco de
dados mais consistente e de maior abrangência geográfica para o Estado. A utilização de
dados georreferenciados, por meio dos sistemas de informações geográficas,
proporcionou maior segurança no delineamento dos limites climáticos para o
enquadramento das regiões aptas ou inaptas para a cultura do cafeeiro, sendo um passo
de grande importância neste trabalho.
5.4. Potencial produtivo da cultura do café no estado de Minas Gerais
Para se obter as produtividades dentro de cada região do zoneamento climático
realizado na etapa anterior, procedeu-se aos passos seguintes, gerando três novos temas:
multiplicou-se cada um dos temas, apto, restrito e inapto, pelo tema de produtividade,
obtendo-se, então, os três temas de produtividade para cada região delimitada pelo
81
zoneamento climático, os quais foram renomeados para Prod_Apta, Prod_Restrita e
Prod_Inapta. Ressalta-se que os dados médios de produtividade abrangem o intervalo de
500 a 4.000 kg ha
-1
(Figura 33). Fora desta faixa, as células receberam o valor 0 (zero)
sendo reconhecidas como células transparentes; em seguida, com o tema de
microrregiões, criaram-se os contornos das microrregiões do Estado, permitindo sua
sobreposição sobre os temas então gerados; por fim, visualizaram-se esses temas
obtendo-se, desta forma, as produtividades da cultura do café nas áreas limitadas no
zoneamento climático, em todo estado.
Figura 33 - Produtividade de café (kg ha-1) no Estado de Minas Gerais.
82
A Figura 33 apresenta o mapa das classes de produtividade de café para todo o
estado de Minas Gerais. Observa-se que a produtividade varia de 500 a 4.000 kg ha
-1
,
com média de 2.250 kg ha
-1
, a qual é superior a média nacional. Constata-se ainda, que
as regiões com maiores produtividades do café em coco do estado são parte do
Triângulo Mineiro e Noroeste de Minas, com produtividade média em torno de 3.500 kg
ha
-1
. Isto se justifica em razão das características da cafeicultura do cerrado cuja
topografia é menos acidentada, propiciando uso mais intenso da mecanização; além
disso, as lavouras se caracterizam como de grande extensão e, também, a mentalidade
dos cafeicultores, que tem preocupação com a qualidade final do produto, com o uso
intensivo de tecnologia e, consequentemente, a busca por níveis mais elevados de
produtividade.
As regiões Norte, Sul, Zona da Mata e Campo das Vertentes, apresentam
produtividade média em torno de 2.500 kg ha
-1
, considerada razoável, enquanto as
regiões com menores produtividades no estado, concentram-se no Norte e uma pequena
faixa do Triângulo Mineiro, cuja produtividade média varia em torno de 1.200 kg ha
-1
.
As produtividades para a cultura do café arábica, para todo o estado de Minas
Gerais, separadas por regiões, segundo as áreas definidas pelo zoneamento climático,
são apresentadas na Figura 34. Verifica-se que, para a região apta, Prod_Apta, na maior
parte da região a produtividade se concentra entre 1.000 a 2.500 kg ha
-1
. As maiores
produtividades acima de 2.000 kg ha
-1
se concentram nas regiões de Patrocínio e
Uberlândia. Este destaque em produtividade pode ser atribuído ao clima e,
provavelmente, às práticas tecnológicas mais apropriadas à cultura, além do tipo de
solo.
Quanto às produtividades consideradas baixíssimas, entre 800 a 1.000 kg ha
-1
,
aparecem em baixa proporção quanto á área total do estado onde, neste caso, em
situação contrária ao anteriormente comentado, o simples descuido das lavouras
condiciona essas baixas produtividades, apesar da aptidão climática ser favorável ao
plantio do café arábica; por outro lado, o tipo e o manejo do solo e até mesmo a
topografia acidentada destas regiões podem contribuir para o desfavorecimento da
cafeicultura.
Para a região restrita, Prod_Restrita, observa-se que as maiores produtividades
(acima de 2.500 kg ha
-1
) estão adensadas em áreas relativamente pequenas, sendo parte
distribuída na região de Paracatu e Uberlândia.
83
Observando-se ainda, o mapa apresentado na Figura 34, as regiões
consideradas inaptas ao cultivo do café arábica, Prod_Inapta, são relativamente
pequenas, reafirmando, assim a eficiência do zoneamento climático para esta atividade
agrícola. Embora esta região seja tida como inapta, observam-se áreas com
produtividade consideradas altas. Numa pequena área de Araçuaí nota-se, uma alta
produtividade acima de 2.000 kg ha
-1
.
Figura 34 - Produtividades da cultura do café (kg ha
-1
) no Estado de Minas Gerais,
separadas por regiões, segundo o zoneamento climático.
84
5.5. Mudança na composição agrícola e alteração de área plantada no estado de
Minas Gerais no período de 1990 a 2008
Para a análise estático-comparativa da mudança na composição agrícola, foram
utilizados os dados do Censo do IBGE, entre os períodos de 1990 a 2008, para as
mesorregiões localizadas no estado de Minas Gerais. Adotaram-se, como sistema, as
principais culturas plantadas que competiam entre si (café, cana-de-açúcar, milho, soja e
feijão), pressupondo que, no período selecionado, os agricultores poderiam migrar de
uma para outra sem maiores dificuldades.
Para melhor visualização das modificações na composição agrícola da área em
estudo, nas Tabelas 6 a 17 são apresentados os efeitos escala e substituição. Nestas
tabelas, observam-se quais culturas foram substituídas e quais as que tiveram ganhos de
competitividade, em relação ao sistema, para, posteriormente, inferir sobre a influência
climática nas tendências observadas.
Inicialmente, são feitas considerações baseada tanto nas Tabelas 6 a 17, que
apresentam os efeito-escala e efeito-substituição, para as mesorregiões em análise,
quanto nos mapas temáticos das mesorregiões (Figura 35), de modo a propiciar melhor
visualização das modificações na composição agrícola das áreas em estudo, mostrando
quais as culturas mais substituídas e quais as que mais tiveram suas áreas ampliadas
para, posteriormente, inferir sobre os principais fatores responsáveis pelas tendências
observadas.
85
Tabela 6 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião Campo das Vertentes, durante o período de 1990 a 2008
Campo das vertentes
Área cultivada
Variação da
área (ha)
(%)
Efeito escala
(ha)
Efeito
substituição
(ha)
IS
(%)
1990 (ha) 2008 (ha)
Café 23656,00 29174,00 5518,00 23,33 -475,00 5993,57 -262,30
Cana-de-açúcar 1027,00 2720,00 1693,00 164,85 -20,65 1713,65 -75,00
Milho 67461,00 57070,00 -10391,00 -15,40 -1356,00 -9034,80 395,40
Soja 118,00 890,00 772,00 654,24 -2,37 774,37 -33,89
Feijão 21400,00 21523,00 123,00 0,57 -430,21 553,21 -24,21
Total 113662,00 111377,00 -2285,00 -2,01
86
Tabela 7 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião Central Mineira, durante o período de 1990 a 2008
Central Mineira
Área cultivada
Variação da
área (ha)
(%)
Efeito escala
(ha)
Efeito
substituição
(ha)
IS
(%)
1990 (ha) 2008 (ha)
Café 3855,00 412,00 -3443,00 -89,31 33,80 -3476,80 -470,47
Cana-de-açúcar 21545,00 34128,00 12583,00 58,40 188,93 12394,07 1677,14
Milho 43536,00 42450,00 -1086,00 -2,49 381,77 -1467,77 -198,62
Soja 4545,00 3125,00 -1420,00 -31,24 39,86 -1459,86 -197,54
Feijão 10793,00 4898,00 -5895,00 -54,62 94,64 -5989,64 -810,51
Total 84274,00 85013,00 739,00 0,88
87
Tabela 8 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião Jequitinhonha, durante o período de 1990 a 2008
Jequitinhonha
Área cultivada
Variação da
área (ha)
(%)
Efeito escala
(ha)
Efeito
substituição
(ha)
IS
(%)
1990 (ha) 2008 (ha)
Café 29185,00 26207,00 -2978,00 -10,20 -12835,75 9857,75 -17,87
Cana-de-açúcar 13154,00 8874,00 -4280,00 -32,54 -5785,21 1505,21 -2,73
Milho 48592,00 20345,00 -28247,00 -58,13 -21371,07 -6875,93 12,46
Soja 2502,00 1 -2501,00 -99,96 -1100,40 -1400,60 2,54
Feijão 32004,00 14842,00 -17162,00 -53,62 -14075,57 -3086,43 5,59
Total 125437,00 70269,00 -55168,00 -43,98
88
Tabela 9 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião Metropolitana de Belo Horizonte, durante o período de
1990 a 2008
Metropolitana de
Belo Horizonte
Área cultivada
Variação da
área (ha)
(%)
Efeito escala
(ha)
Efeito
substituição
(ha)
IS
(%)
1990 (ha) 2008 (ha)
Café 7448,00 3678,00 -3770,00 -50,62 -3434,97 -335,03 0,45
Cana-de-açúcar 11134,00 10953,00 -181,00 -1,63 -5134,92 4953,92 -6,65
Milho 101344,00 54768,00 -46576,00 -45,96 -46739,15 163,15 -0,22
Soja 598,00 605,00 7,00 1,17 -275,79 282,79 -0,38
Feijão 40942,00 16995,00 -23947,00 -58,49 -18882,17 -5064,83 6,80
Total 161466,00 86999,00 -74467,00 -46,12
89
Tabela 10 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião Noroeste de Minas, durante o período de 1990 a 2008
Noroeste de Minas
Área cultivada
Variação da
área (ha)
(%)
Efeito escala
(ha)
Efeito
substituição
(ha)
IS
(%)
1990 (ha) 2008 (ha)
Café 5983,00 9344,00 3361,00 56,18 4142,23 -781,23 -0,34
Cana-de-açúcar 5376,00 19010,00 13634,00 253,61 3721,98 9912,02 4,30
Milho 98849,00 140949,00 42100,00 42,59 68436,41 -26336,41 -11,43
Soja 189707,00 297070,00 107363,00 56,59 131340,39 -23977,39 -10,40
Feijão 33000,00 97030,00 64030,00 194,03 22846,98 41183,02 17,87
Total 332915,00 563403,00 230488,00 69,23
90
Tabela 11 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião Norte de Minas, durante o período de 1990 a 2008
Norte de Minas
Área cultivada
Variação da
área (ha)
(%)
Efeito escala
(ha)
Efeito
substituição
(ha)
IS
(%)
1990 (ha) 2008 (ha)
Café 3263,00 7945,00 4682,00 143,49 1047,76 3634,24 5,98
Cana-de-açúcar 26490,00 30451,00 3961,00 14,95 8506,00 -4545,00 -7,47
Milho 90003,00 117583,00 27580,00 30,64 28900,17 -1320,17 -2,17
Soja 10465,00 36050,00 25585,00 244,48 3360,34 22224,66 36,55
Feijão 59161,00 58164,00 -997,00 -1,69 18996,73 -19993,73 -32,88
Total 189382,00 250193,00 60811,00 32,11
91
Tabela 12 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião Oeste de Minas, durante o período de 1990 a 2008
Oeste de Minas
Área cultivada
Variação da
área (ha)
(%)
Efeito escala
(ha)
Efeito
substituição
(ha)
IS
(%)
1990 (ha) 2008 (ha)
Café 71936,00 75006,00 3070,00 4,27 8084,79 -5014,79 -22,71
Cana-de-açúcar 5970,00 20652,00 14682,00 245,93 670,96 14011,04 63,45
Milho 87864,00 88552,00 688,00 0,78 9874,91 -9186,91 -41,60
Soja 3194,00 7430,00 4236,00 132,62 358,97 3877,03 17,56
Feijão 27515,00 26921,00 -594,00 -2,16 3092,37 -3686,37 -16,69
Total 196479,00 218561,00 22082,00 11,24
92
Tabela 13 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião Sul/Sudoeste de Minas, durante o período de 1990 a
2008
Sul/Sudoeste de
Minas
Área cultivada
Variação da
área (ha)
(%)
Efeito escala
(ha)
Efeito
substituição
(ha)
IS
(%)
1990 (ha) 2008 (ha)
Café 412737,00 465116,00 52379,00 12,69 20569,16 31809,84 81,24
Cana-de-açúcar 54505,00 49446,00 -5059,00 -9,28 2716,31 -7775,31 -19,86
Milho 226523,00 249320,00 22797,00 10,06 11289,00 11508,00 29,39
Soja 888,00 4285,00 3397,00 382,55 44,25 3352,75 8,56
Feijão 91044,00 56686,00 -34358,00 -37,74 4537,27 -38895,27 -99,33
Total 785697,00 824853,00 39156,00 4,98
93
Tabela 14 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião Triângulo Mineiro/Alto Paranaíba, durante o período
de 1990 a 2008
Triângulo
Mineiro/Alto
Paranaíba
Área cultivada
Variação da
área (ha)
(%)
Efeito escala
(ha)
Efeito
substituição
(ha)
IS
(%)
1990 (ha) 2008 (ha)
Café 156519,00 149610,00 -6909,00 -4,41 87289,35 -94198,35 -17,18
Cana-de-açúcar 103862,00 381804,00 277942,00 267,61 57922,98 220019,02 40,12
Milho 329039,00 424313,00 95274,00 28,96 183502,33 -88228,33 -16,09
Soja 346370,00 520846,00 174476,00 50,37 193167,68 -18691,68 -3,41
Feijão 47488,00 55071,00 7583,00 15,97 26483,66 -18900,66 -3,45
Total 983278,00 1531644,00 548366,00 55,77
94
Tabela 15 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião Vale do Mucuri, durante o período de 1990 a 2008
Vale do Mucuri
Área cultivada
Variação da
área (ha)
(%)
Efeito escala
(ha)
Efeito
substituição
(ha)
IS
(%)
1990 (ha) 2008 (ha)
Café 17148,00 7618,00 -9530,00 -55,57 -8281,40 -1248,60 4,66
Cana-de-açúcar 6397,00 11219,00 4822,00 75,38 -3089,35 7911,35 -29,50
Milho 14710,00 5112,00 -9598,00 -65,25 -7104,00 -2494,00 9,30
Soja 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Feijão 17274,00 4763,00 -12511,00 -72,43 -8342,25 -4168,75 15,55
Total 55529,00 28712,00 -26817,00 -48,29
95
Tabela 16 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião Vale do Rio Doce, durante o período de 1990 a 2008
Vale do Rio Doce
Área cultivada
Variação da
área (ha)
(%)
Efeito escala
(ha)
Efeito
substituição
(ha)
IS
(%)
1990 (ha) 2008 (ha)
Café 76349,00 84127,00 7778,00 10,19 -35659,39 43437,39 -27,89
Cana-de-açúcar 12624,00 11648,00 -976,00 -7,73 -5896,14 4920,14 -3,16
Milho 180224,00 61969,00 -118255,00 -65,62 -84175,02 -34079,98 21,88
Soja 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Feijão 64235,00 19956,00 -44279,00 -68,93 -30001,45 -14277,55 9,17
Total 333432,00 177700,00 -155732,00 -46,71
96
Tabela 17 - Efeitos escala, substituição e índice de substituição (IS) na mesorregião Zona da Mata, durante o período de 1990 a 2008
Zona da Mata
Área cultivada
Variação da
área (ha)
(%)
Efeito escala
(ha)
Efeito
substituição
(ha)
IS
(%)
1990 (ha) 2008 (ha)
Café 175566,00 205861,00 30295,00 17,26 -35859,43 66154,43 -72,12
Cana-de-açúcar 39626,00 29551,00 -10075,00 -25,43 -8093,63 -1981,37 2,16
Milho 150938,00 77412,00 -73526,00 -48,71 -30829,15 -42696,85 46,55
Soja 0,00 300,00 300,00 Sem variação 0,00 300,00 -0,33
Feijão 82956,00 44236,00 -38720,00 -46,68 -16943,80 -21776,20 23,74
Total 449086,00 357360,00 -91726,00 -20,43
97
Considerando um sistema formado por cinco culturas, verifica-se, na Tabelas 6
a 17, uma expansão para as mesorregiões, Central Mineira, Noroeste de Minas, Norte de
Minas, Oeste de Minas, Sul/Sudoeste de Minas e Triângulo Mineiro de 0,88%, 69,23%,
32,11%, 11,24%, 4,98% e 55,77% e contração (Campo das Vertentes, Jequitinhonha,
Metropolitana de Belo Horizonte, Vale do Mucuri, Vale do Rio Doce e Zona da Mata)
de -2,01%, -43,98%, -46,12%, -48,29%, -46,71% e -20,43% na área total cultivada,
destacando-se as mesorregiões Noroeste de Minas e Triângulo Mineiro pelo
crescimento percentual da cultura cana-de-açúcar (253,61% e 267,61%). A área da
cultura que mais decresceu, percentualmente, foi o café (-89,31%) para a mesorregião
Central Mineira, seguido pela soja no Jequitinhonha (-99,96%).
Dentre as principais culturas que apresentaram efeito-substituição positivo
(ganhos de competitividade) nas mesorregiões, destacaram-se o café, a cana-de-açúcar,
o feijão e soja, enquanto o milho teve o sinal do efeito-substituição negativo ou um
valor mais baixo (efeito-substituição positivo) que as de mais culturas.
As modificações na área ocupada pelas pastagens, não foram utilizadas devido
a ausência dos dados. Faria (2002) ressalta que as mudanças nas áreas ocupadas por
pastagens, devem ser analisadas com certo critério, uma vez que não significam,
necessariamente, aumento na competitividade da pecuária, podendo sinalizar abandono
da atividade agrícola, em que ela não é mais viável, ou abertura de novas fronteiras, em
que o rebanho bovino é utilizado como atividade pioneira e desbravadora. Quanto ao
método da coleta de dados, no que tange à consideração do que é ou não pastagem, não
há sensibilidade para verificar a situação real da pecuária. Neste sentido, é mais precisa
a análise que considera o efetivo bovino e suas características de desempenho. À priori,
as expansões das forrageiras revelam, também, tendência para aumento de
competitividade da atividade pecuária perante a agrícola.
Relativamente à alteração do sistema, proporcionalmente, algumas culturas
expandiram-se mais que outras. Verificou-se que a cana-de-açúcar está em crescente
expansão, principalmente na mesorregião (Central Mineira), apresentando um índice de
substituição de (1677,14%), superando as culturas de café (-470,47%), milho
(-198,62%), soja (-197,54%) e feijão (-810,51%).
Como destaque, ressalta-se a expansão positiva das cinco culturas para a
mesorregião (Noroeste de Minas), essas culturas estão em expansão, o que revela que o
crescimento agrícola da região apresentou dinamismo econômico importante e
relativamente homogêneo, não dependente exclusivamente do desempenho de um único
98
produto. Assim, pode-se inferir que a região apresenta desenvolvimento de sua
economia agrícola de maneira diversificada e por isso, mais estável. A estabilidade
aparece porque há redução do risco de grandes prejuízos, seja devido a uma eventual
praga ou doença específica de uma cultura ou, então a uma baixa inesperada dos preços
no mercado (o mercado agrícola é considerado instável pela sua própria natureza). A
presença de uma cesta diversificada de produtos agrícolas, na região, revela as boas
condições edafoclimáticas, podendo inferir também sobre a facilidade que os
agricultores teriam para migrar de uma cultura para outra, sem a necessidade de grande
investimento na busca de tecnologia e, ou capital humano.
Na análise da Tabela 6 e Figura 35, a mesorregião Campo das Vertentes,
apresentou índice de substituição negativo (exceto o milho) em ordem decrescente: o
café (-262,30%), a cana-de-açúcar (-75,00%), soja (-33,89%) e o feijão (-24,21%) com
valores de efeito-substituição de 5993,57, 1713,65, 774,37 e 553,21 ha,
respectivamente. Ressalta-se que, dentre estas culturas, a soja destaca-se, pois, apesar do
índice negativo, foi a cultura que apresentou a maior variação positiva de área plantada
(654,24%), enquanto o milho apresentou um decréscimo de 15,40%, respectivamente. A
cultura do milho é exigente em umidade durante todo o ciclo, principalmente no período
de floração e enchimento de grãos. Atrasos no plantio desta cultura são decorrentes de
escassez de chuvas e baixas temperaturas.
Segundo a Conab (CONAB, 2008), a área cultivada na safra 2008/2009, foi de
9,5 milhões de hectares, com redução de 1,7%. Os principais Estados responsáveis por
esse decréscimo foram: Paraná, Santa Catarina, São Paulo, Goiás, Mato Grosso e Mato
Grosso do Sul. Já os estados do Rio Grande do Sul e Minas Gerais sinalizaram
crescimento de áreas, porém, insuficiente para compensar as reduções em outras
regiões. Os preços do milho praticado no mercado, frente aos elevados custos de
produção têm motivado esta redução. A elevada oferta com os recordes de safra normal
e safrinha, aliado às frustrações das estimativas de exportação, fizeram com que os
preços atrativos até então recuassem a níveis abaixo dos atuais custos produtivos que
seguem uma trajetória inversa, desenhando um cenário de incertezas quanto ao
resultado da próxima colheita. Somando-se a esses fatores as restrições ao crédito de
uma parte significativa de produtores, tem contribuído para a redução da área a ser
plantada. No Paraná, principal Estado produtor do milho, as condições climáticas
apresentadas (escassez de chuvas e baixas temperaturas) têm provocado um leve atraso
nos plantios. Cerca de 50% das áreas estavam semeadas, encontrando-se nos estádios de
99
germinação e desenvolvimento vegetativo. Já em Minas gerais, segundo maior produtor,
na maioria dos municípios o solo ainda encontrava-se com baixos índices de umidade, e
os preparativos para o plantio estavam em fase inicial com as condições climáticas
atuais, caracterizando-se pelo início do período de chuvas.
Na região Central Mineira, foram encontrados valores negativos de (IS) para as
culturas do café (-470,47%), milho (-198,62%), soja (-197,54) e feijão (-810,51%).
Nesta região, a cultura da cana-de-açúcar destaca-se, pois, tanto a variação da área
plantada, quanto o efeito-substituição, foi a cultura que obteve o maior IS (1677,14%)
(Figura 35). A cana-de-açúcar apresenta melhor comportamento nas regiões quentes. O
clima ideal é aquele que apresenta duas estações distintas, uma quente e úmida, para
proporcionar a germinação e o desenvolvimento vegetativo, seguido de outra fria e seca,
para promover a maturação e consequentemente acúmulo de sacarose nos colmos. As
poucas chuvas que ocorrem nas regiões produtoras de cana-de-açúcar em Minas Gerais
são insuficientes para garantir o bom crescimento da cana para safra posterior. Chuvas
significativamente acima da média nos principais centros de produção favorecem o
desenvolvimento dos canaviais, mas atrapalham a colheita da safra.
O setor sucroalcooleiro passa por um momento de grande expectativa em torno
do seu desenvolvimento. A demanda mundial por fontes de energia renováveis esquenta
o mercado e desperta o interesse dos investidores que vêem no Brasil a possibilidade de
que este país seja o novo fornecedor mundial de energia, assim como acontece com a
Arábia Saudita, no caso do petróleo. Diante de toda esta especulação o setor se mostra
forte e em plena expansão no país. Acredita-se que o crescimento do setor se dará em
detrimento da produção de grãos, o que poderia levar a problemas de abastecimento.
Diante deste cenário, a produção mundial de cana-de-açúcar vem crescendo a
cada ano e o Brasil desponta com esta alternativa à produção de bioenergia, limpa e
renovável, com baixos custos de produção, clima e topografia favorável, tornando-se
competitivo no mercado mundial. A produção de etanol já é a segunda maior, ficando
atrás apenas dos Estados Unidos que utilizam o milho como matéria-prima. No entanto,
os Estados Unidos não são auto-suficientes e responderam por mais de 50% das
exportações brasileiras em 2006. Há programas de adição de uma pequena porcentagem
de álcool à gasolina em vários países, o que cria um grande mercado potencial para o
etanol.
Segundo a Conab (CONAB, 2008), o primeiro levantamento em abril de 2008,
as excelentes condições climáticas registradas, nas regiões canavieiras, bem como os
100
elevados investimentos feitos pelo setor sucroalcooleiro no melhoramento tecnológico
das unidades de processamento; na introdução de novas variedades mais produtivas da
cana e a instalação de sistema de irrigação, permitiram um ótimo desempenho na safra
2008/09. Desta forma, ocorreu um crescimento regional entre 2,3 e 5,2 milhões de
toneladas da produção de cana, com um aumento proporcional para fabricação de
açúcar e de álcool variando de 1,95% a 6,23% e 5,70% a 10,52%, respectivamente.
Para a região centro-sul, que inclui os Estados da região sudeste, sul e centro-
oeste, cuja participação está próxima de 90,0% do total nacional, os resultados
indicaram um aumento de 12,46% a 16,75% no volume da cana a ser processada. Desse
total, 42,78% foi destinado à fabricação de açúcar e 57,22% à produção de álcool, em
relação ao ponto médio. O desempenho dos estados revelou que na região centro-sul, o
crescimento da produção ocorreu em praticamente todos os Estados, com ênfase
naqueles circunvizinhos ao estado de São Paulo, ou seja, Paraná, Minas Gerais, Goiás e
Mato Grosso do Sul. Para os principais produtos derivados da cana-de-açúcar, o açúcar
e o álcool, para esta safra observou-se a tendência de expansão mais acentuada para o
álcool que para o açúcar. Neste sentido, a produção açúcar para o País, como um todo,
atingiu 33,87 milhões de toneladas, com um crescimento percentual de 12,41%. Apesar
deste considerável crescimento, este produto ficou muito abaixo para a produção de
álcool que teve um crescimento de 19,46% e 27,49 bilhões de litros. Esses números
confirmam uma safra mais alcooleira. A composição deste diferente desempenho da
produção mostra, como já havia ocorrido na safra passada, a intensidade do aumento do
consumo doméstico e das perspectivas do comércio externo deste produto. Os dados
indicam que a produção do álcool hidratado deverá continuar crescendo à taxas muito
maiores que do álcool anidro em decorrência do expressivo aumento da frota nacional
de veículos do tipo ‘flex-fuel’, que pode usar tanto o álcool, como a gasolina ou
qualquer combinação de ambos como combustível, e cuja venda mensal representa 85%
dos veículos novos e está próxima de 200 mil unidades, com previsão de crescimento ao
longo do ano. A frota em circulação já ultrapassou o número de 5,0 milhões de unidades
e o álcool hidratado tem tido a preferência dos consumidores em face do menor custo
por quilômetro rodado que ele oferece, comparativamente ao seu sucedâneo, a gasolina.
Na análise da Figura 35, a maior área plantada ainda é o milho na mesorregião
Central Mineira, mas a cana-de-açúcar avança, pois tem efeito-substituição de área
superior e (IS) que as culturas do sistema.
101
As culturas café e cana-de-açúcar, para o Jequitinhonha, apresentaram valores
negativos de (IS): (-17,87%) e (-2,73%), respectivamente. Constata-se que apesar dos
valores negativos de (IS) para as culturas do café e cana-de-açúcar, o efeito-substituição
ainda é relevante, visto que, são as únicas culturas a terem valores positivos deste
(9857,75), (1505,21) ha, respectivamente.
Na Tabela 9, verifica-se que apenas a cultura da soja teve uma variação
positiva (1,17%) na área plantada e efeito-substituição de (282,79 ha). Apesar de
valores negativos de variação de área plantada (-1,63%) e (IS) de (-6,65%), a cana-de-
açúcar, destaca-se por apresentar o maior efeito substituição nessa mesorregião (4953,
92 ha), respectivamente.
Os dados da Tabela 10 indicam um desempenho excepcional para todas as
atividades, com aumento de 253,61% na área plantada de cana-de-açúcar e feijão
(56,59%). A cultura que mais se destacou nessa região foi o feijão com efeito-
substituição de 41183,02 ha, correspondendo ao melhor índice de substituição (17,87%)
das culturas que compõem o sistema (Figura 35). Para plantar feijão com êxito
comercial, a escolha da área onde será plantada a cultura é de importância fundamental.
Por isso, deve-se preferir áreas que tenham outono e primavera mais ou menos longos,
suficientes para completar o ciclo do feijoeiro, não se prestando aquelas em que o verão
e o inverno sejam muito rigorosos, isto é muito quente ou muito frio.
Precipitações mais ou menos 100 mm na época do plantio e do crescimento do
feijão são ideais para a cultura. A temperatura ideal para a planta se situa entre 10 e
25ºC, embora a cultura da leguminosa também possa ser feita em temperaturas acima de
35ºC, escolhendo-se variedade adequada sob regime de irrigação. As temperaturas
muito altas são prejudiciais ao feijão, razão pela qual se desaconselha o seu plantio nos
meses de novembro e dezembro na região Sul do país.
A cultura do feijão é praticada em aproximadamente 100 países, tendo elevado
número de espécies e variedades, o que dificulta uma análise comparativa no tocante à
qualidade e aos índices de produtividade. A pouca importância comercial do produto, no
âmbito mundial, aliada à falta de real conhecimento do seu mercado, e ao pequeno
consumo entre os países do primeiro mundo, limita a expansão do comércio
internacional, tornando-o de pouca expressão, uma vez que quase todos os países
produtores são também grandes consumidores, e desta feita, pequeno é o excedente
exportável, fato que gera um comércio internacional bastante restrito. No que se refere à
preferência por tipos, variedades e classes, os hábitos alimentares são bastante
102
diversificados entre os países, e mesmo entre regiões de um mesmo país. No Brasil, o
consumo do feijão-preto se concentra nos Estados do Rio de Janeiro e Rio Grande do
Sul, sendo que, para o Rio de Janeiro se destina a maior parte das importações da
Argentina. Em menor escala, o consumo também abrange os Estados do Paraná, Santa
Catarina e Espírito Santo. O feijão-cores, por sua vez, tem o consumo concentrado nos
Estados centrais, e em parte do Paraná e de Santa Catarina, enquanto o feijão macaçar é
de consumo típico da Região Nordeste.
Segundo a Conab (CONAB, 2008), apesar dos altos preços dos insumos
(adubos, sementes, combustível) que, conseqüentemente, elevam os custos de produção,
aliados ao risco inerente à cultura que é um fator que ainda pesa na hora do plantio
(condições climáticas e de mercado, ocorridos em safras passadas), os bons preços
obtidos no mercado recentemente têm sido a motivação para esse crescimento,
complementados pelos reajustes nos preços mínimos do governo federal.
As precipitações ocorridas na região Centro-Sul beneficiaram as áreas já
semeadas, trazendo a umidade necessária para a condução do preparo do solo e plantio
do restante das áreas do feijão das águas. As chuvas regulares, a partir de outubro,
favoreceram o desenvolvimento das lavouras.
No Paraná, principal Estado produtor, é apontado o maior crescimento de área
em percentual entre 18,0% e 23% e absoluto de 51,6 ha a 65,9 ha. O plantio da primeira
safra, ou “das águas”, é o mais importante, sendo compreendido entre agosto e o início
de dezembro. Das áreas, estão semeadas 53% com cerca de 35% em germinação e 57%
em desenvolvimento vegetativo. Na região, nota-se um leve atraso no plantio em função
das baixas temperaturas e do atraso do inicio das chuvas.
Em Minas Gerais, segundo maior produtor, estima-se um crescimento de 4,0%
a 6,0% de área em relação à safra passada. A grande maioria das áreas encontra-se na
fase de preparo de solo.
No Norte de Minas, destacam-se as culturas do café e soja que apresentaram os
melhores índices de substituição (IS) 5,98% e 36,55%, respectivamente (Figura 35). A
soja foi a cultura que mais competiu com o sistema, ou seja, efeito-substituição positivo
de 22224,66 ha. Embora seja planta originária de clima temperado, a soja adapta-se bem
em uma ampla faixa de outros climas. Assim seus cultivares aclimatados vai muito bem
nos climas tropical e subtropical.
As temperaturas médias, ótimas para melhor desenvolvimento da soja, estão
entre 20 a 35ºC. Acima ou baixo dessas temperaturas, há o aparecimento de distúrbios
103
fisiológicos, especialmente no que se refere à floração e ação dos nódulos nas raízes.
Precipitações pluviométricas anuais de 700 a 1200 mm, bem distribuídas, preenchem
perfeitamente suas necessidades em água.
No panorama internacional a cultura da soja, indica um crescimento
significativo e contínuo da produção, em conseqüência, principalmente, do aumento nos
principais Países produtores (EUA, Brasil e Argentina). Salienta-se também que a
cultura vem apresentando investimentos maciços na pesquisa de cultivares adaptados à
região, voltados para as exigências do mercado externo, sendo seus preços cotados,
internacionalmente, em patamares mais elevados.
Não há controle de preços nem a possibilidade de intervenção negativa do
governo no mercado interno da soja, uma vez que esta não participa diretamente da
cesta da população de baixa renda. A soja foi a cultura que mais se beneficiou das
vantagens da modernização movida pelo farto crédito, bem como de apoio (assistência
técnica, pesquisa, investimento) por planos específicos voltados para o desenvolvimento
da região.
Segundo a Conab (CONAB, 2008), o levantamento das safras de 2007/08,
atingiu 60,02 milhões de toneladas, sendo considerada recorde. Esta produção deveu-se
ao aumento da área plantada, motivado pelos bons preços do produto e pela expectativa
futura de mercado no momento da implantação da cultura, aliados às boas condições
climáticas ocorridas durante todo o ciclo da lavoura, para a maioria dos Estados
produtores e pelo alto nível tecnológico usado, principalmente, no combate às pragas e
às doenças como a ferrugem asiática, que nesta safra foi de menor intensidade devido ao
vazio sanitário realizado em vários estados (proibição do cultivo da soja no período da
entressafra, junho a setembro) e ao maior controle preventivo de outras doenças
fúngicas.
Para a mesorregião Oeste de Minas, destacam-se, neste processo, a soja e cana-
de-açúcar como principais atividades desta região, apresentando (IS) de 17,56% para a
soja e 63,45% para cana-de-açúcar (Figura 35).
As mesorregiões Sul/Sudoeste de Minas e Triângulo Mineiro/Alto Paranaíba
apresentaram (IS) de 81,24% para o café no Sul/Sudoeste de Minas e (IS) de 40,12%
para cana-de-açúcar no Triângulo Mineiro/Alto Paranaíba (Figura 35).
Apesar dos valores negativos de (IS) -29,50% para cana-de-açúcar, verifica-se
um efeito-substituição positivo para esta cultura, no Vale do Mucuri, em relação às de
mais culturas do sistema (7911,35 ha), respectivamente (Figura 35).
104
Vale do Rio Doce e Zona da Mata, destacam-se, neste processo, a cultura do
café e cana-de-açúcar para o Vale do Rio Doce, apresentando efeito-substituição de
43437,39 e 4920,14 ha, respectivamente. Na Zona da Mata o café tem o maior destaque
em relação ao sistema, apresentando efeito-substituição de 66154,43 ha. Condições
climáticas adversas no Estado de Minas Gerais, que se caracterizaram pela escassez de
chuvas e temperaturas elevadas, com médias superiores aos índices históricos,
principalmente nas fases de floração e enchimento de grãos, a produção de café no
Estado fica aquém do potencial produtivo das lavouras nas diferentes regiões
produtoras, decorrente da redução da produtividade obtida, sendo necessárias maiores
quantidades de frutos para a obtenção de uma saca de café beneficiada.
Segundo a Conab (CONAB, 2008), esta situação ficou mais evidente na região
Sul de Minas, onde as lavouras foram severamente atingidas pelas condições climáticas
desfavoráveis, especialmente naquelas áreas de menor altitude e ou de cerrado. Na Zona
da Mata e no Jequitinhonha, as condições foram um pouco mais favoráveis, propiciando
boas produtividades. Na região do Cerrado Mineiro, onde se concentra a maior área
irrigada de café do Estado, os benefícios proporcionados pelos sistemas de irrigação
foram, em parte, minimizados pelas altas temperaturas observadas durante o ciclo
produtivo das lavouras. De maneira geral, no transcorrer da colheita em todo Estado,
predominou céu claro e baixa umidade relativa do ar. No entanto, alguns municípios do
Sul de Minas foram severamente castigados por chuvas de granizo em meados de
setembro comprometendo o término da colheita e a produção da próxima safra nesses
municípios.
Condições climáticas adversas também atrasaram o início da colheita
decorrente de estiagem que ocorre nos períodos de floração e formação dos frutos, e do
prolongamento das chuvas no período de maturação dos frutos, bem como pela
dificuldade de contratação de mão-de-obra para a colheita do café, haja vista a
concorrência de outras atividades econômicas mais rentáveis para os trabalhadores.
O atraso da colheita aliado às primeiras chuvas de verão de 2008 ocorreu a
partir de meados de setembro, dificultando ainda mais a finalização da colheita em
alguns municípios, especialmente no Sul de Minas. O elevado preço da mão-de-obra no
custo de produção do café tem contribuído para a intensificação da colheita mecanizada
em todas as regiões do Estado (CONAB, 2008).
105
(a)
(b)
Continua...
106
(c)
(d)
Continua...
107
(e)
Figura 35 - Efeito substituição para as culturas café (a), cana-de-açúcar (b), milho (c),
soja (d) e feijão (e) para o estado de Minas Gerais
108
6. CONCLUSÕES E RECOMENDAÇÕES
Realizou-se a classificação espectral das áreas plantadas (café, cana-de-açúcar,
milho, soja e feijão) por meio do classificador árvore de decisão, analisou-se a
influência do clima, solo e altimetria para o café arábica e a mudança na composição
agrícola através do índice de substituição das culturas. Para classificação espectral das
áreas plantadas, empregou-se o algoritmo (AD) e produtos do sensor TM, a bordo do
satélite Landsat-5. No zoneamento climático atualizado do café arábica, utilizou-se
dados climáticos de 1941 a 2009. Para a análise da mudança na composição agrícola,
utilizaram-se dados de censo de 1990 a 2008, fornecidos pelo IBGE.
A análise dos resultados destes permitiram obter as seguintes conclusões:
1.
A classificação espectral por meio do algoritmo AD, mostrou que as imagens de
sensoriamento remoto obtida pelo satélite Landsat-5, em quatro diferentes anos e
específicas épocas, permitem mapear as áreas ocupadas com as culturas (café, cana-
de-açúcar, milho, soja e feijão) para o Estado de Minas Gerais.
2.
Os valores das áreas plantadas, estimadas pelo algoritmo AD, apresentaram boa
correlação com os valores observados pelo IBGE, porém houve uma tendência de
superestimativa;
3.
No ano de 1990, a ocorrência de precipitação, para a mesorregião Noroeste de
Minas, contribuiu para queda da estimativa de área plantada (feijão, milho e soja),
por meio da árvore de decisão. Para os 16 dias anteriores a passagem do satélite, as
condições climáticas para o Triângulo Mineiro, apresentavam umidade relativa
baixa e sem ocorrências de precipitações, o que resultaram em superestimativas
109
com os dados observados para todas culturas;
4.
Em 1995, a ocorrência de precipitação contribuiu significativamente com a queda
de estimativa de área plantada para cultura do milho. A mesorregião do Triângulo
Mineiro, foi a que obteve a maior precipitação (87,2 mm), as culturas (café, feijão,
milho e soja) subestimaram os valores observados do IBGE. Para esta mesma
mesorregião a única cultura que superestimou a área foi a cana-de-açúcar;
5.
Em 2000, a mesorregião (Noroeste de Minas), foi a única que durante os 16 dias
anteriores da passagem do satélite ocorreu precipitação. As culturas (café e milho)
superestimaram os valores observados, já as culturas (cana-de-açúcar, soja e feijão)
ocorreu subestimativa da área plantada;
6.
Apesar dos valores pluviométricos encontrados na mesorregião (Noroeste de
Minas) para o ano de 2005, as culturas (café, cana-de-açúcar, milho e soja)
superestimaram os valores observados de área plantada, apenas a cultura do feijão
subestimou os dados. A região do Triângulo mineiro ocorreu subestimativa das
áreas (café, cana-de-açúcar e feijão) e superestimativa (soja e milho);
7.
O NDVI no Estado de Minas Gerais, variou aproximadamente de -1 a 1 para os
anos de 1990 a 2005. Indicando haver uma grande variação nas superfícies
refletoras na área de estudo;
8.
A ocorrência da superestimativa da área total plantada destas culturas para os anos
de 1990 a 2005 pela AD, pode ser atribuído ao decréscimo dos valores de
precipitação correspondente ao período seco na região Sudeste;
9.
Ao comparar as áreas plantadas estimadas via AD com o IBGE, verificou-se
coerência nos resultados encontrados, com respaldo na literatura;
10.
A atualização dos dados para o zoneamento climático do café arábica, mostrou-se
eficiente na delimitação das regiões climaticamente homogêneas, quanto à
capacidade produtiva da cultura do café no estado de Minas Gerais;
11.
As metodologias para a obtenção do banco de dados atualizado e processamento
para a formação da aptidão climática, profundidade e aptidão geral mostraram-se
tecnicamente aceitáveis em relação a zoneamentos já realizados no Estado de
Minas Gerais;
12.
Verificou-se que as culturas que mais se destacaram em termos de expansão de área
foram cana-de-açúcar, café, soja e feijão, o que revela que o Estado de Minas
Gerais apresentou dinamismo econômico importante e relativamente homogêneo,
não dependendo exclusivamente do desempenho de um único produto.
110
Recomenda-se assim que ocorra a difusão das metodologias e técnicas
desenvolvidas, de forma a incentivar a integração entre instituições que tenham
interesse na questão do monitoramento de áreas plantadas. Esta integração deve ser
direcionada no sentido de se complementar e economizar esforços, por meio da troca de
conhecimento e informações.
Para estudos futuros é importante indicar a utilização de imagens obtidas por
sensores ativos (RADAR) que não estão sujeitas às condições atmosféricas
desfavoráveis, como por exemplo, a interferência provocada pelas nuvens, até que
surgem novos satélites com sensores óticos com uma melhor resolução temporal.
111
REFERÊNCIAS
ADAMI, M.; MOREIRA, M.A.; RUDORFF, T.; FREITAS, C.C. Análise da eficiência
dos estimadores de expansão direta e de regressão para áreas cultivadas com café, milho
e soja no município de Cornélio Procópio, Estado do Paraná.
Agricultura em São
Paulo
, v. 5, n. 2, p. 5-13, jul./dez. 2004.
ALLEN, R.G.; TREZZA, R.; TASUMI, M.
Surface energy balance algorithms for
land
: advance training and users manual, version 1.0. 2002. 98 p.
ALMEIDA, E.S.; BATISTA, G.T. Índice de vegetação versus precipitação na
Amazônia. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 9, 1998,
Santos.
Anais...
INPE, 1998.
ANDRADE, R.G.
Aplicação do algoritmo Sebal na estimativa da
evapotranspiração e da biomassa acumulada da cana-de-açúcar
. 2008. 135 p. Tese
(Doutorado em Meteorologia Agrícola) – Universidade Federal de Viçosa, Viçosa, MG.
ANTUNES, I.F.; SILVEIRA E.P.
O feijão no Rio Grande do Sul –
commodity e
alimento. Porto Alegre: Assembléia Legislativa do Rio Grande do Sul, Comissão de
Agricultura, Pecuária e Cooperativismo, 2000. 47 p. (Série Culturas - Feijão).
ASSAD, E.D.; SANO, E.E.
Sistemas de informações geográficas
:
aplicações na
agricultura
. 2.ed. Brasília: Embrapa-CPAC, 1998.
CANADA CENTRE FOR REMOTE SENSING FUNDAMENTALS OF REMOTE
SENSING
–
CCRS.
Tutorial
. Ottawa, Canadá, 1999.
CARAM, R.O.
Reconstrução de séries e análise geoestatística da precipitação no
Estado de Minas Gerais
. 2007. 107 p. Dissertação (Mestrado em Meteorologia
Agrícola) – Universidade Federal de Viçosa, Viçosa, MG.
112
CARVALHO JÚNIOR, O.A.; COELHO, M.A.N.; MARTINS, E.S.; GOMES, R.A.T.;
COUTO JÚNIOR, A.F.; OLIVEIRA, S.N.; SANTANA, O.A. Mapeamento da
vegetação na floresta atlântica usando o classificador de árvore de decisão para integrar
dados de sensoriamento remoto e modelo digital do terreno.
Revista Brasileira de
Geofísica
, v. 26, n. 3, p. 331-345, 2008.
CARVALHO, L.G.; OLIVEIRA, M.S.; ALVES, M.C.; VIANELLO, R.L.;
SEDIYAMA, G.C.; CASTRO NETO, P.; DANTAS, A.A.A. Clima. In: SCOLFORO,
J.R.S.; CARVALHO, L.M.T.; OLIVEIRA, A.D.
Zoneamento ecológico-econômico de
Minas Gerais
– componentes geofísico e biótico. Lavras: UFLA, 2008.
CARVALHO, M.S.; PINA, M.F.; SANTOS, S.M.
Conceitos básicos de sistemas de
informação geográfica e cartográfica aplicados à saúde
. Brasília: Ministério da
Saúde, Organização Panamericana da Saúde, Rede Integrada de Informações para a
Saúde, 2000. p. 1-39.
CARVALHO, T.M.; LATRUBESSE, E. O uso de modelos digitais do terreno (MDT)
em análises macrogeomorfológicas: o caso da bacia hidrográfica do Araguaia.
Revista
Brasileira de Geomorfologia
, v. 5, n. 1, p. 85-93, 2004.
CHANDER, G.; MARKHAM, B. Revised Landsat 5/TM radiometric calibration
procedures and postcalibration dynamic ranges.
IEEE Transactions on Geosciense
and Remote Sensing
, New York, v. 41, n. 11, p. 2764-2677, 2003.
CHUVIECO, E.
Fundamentos de teledetección espacial
. 3.ed. Madrid: Rialp, 1996.
568 p.
COCHRAN, W.G.
Técnicas de amostragem
. 2.ed. Rio de Janeiro: Fundo de Cultura,
1977. 555 p.
COLSTOUN, E.C.B.; STORY, M.H.; THOMPSON, C.; COMMISSO, K.; SMITH,
T.G.; IRONS, J.R. National Park vegetation mapping using multitemporal LANDSAT 7
data and a decision tree classifier.
Remote Sensing of Environment
, v. 85, p. 316-327,
2003.
COMPANHIA NACIONAL DE ABASTECIMENTO – CONAB.
Sétimo
levantamento de avaliação da safra 2009/2010
. Brasília, 2010a. 42 p.
COMPANHIA NACIONAL DE ABASTECIMENTO – CONAB.
Sétimo
levantamento de avaliação da safra 2010
. Brasília, 2010b. 18 p.
COMPANHIA NACIONAL DE ABASTECIMENTO – CONAB.
Sétimo
levantamento de avaliação da safra 2008
. Brasília, 2008. 18 p.
DELGADO, R.C.; SEDIYAMA, G.C.; ZOLNIER, S.; COSTA, M.H. Modelos físico-
matemáticos para estimativa da umidade relativa do ar a partir de dados de temperatura.
Revista Ceres
, v. 56, p. 256-265, 2009.
113
DEMATTÊ, J.A.M.; GARCIA, G.J. Alteration of soil properties through a weathering
sequence as evaluated by spectral reflectance.
Soil Sci. Soc. Am. J.
, v. 63, p. 237-342,
1999.
DUTRA, G.C.; DAVIDE, A.C.; CARVALHO, L.M.T.; BOTELHO, S.A. Modelo de
estratificação de áreas visando à recuperação da área no entorno da Usina Hidrelétrica
do Funil (Rio Grande), MG. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO
REMOTO, 13, 2007, Florianópolis.
Anais...
Florianópolis, 2007. p. 2533-2539.
EMPRESA BRASILEIRA DE PESQUISA AGROPECUARIA – EMBRAPA.
Tecnologias de produção de soja
: Região Central do Brasil
– 2009-2010. Londrina:
EMBRAPA Agropecuária Oeste, 2008. 262 p. (Sistemas de Produção, n. 13).
EPIPHANIO, J.C.N.; LUIZ, A.J.B.; FORMAGGIO, A.R. Estimativa de áreas agrícolas
municipais utilizando sistema de amostragem simples sobre imagens de satélite.
Bragantia
, v. 61, n. 2, p. 187-197, 2002.
FARIA, R.A.
Utilização de sistema de informações geográficas na estruturação do
modelo de seguro rural
. 2002. 147 p. Tese (Doutorado em Economia Rural) –
Universidade Federal de Viçosa, Viçosa, MG.
FIGUEIREDO, S.M.M.; CARVALHO, L.M.T. Avaliação da exatidão do mapeamento
da cobertura da terra em Capixaba, Acre, utilizando classificação por árvore de decisão.
Cerne
. v. 12, n. 1, p. 38-47, 2006.
FLEMING, M.D.; HOFFER, R.M. Machine processing or Landsat MSS data and DMA
topographic data for forest cover type mapping. In: MACHINE PROCESSING OF
REMOTELY DATA SYMPOSIUM, 5, 1979, West Lafayette.
Machine...
West
Lafayett: Purdue University, 1979. p. 377-390.
FOOD AND AGRICULTURE ORGANIZATION – FAO.
Multiple frame
agricultural surveys: current survey based on area and list sampling methods
.
Roma, 1996.
FRIEDL, M.A.; BRODLEY, C.E. Decision tree classification of land cover from
remotely sensed data.
Remote Sensing of Environment
, n. 6, p. 399-409, 1997.
GEOMINAS.
Programa Integrado de Uso da Tecnologia de Geoprocessamento
pelos Órgãos do Estado de Minas Gerais
. Governo do Estado de Minas Gerais.
Disponível em: <www.geominas.mg.gov.br>. Acesso em 5 maio 2009.
GONZALEZ-ALONSO, F.; SORIA, S.L.; GOZALO, J.M.C. Comparing two
methodologies for crop area estimation in Spain using Landsat TM images and ground-
gathered data.
Remote Sensing of Environment
, v. 35, n. 1, p. 29-35, 1991.
HAN, J.; KAMBER, M.
Data mining
: concepts and techniques. Morgan Kaufmann
Publishers, 2006. 743 p.
114
HOWARD, J.A.
Remote sensing of forest resources
:
theory and application. London:
Chapman & Hall, 1991. 436 p.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA – IBGE.
Levantamento sistemático da produção agropecuária
. Disponível em:
<http://www.ibge.gov.br/home/estatistica/indicadores/agropecuaria/IBGE/>. Acesso
em: 10 jul. 2010.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS – INPE.
Divisão de geração
de imagens
. Disponível em: <www.dgi.inpe.br/html/landsat.htm>. Acesso em: 4 mar.
2009.
LILLESAND, T.M.; KIEFER, R.W.; CHIPMAN, J.W.
Remote sensing and image
interpretation
: New York: John Wiley & Sons, 2007. 756 p.
LIU, W.T.H.
Aplicações de sensoriamento remoto
. Campo Grande: UNIDERP, 2006.
908 p.
LOCK, R.E.N.; KIRCHNER, F.F. Classificação de imagens multiespectrais LANDSAT
TM e feições de textura: mapeamento da cobertura da terra.
Revista Floresta
, v. 27, n.
1/2, p. 41-58, 1997.
LUIZ, A.J.B.
Estatísticas agrícolas por sensoriamento remoto
. 2003. 98 p. Tese
(Doutorado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais.
MARTINS, F.T.; DUTRA, L.V.; FREITAS, C.C.; FONSECA, F.R.; GUIMARÃES,
R.J.P.S.; MOURA, A.C.M.; SCHOLTE, R.G.C.; AMARAL, R.S.; DRUMMOND,
S.C.; FREITAS, C.R.; CARVALHO, O.S. Uso de árvore de decisão para predição da
prevalência de esquistossomose no Estado de Minas Gerais, Brasil. In: SIMPÓSIO
BRASILEIRO DE SENSORIAMENTO REMOTO, 13, 2007, Florianópolis.
Anais...
Florianópolis, 2007. p. 2841-2848.
MASRY, S.E.; McLAREN, R.A. Digital map revision.
Photogrammetric Engineering
and Remote Sensing
, v. 45, n. 2, p. 183-200, 1979.
MENESES, P.R. Fundamentos de radiometria óptica espectral. In: MESENSE, P.R.;
MADEIRA NETTO, J.S. (Orgs.).
Sensoriamento remoto
: reflectância dos alvos
naturais. Brasília: UnB, Embrapa Cerrados, 2001. p.15-40.
MILLER, L.D.; NUALCHAWEE, K.; TOM, C.
Analysis of dynamics of shifting
cultivation in the tropical forests of northern Thailand using landscape modeling
and classification of Landsat imagery
.
Maryland: NASA, 1978. 19 p. (Technical
Memorandum, 79545).
115
NOVO, E.M.; COSTA, M.P.; MANTOVANI, J.E. Avaliação do uso de medidas de
textura na discriminação de ambientes aquáticos do reservatório da UHE Tucuruí a
partir de dados RADARSAT. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO
REMOTO, 9, 1998, Santos.
Anais...
Santos, 1998. p.155-165.
OLIVEIRA, L.T.
Fusão de imagens de sensoriamento remoto e mineração de dados
geográficos para mapear as fitofisionomias do bioma cerrado
. 2004. 131 p.
Dissertação (Mestrado em Engenharia Florestal) – Universidade Federal de Lavras,
Lavras, MG.
PAL, M.; MATHER, P.M. An assessment of the effectiveness of decision tree methods
for land cover classification.
Remote Sensing of Environment
, n. 86, p. 554-565,
2003.
PICOLI, M.C.A.; ROCHA, J.V.; ESQUERDO, J.C.D.M.; LAMPARELLI, R.A.C. O
uso de máscaras para seleção automática de áreas plantadas com soja no estado de São
Paulo. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 14, 2009,
Natal.
Anais...
Natal, 2009. p. 333-338..
PIROLI, E.L.; BECKER, E.L.S.; BOLFE, E.L. Análise do uso da terra na microbacia
do Arroio do Meio – Santa Maria-RS, por sistema de informações geográficas e
imagens de satélite.
Ciência Rural
, Santa Maria, v. 32, n. 3, p. 407-413, 2002.
PORTILLO, J.E.; EPIPHANIO, J.C.N.; GÜRTLER, S.; BARRETO LUIZ, A.J.
Evolução da superfície cultivada com as principais culturas agrícolas em Guará, Ipuã e
São Joaquim da Barra-SP, via imagens de satélite.
In: SIMPOSIO BRASILEIRO DE
SENSORIAMENTO REMOTO, 11, 2003, Belo Horizonte.
Anais...
São José dos
Campos: INPE, 2003. p. 215-222. Disponível em: <http://iris.sid.inpe.br:1908/col/ltdi.
inpe.br/sbsr/2002/11.18.22.15>. Acesso em: 20 set. 2009.
PRICE, J.C. How unique are spectral signatures?
Remote Sensing of Environment
, v.
49, p. 181-186, 1994.
RIZZI, R.; RUDORFF, B.F.T. Estimativa da área de soja no Rio Grande do Sul por
meio de imagens Landsat.
Revista Brasileira de Cartografia
, v. 57, n. 3, p. 226-234,
2005.
RIZZI, R.; RUDORFF, B.F.T. Estimativa da área de soja no Rio Grande do Sul por
meio de imagens Landsat.
Revista Brasileira de Cartografia
, v. 57, n. 3, p. 226-234,
2005.
RIZZI, R.; RUDORFF, B.F.T. Imagens do sensor MODIS associadas a um modelo para
estimar a produtividade de soja.
Pesquisa Agropecuária Brasileira
,
v. 42, p.73-80,
2007.
ROBINSON, J.M.; MORRISON, J.; MUEHRCKE, P.; KIMERLING, A.; GUPRILL,
S.
Elements of Cartography
, New York: John Willey & Sons, 1995. 674 p.
116
RUDORFF, B.F.T.; BERKA, L.M.S.; MOREIRA, M.A.; DUARTE, V.; XAVIER,
A.C.; ROSA, V.G.C.; SHIMABUKURO, Y.E. Imagens de satélites no mapeamento e
estimativa de área de cana-de-açúcar em São Paulo: ano safra 2003/2004.
Agricultura
em São Paulo
, v. 52, n. 1, p. 21-39, 2005.
SAMPAIO, C.D.S.
Abordagem metodológica baseada nos dados multitemporais
modis EVI/NDVI para classificação da cobertura vegetal na região do Parque
nacional da Chapada dos Veadeiros-GO
. Brasília: UnB, 2007. 73 p.
SEDIYAMA, G.C.; MELO JÚNIOR, J.C.; SANTOS, A.R.; RIBEIRO, A.; COSTA,
M.H.; HAMAKAWA, P.J.; COSTA, J.M.N.; COSTA, L.C. Zoneamento agroclimático
do cafeeiro (
Coffea arabica
L.) para o Estado de Minas Gerais.
Revista Brasileira de
Agrometeorologia
, v. 9, p. 501-509, 2001.
SEDIYAMA, G.C.; MELO JÚNIOR., J.C.F. Modelos para estimativas das temperaturas
normais mensais médias, máximas, mínimas e anual no estado de Minas Gerais.
Revista Engenharia na Agricultura
, Viçosa, v. 6, n. 1, p. 57-61, 1998.
SHIBA, M.H.; SANTOS, R.L.; QUINTANILHA, J.A.; KIM, H.Y. Classificação de
imagens de sensoriamento remoto pela aprendizagem por árvore de decisão: uma
avaliação de desempenho. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO
REMOTO, 12, 2005, Goiânia.
Anais...
Goiânia: INPE, 2005. p. 4319-4326.
SILVA, G.B.; AZEVEDO, P.V. Potencial edafoclimático da “Chapada Diamantina” no
estado da Bahia para o cultivo de Cítrus.
Revista Brasileira de Agrometeorologia
,
Santa Maria, v. 8, n. 1, p. 133-139, 2000.
SILVA, G.F.N.; TAVARES JÚNIOR, S.S.; EVANGELISTA, R.A.O.; OLIVEIRA
JÚNIOR, M.C.M. Integração digital e análise espacial aplicados ao estudo da
sescetibilidade incêncdios florestais em Apiaú e Ribeiro Campos - Roraima.
Revista
Floresta
, Curitiba, v. 38, n. 4, p. 683-697, 2008.
TEIXEIRA, A.H.C.; AZEVEDO, P.V. Zoneamento agroclimático para a videira
européia no estado de Pernambuco, Brasil.
Revista Brasileira de Agrometeorologia
,
Santa Maria, v. 4, n. 1, p. 139-145, 1996.
TESCHE, T.W.; BERGSTROM, R.W. Use of digital terrain data in meteorological and
air quality modeling.
Photogrammetric Engineering and Remote Sensing
, v. 44, n.
12, p. 1549-1559, 1978.
TSILIGIRIDES, T.A. Remote sensing as a tool for a agricultural statistics: a case study
of area frae sampling methodology in Hellas.
Computers and Electronics in
Agriculture
, v. 20, p. 45-77, 1998.
TSO, B.; MATHER, P.M.
Classification methods for remotely sensed data
. New
York: Taylor & Francis, 2001. 332 p.
117
VEIGA FILHO, L. Sustainable energy ignites Brazil’s economy.
Valor Econômico
,
edição especial, p. 6-11, 2008.
VENTURIERI, A.; SANTOS, J.R. Técnicas de classificação de imagens para análise de
cobertura vegetal. In: ASSAD, E.D.; SANO, E.E.
Sistema de informações
geográficas
. Brasília: EMBRAPA, 1998. p. 351-371.
WILLMOTT, C.J.; MATSUURA, K. Advantages of the mean absolute error (MAE)
over the root mean square error (RMSE) in assessing average model performance.
Climate Research
, v. 30, p. 79-82, 2005.
WITTEN, I.H.; FRANK, E.
Data mining
: practical machine learning tools and
techniques. Morgan Kaufmann, 2005. 525 p.
XU, M.; WATANACHATURAPORIN, P.; VARSHNEY, P.K.; ARORA, M.K.
Decision tree regression for soft classification of remote sensing data.
Remote Sensing
of Environment
, n. 97, p. 322-336, 2005.
YANG, C.; ANDERSON, G.L.; KING JR., J.H.; CHANDLER, E.K. Comparison of
uniform and variable rate fertilization strategies using grid soil sampling, variable rate
technology, and yield monitoring. In: INTERNATIONAL CONFERENCE ON
PRECISION AGRICULTURE, 4, 1998, Minneapolis.
Proceedings…
Madison: ASA/
CSSA/SSSA, 1999. p. 675-686.
ZAGAGLIA, C.R.; CARVALHO, E.V.T.; SANTOS, R.N.A. Mapeamento de
manguezais do Brasil: subsídio ao Projeto GEF Mangue. In: SIMPÓSIO BRASILEIRO
DE SENSORIAMENTO REMOTO, 13, 2007, Florianópolis.
Anais...
Florianópolis,
2007. p. 4343-4350.
ZULLO JÚNIOR, J.; PINTO, H.S.; BRUNINI, O.; ASSAD, E. Zoneamento de riscos
climáticos para a cultura do trigo (
Triticum aestivum
L.) de sequeiro no estado de São
Paulo. In: CONGRESSO BRASILEIRO DE AGROMETEOROLOGIA, 11, 1999,
Florianópolis.
CD-ROM...
Florianópolis: Sociedade Brasileira de Agrometeorologia,
UFSC, 1999.
APÊNDICE
119
APÊNDICE
Tabela 1A - Órbita, ponto, dia da passagem do satélite Landsat-5 e o censo agrícola nas respectivas mesorregiões de Minas Gerais para o
ano de 1990
Mesorregiões Órbita/Ponto/(Dia) Café (ha)
Cana-de-
açúcar (ha)
Milho (ha) Soja (ha) Feijão (ha) Total (ha)
Campo das Vertentes Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Central Mineira
219/074/(16/07/1990)
219/073/(10/03/1990)
219/072/(18/09/1990)
218/073/(09/07/1990)
218/072/(09/07/1990)
3855,00 21545,00 43536,00 4545,00 10793,00 84274,00
Metropolitana de Belo Horizonte Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Noroeste de Minas
219/072/(18/09/1990)
219/073/(10/03/1990)
220/070/(20/05/1990)
220/071/(23/07/1990)
220/072/(23/07/1990)
220/073/(05/06/1990)
221/071/(30/07/1990)
5983,00 5376,00 98849,00 189707,00 33000,00 332915,00
Continua...
120
Tabela 1A, Cont.
Mesorregiões Órbita/Ponto/(Dia) Café (ha)
Cana-de-
açúcar (ha)
Milho (ha) Soja (ha) Feijão (ha) Total (ha)
Norte de Minas
217/071/(16/06/1990)
217/072/(16/06/1990)
218/070/(25/07/1990)
218/071/(26/08/1990)
218/072/(09/07/1990)
219/070/(17/08/1990)
219/071/(16/07/1990)
219/072/(18/09/1990)
220/070/(20/05/1990)
220/071/(23/07/1990)
220/072/(23/07/1990)
3263,00 26490,00 90003,00 10465,00 59161,00 189382,00
Oeste de Minas
220/074/(05/06/1990)
219/075/(10/03/1990)
219/074/(16/07/1990)
218/075/(11/09/1990)
218/074/(25/07/1990)
71936,00 5970,00 87864,00 3194,00 27515,00 196479,00
Sul/Sudoeste de Minas
220/075/(08/08/1990)
220/074/(05/06/1990)
219/076/(10/03/1990)
219/075/(10/03/1990)
219/074/(16/07/1990)
218/076/(09/07/1990)
218/075/(11/09/1990)
412737,00 54505,00 226523,00 888,00 91044,00 785697,00
Continua...
121
Tabela 1A, Cont.
Mesorregiões Órbita/Ponto/(Dia) Café (ha)
Cana-de-
açúcar (ha)
Milho (ha) Soja (ha) Feijão (ha) Total (ha)
Triângulo Mineiro/Alto Paranaíba
219/073/(10/03/1990)
219/074/(10/03/1990)
220/072/(20/05/1990)
220/073/(05/06/1990)
220/074/(05/06/1990)
221/073/(28/06/1990)
221/074/(30/07/1990)
Triângulo Mineiro/Alto Paranaíba
222/073/(07/09/1990)
222/074/(06/08/1990)
156519,00 103862,00 329039,00 346370,00 47488,00 983278,00
Vale do Mucuri Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Vale do Rio Doce Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Zona da Mata Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
122
Tabela 2A - Órbita, ponto, dia da passagem do satélite Landsat-5 e o censo agrícola nas respectivas mesorregiões de Minas Gerais para o
ano de 1995
Mesorregiões Órbita/Ponto/(Dia) Café (ha)
Cana-de-
açúcar (ha)
Milho (ha) Soja (ha) Feijão (ha) Total (ha)
Campo das Vertentes
217/075/(16/07/1995)
218/074/(09/09/1995)
218/075/(09/09/1995)
19197,00 1079,00 62712,00 54,00 19663,00 102705,00
Central Mineira
219/073/(12/06/1995)
219/074/(12/06/1995)
218/072/(09/09/1995)
218/073/(09/09/1995)
219/072/(02/10/1995)
3718,00 23994,00 51939,00 1510,00 11383,00 92544,00
Metropolitana de Belo Horizonte
218/074/(09/09/1995)
218/073/(09/09/1995)
217/074/(29/05/1995)
217/073/(29/05/1995)
6828,00 11399,00 112378,00 267,00 40462,00 171334,00
Noroeste de Minas
219/072/(02/10/1995)
219/073/(12/06/1995)
220/070/(18/05/1995)
220/071/(18/05/1995)
220/072/(25/10/1995)
220/073/(18/05/1995)
221/071/(16/10/1995)
5436,00 4744,00 150204,00 195538,00 55070,00 410992,00
Norte de Minas Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Continua...
123
Tabela 2A, Cont.
Mesorregiões Órbita/Ponto/(Dia) Café (ha)
Cana-de-
açúcar (ha)
Milho (ha) Soja (ha) Feijão (ha) Total (ha)
Oeste de Minas
220/074/(16/04/1995)
219/075/(02/10/1995)
219/074/(12/06/1995)
218/075/(09/09/1995)
218/074/(09/09/1995)
61135,00 4434,00 86040,00 1050,00 35022,00 187681,00
Jequitinhonha Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Sul/Sudoeste de Minas
220/075/(05/07/1995)
220/074/(16/04/1995)
219/076/(28/06/1995)
219/075/(02/10/1995)
219/074/(12/06/1995)
218/076/(09/09/1995)
218/075/(09/09/1995)
336432,00 40272,00 227711,00 540,00 98059,00 703014,00
Triângulo Mineiro/Alto Paranaíba
219/073/(02/10/1995)
219/074/(12/06/1995)
220/072/(18/05/1995)
220/073/(18/05/1995)
220/074/(02/05/1995)
221/073/(25/05/1995)
221/074/(25/05/1995)
122953,00 92575,00 368482,00 395034,00 30220,00 1009264,00
Continua...
124
Tabela 2A, Cont.
Mesorregiões Órbita/Ponto/(Dia) Café (ha)
Cana-de-
açúcar (ha)
Milho (ha) Soja (ha) Feijão (ha) Total (ha)
Vale do Mucuri
216/072/(07/06/1995)
216/073/(23/06/1995)
217/072/(29/05/1995)
217/073/(29/05/1995)
18152,00 8733,00 6860,00 0,00 7307,00 41052,00
Vale do Rio Doce
218/073/(09/09/1995)
217/074/(29/05/1995)
217/073/(29/05/1995)
217/072/(29/05/1995)
216/074/(23/06/1995)
216/073/(23/06/1995)
66664,00 11087,00 145441,00 0,00 50020,00 273212,00
Zona da Mata
216/074/(23/06/1995)
217/074/(29/05/1995)
217/075/(16/07/1995)
218/075/(09/09/1995)
179198,00 36056,00 145003,00 0,00 84095,00 444352,00
125
Tabela 3A - Órbita, ponto, dia da passagem do satélite Landsat-5 e o censo agrícola nas respectivas mesorregiões de Minas Gerais para o
ano de 2000
Mesorregiões Órbita/Ponto/(Dia) Café (ha)
Cana-de-
açúcar (ha)
Milho (ha) Soja (ha) Feijão (ha) Total (ha)
Campo das Vertentes
217/075/(26/05/2000)
218/074/(22/09/2000)
218/075/(18/06/2000)
23983,00 2516,00 41845,00 0,00 17275,00 85619,00
Central Mineira
219/073/(25/06/2000)
219/074/(25/06/2000)
218/072/(17/05/2000)
218/073/(22/09/2000)
219/072/(25/06/2000)
2040,00 26571,00 43591,00 680,00 5027,00 77909,00
Metropolitana de Belo Horizonte Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Noroeste de Minas
219/072/(25/06/2000)
219/073/(25/06/2000)
Noroeste de Minas
220/070/(31/05/2000)
220/071/(16/06/2000)
220/072/(20/09/2000)
220/073/(20/09/2000)
221/071/(25/07/2000)
6277,00 7793,00 135235,00 136395,00 67731,00 353431,00
Norte de Minas Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Continua...
126
Tabela 3A, Cont.
Mesorregiões Órbita/Ponto/(Dia) Café (ha)
Cana-de-
açúcar (ha)
Milho (ha) Soja (ha) Feijão (ha) Total (ha)
Oeste de Minas
220/074/(20/09/2000)
219/075/(24/05/2000)
219/074/(25/06/2000)
218/075/(18/06/2000)
218/074/(22/09/2000)
69143,00 6637,00 82443,00 660,00 24620,00 183503,00
Jequitinhonha Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Sul/Sudoeste de Minas
220/075/(29/04/2000)
220/074/(20/09/2000)
219/076/(29/09/2000)
219/075/(24/05/2000)
219/074/(25/06/2000)
218/076/(10/01/2000)
218/075/(18/06/2000)
414308,00 33973,00 195173,00 830,00 67795,00 712079,00
Triângulo Mineiro/Alto Paranaíba
219/073/(25/06/2000)
219/074/(25/06/2000)
220/072/(15/05/2000)
220/073/(16/06/2000)
220/074/(16/06/2000)
221/073/(10/08/2000)
221/074/(07/06/2000)
149568,00 126500,00 337086,00 445651,00 23199,00 1082004,00
Vale do Mucuri Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Continua...
127
Tabela 3A, Cont.
Mesorregiões Órbita/Ponto/(Dia) Café (ha)
Cana-de-
açúcar (ha)
Milho (ha) Soja (ha) Feijão (ha) Total (ha)
Vale do Rio Doce Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Zona da Mata
216/074/(07/08/2000)
217/074/(11/06/2000)
217/075/(26/05/2000)
218/075/(18/06/2000)
187503,00 29475,00 96366,00 3,00 66182,00 379529,00
128
Tabela 4A - Órbita, ponto, dia da passagem do satélite Landsat-5 e o censo agrícola nas respectivas mesorregiões de Minas Gerais para o
ano de 2005
Mesorregiões Órbita/Ponto/(Dia) Café (ha)
Cana-de-
açúcar (ha)
Milho (ha) Soja (ha) Feijão (ha) Total (ha)
Campo das Vertentes Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Central Mineira Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Metropolitana de Belo Horizonte Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Noroeste de Minas
219/072/(04/04/2005)
219/073/(13/10/2005)
220/070/(11/04/2005)
220/071/(01/08/2005)
220/072/(11/04/2005)
220/073/(01/08/2005)
221/071/(08/08/2005)
9232,00 10865,00 140510,00 298470,00 86455,00 545532,00
Norte de Minas Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Oeste de Minas Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Jequitinhonha Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Sul/Sudoeste de Minas Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Continua...
129
Tabela 4A, Cont.
Mesorregiões Órbita/Ponto/(Dia) Café (ha)
Cana-de-
açúcar (ha)
Milho (ha) Soja (ha) Feijão (ha) Total (ha)
Triângulo Mineiro/Alto Paranaíba
219/073/(13/10/2005)
219/074/(13/10/2005)
220/072/(01/08/2005)
220/073/(11/04/2005)
220/074/(14/06/2005)
221/073/(05/06/2005)
221/074/(04/05/2005)
146556,00 176791,00 371741,00 755353,00 49335,00 1499776,00
Vale do Mucuri Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Vale do Rio Doce Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
Zona da Mata Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados Sem dados
130
Tabela 5A - Estações com dados pluviométricos, temperatura, umidade relativa do ar e
o período estudado de cada estação climatológica
Estação
Latitude
(º)
Longitude
(º)
Altitude
(m)
Entidade
Período
(anos)
Campina Verde -19,54 -49,48 460,00 ANA 59
Unaí -16,35 -46,89 1067,00 ANA 36
Carmo do Paranaíba -19,01 -46,51 672,00 ANA 59
Patos de Minas -18,71 -46,04 880,00 ANA 33
Monte Carmelo -18,72 -47,52 461,00 ANA 52
Estrela do Sul -18,74 -47,69 784,00 ANA 57
Abadia dos Dourados -18,49 -47,41 730,00 ANA 55
Monte Alegre de Minas -18,87 -48,87 733,00 ANA 60
Paraopeba -19,27 -44,40 685,00 ANA 46
Onça de Pitangui -19,73 -44,81 720,00 ANA 60
Serra da Saudade -19,39 -45,88 855,00 ANA 59
Ibiá -19,48 -46,54 870,00 ANA 59
Patrocínio -19,07 -46,80 945,00 ANA 56
Sacramento -20,01 -47,02 946,00 ANA 29
Iraí de Minas -18,98 -47,46 448,00 ANA 34
São Francisco -15,95 -44,87 492,00 ANA 63
Arinos -15,92 -46,11 279,00 ANA 38
Coronel Murta -16,61 -42,19 273,00 ANA 53
Grão-Mogol -16,68 -42,49 290,00 ANA 55
Vila Matias -16,86 -42,35 472,00 ANA 55
São Romão -16,37 -45,08 437,00 ANA 48
São Romão -16,27 -45,24 536,00 ANA 45
Lassance -17,89 -44,58 475,00 ANA 52
Montalvânia -14,31 -44,46 523,00 ANA 54
Montalvânia -14,42 -44,47 450,00 ANA 49
Manga -14,67 -43,88 630,00 ANA 39
Bocaiúva -17,31 -43,21 808,00 ANA 49
Guanhães -18,77 -42,93 803,00 ANA 48
Diamantina -18,11 -43,52 770,00 ANA 56
Nova Lima -19,98 -43,85 623,00 ANA 59
Rio Piracicaba -19,92 -43,18 675,00 ANA 60
Conceição do Mato Dentro -19,02 -43,44 716,00 ANA 60
Jaboticatubas -19,52 -43,74 720,00 ANA 59
Sabará -19,89 -43,82 950,00 ANA 60
Caeté -19,9 -43,67 710,00 ANA 59
Taquaraçu de Minas -19,66 -43,69 560,00 ANA 59
Morro do Pilar -19,22 -43,37 1110,00 ANA 56
São Gonçalo do Rio Abaixo -19,88 -43,37 423,00 ANA 55
Acaiaca -20,36 -43,14 620,00 ANA 60
Piranga -20,69 -43,30 746,00 ANA 59
Carmo do Cajuru -20,19 -44,79 598,00 ANA 60
Porto Firme -20,67 -43,09 672,00 ANA 59
Divinópolis -20,14 -44,89 885,00 ANA 59
Entre Rios de Minas -20,66 -44,07 915,00 ANA 59
Passa Tempo -20,63 -44,43 654,00 ANA 59
Continua...
131
Tabela 5A, Cont.
Estação
Latitude
(º)
Longitude
(º)
Altitude
(m)
Entidade
Período
(anos)
Bambuí -20,02 -45,97 606,00 ANA 60
Iguatama -20,18 -45,70 738,00 ANA 60
Lamounier -20,47 -45,04 808,00 ANA 59
Itaú de Minas -20,74 -46,73 231,00 ANA 60
Astolfo Dutra -21,31 -42,86 182,00 ANA 57
Cataguases -21,39 -42,70 177,00 ANA 57
Patrocínio do Muriaé -21,15 -42,22 214,00 ANA 60
Itamarati de Minas -21,47 -42,81 512,00 ANA 52
Rio Pomba -21,31 -43,20 398,00 ANA 60
Guarani -21,36 -43,05 881,00 ANA 54
Barroso -21,19 -43,98 442,00 ANA 58
Juiz de Fora -21,87 -43,56 502,00 ANA 52
Tabuleiro -21,6 -43,25 1075,00 ANA 52
Bom Jardim de Minas -21,95 -44,19 956,00 ANA 59
Tiradentes -21,12 -44,23 875,00 ANA 59
Madre de Deus de Minas -21,49 -44,33 842,00 ANA 59
São João Del Rei -21,06 -44,21 798,00 ANA 38
Rio Preto -22,01 -43,88 530,00 ANA 50
Santa Rita de Jacutinga -22,15 -44,09 747,00 ANA 60
Caiana -20,69 -41,92 532,00 ANA 59
Abre Campo -20,3 -42,48 330,00 ANA 59
Rio Casca -20,23 -42,65 880,00 ANA 59
Pratápolis -20,81 -46,81 780,00 ANA 35
Desterro do Melo -21,15 -43,52 997,00 ANA 59
Antonio Carlos -21,28 -43,82 912,00 ANA 58
Caxambu -21,99 -44,94 880,00 ANA 59
Baependi -21,95 -44,88 966,00 ANA 59
Aiuruoca -21,98 -44,60 897,00 ANA 56
Andrelândia -21,74 44,31 841,00 ANA 51
Três Corações -21,72 -45,26 843,00 ANA 59
Cambuquira -21,87 -45,26 892,00 ANA 58
Campanha -21,92 -45,48 810,00 ANA 58
Monsenhor Paulo -21,76 -45,54 1150,00 ANA 59
Baependi -22,12 -44,84 1180,00 ANA 59
Bocaina de Minas -22,13 -44,41 1036,00 ANA 59
Careaçu -22,17 -44,64 820,00 ANA 57
Pouso Alegre -22,24 -45,93 815,00 ANA 58
Silvianópolis -22,12 -45,92 498,00 ANA 33
São Pedro do Suaçuí -18,36 -42,60 530,00 ANA 60
Coroaci -18,61 -42,28 260,00 ANA 60
Ipanema -19,8 -41,71 505,00 ANA 60
Bom Jesus do Galho -19,83 -42,32 305,00 ANA 60
Raul Soares -20,1 -42,44 241,00 ANA 60
Itaobim -16,57 -41,50 254,00 ANA 53
Jequitinhonha -16,43 -41,01 92,00 ANA 53
Nanuque -17,84 -40,38 174,00 ANA 60
Continua...
132
Tabela 5A, Cont.
Estação
Latitude
(º)
Longitude
(º)
Altitude
(m)
Entidade
Período
(anos)
Vila Matias -18,57 -41,92 240,00 ANA 61
Campanário -18,24 -41,75 1067,00 ANA 60
Conselheiro Pena -19,06 -41,53 121,00 ANA 57
Pocrane -19,59 -41,46 172,00 ANA 55
Barbacena -21,22 -43,77 1164,00 INMET 48
Pompeu -19,22 -44,93 657,00 INMET 48
Curvelo -18,75 -44,42 632,00 INMET 45
Araçuaí -16,83 -42,07 307,00 INMET 43
Pedra Azul -16,00 -41,28 617,00 INMET 33
Belo Horizonte -19,92 -43,93 858,00 INMET 48
Conceição do Mato Dentro -19,03 -43,42 701,00 INMET 48
Sete Lagoas -19,45 -44,23 761,00 INMET 48
Ibirite -20,02 -44,05 872,00 INMET 43
Joao Monlevade -19,80 -43,17 732,00 INMET 40
Florestal -19,88 -44,42 776,00 INMET 43
João Pinheiro -17,73 -46,17 765,00 INMET 45
Unaí -16,35 -46,90 575,00 INMET 28
Espinosa -14,92 -42,82 570,00 INMET 32
Janaúba -15,80 -43,30 533,00 INMET 27
Januária -15,48 -44,35 554,00 INMET 45
Monte Azul -15,15 -42,87 582,00 INMET 32
Montes Claros -16,73 -43,85 648,00 INMET 45
Pirapora -17,33 -44,93 489,00 INMET 29
Salinas -16,17 -42,28 471,00 INMET 30
Arinos -15,92 -46,10 509,00 INMET 30
Machado -21,67 -45,92 820,00 INMET 48
Mocambinho -21,37 -46,52 1048,00 INMET 33
São Lourenço -22,10 -45,05 874,00 INMET 48
Passa Quatro -22,38 -44,97 938,00 INMET 43
Poços de Caldas -21,78 -46,55 1196,00 INMET 43
Araxá -19,58 -46,93 997,00 INMET 48
Capinópolis -18,67 -49,57 564,00 INMET 36
Frutal -20,02 -48,93 516,00 INMET 43
Patos de Minas -18,57 -46,52 832,00 INMET 43
Ituiutaba -18,97 -49,45 544,00 INMET 26
Teófilo Otoni -17,85 -41,50 334,00 INMET 45
Governador Valadares -18,85 -41,93 170,00 INMET 45
Juíz de Fora -21,75 -43,35 695,00 INMET 48
Viçosa -20,75 -42,87 648,00 INMET 41
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
