Please use this identifier to cite or link to this item: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1135585
Research center of Embrapa/Collection: Embrapa Solos - Tese/dissertação (ALICE)
Date Issued: 2021
Type of Material: Tese/dissertação (ALICE)
Authors: KUCHLER, P. C.
Additional Information: PATRICK CALVANO KUCHLER, UERJ.
Title: Utilização do sensoriamento remoto para o mapeamento dos sistemas integrados de produção agrícola: contribuição ao monitoramento da agricultura de baixa emissão de carbono no estado do Mato Grosso, Brasil.
Publisher: 2021.
Pages: 204 f.
Language: Portugues
Notes: Tese (Doutorado em Meio Ambiente) - Universidade do Estado do Rio de Janeiro, Rio de Janeiro. Orientadoras: Margareth Simões, CNPS; Agnès Bégué, CIRAD. Convênio realizado em cotutela entre a Universidade do Estado do Rio de Janeiro e a Universidade de Montpellier AgroParisTech.
Keywords: Integração Lavoura-Pecuária
Aprendizado de Máquina
Séries Temporais
MODIS
Big data
Description: Para cumprir seus compromissos internacionais de redução das emissões de gases de efeito estufa, o Brasil criou o plano ABC (Agricultura de Baixo Carbono). A implementação de sistemas integrados de produção está entre as principais estratégias do referido plano. Mais de dez anos se passaram do lançamento do plano e ainda não há mecanismos para monitorar a adoção dessas práticas. O objetivo geral da tese é desenvolver uma metodologia de mapeamento anual em escala regional dos sistemas integrados de produção lavoura-pecuária (iLP), a partir de séries temporais de imagens do satélite MODIS, a fim de contribuir com o estabelecimento de um protocolo de monitoramento da agricultura de baixa emissão de carbono. O trabalho é dividido em três etapas: desenvolvimento da estratégia de classificação dos sistemas iLP; aplicação à escala regional e a análise temática dos mapas resultantes. A área de estudo é o estado de Mato Grosso, maior produtor nacional de soja, com uma grande variedade de ambientes possibilitando avaliar a robustez da metodologia. A etapa-1 foi desenvolvida em uma área no norte do estado. Os resultados mostram que o pré-processamento, como a suavização da série-temporal e o cálculo de indicadores fenométricos, deterioram a acurácia, e que a utilização de Índices de Vegetação 'originais' fornecem bons resultados (Acurácia Global AG=0,96). Constatou-se que o algoritmo Random Forest tem um desempenho ligeiramente melhor que o SVM (Support Vector Machine). A estratégia foi, em seguida aplicada a todo Mato Grosso, sete anos de campanha agrícola (2012-2019), 6 regiões climáticas, em 4 níveis hierárquicos (Nível 1 - Soja, advinda do Mapbiomas). Os resultados mostram que o uso de uma base de aprendizagem única (vários anos/regiões) para classificar cada região e ano individualmente proporciona acurácia semelhante ao uso de bases particularizadas para cada ano/região. O grande número de amostras de uma base integrada, compensa em grande parte a variabilidade espaço-temporal das classes. O mapa dos sistemas de cultivo Nível-2 (monoculturas SC e culturas sequenciais DC) tem uma AG média de 0,89 no período estudado e boa estabilidade interanual. No Nível-3 a AG = 0,84 e os DCs são divididos em 3 classes (soja-algodão, soja-cereal e o iLP soja-brachiaria). No Nível 4 tem AG= 0,77, a classe iLP é separada em iLP1 (sojabrachiaria) e iLP2 (soja-brachiaria consorciado com milho). Os valores f-score do sistema de cultura DC, iLP e iLP1 são próximos (0,89, 0,85 e 0,84) e a classe iLP2 (0,63). A análise dos mapas anuais dos sistemas de cultivo (2012-13 à 2018-19) mostra um aumento de 66% na área de cultivo sequencial, incluindo iLP, e uma redução de 19% na monocultura. Esses resultados refletem uma intensificação agrícola em curso no estado. A intensificação sustentável baseada em sistemas integrados mais que dobrou no mesmo período, de 18,6% (1,1Mha) para 28,9% (2,6Mha) das áreas cultivadas. Concluindo, o método desenvolvido permitiu-nos enfrentar quatro grandes desafios: mapear sistemas complexos (evoluir de cobertura para o uso da terra); em escala regional (diversidade de condições intranuais); de forma retrospectiva e processar um grande volume de dados através de ferramentas do Big Data. Planeja-se testar essa abordagem em todo o corredor da soja, a fim de se operacionalizar o monitoramento territorial e análise da adoção de práticas de intensificação sustentável
Thesagro: Sensoriamento Remoto
Agricultura
Carbono
Desenvolvimento Sustentável
Data Created: 2021-10-26
Appears in Collections:Tese/dissertação (CNPS)

Files in This Item:
File Description SizeFormat 
Tese-Doutorado-Patrick-Calvano-Kuchler-2021.pdf10,2 MBAdobe PDFThumbnail
View/Open

FacebookTwitterDeliciousLinkedInGoogle BookmarksMySpace