-The objective of this work was to develop a procedure to estimate soybean crop areas in Rio Grande do Sul state, Brazil. Estimations were made based on the temporal profiles of the enhanced vegetation index (Evi) calculated from moderate resolution imaging spectroradiometer (Modis) images. The methodology developed for soybean classification was named Modis crop detection algorithm (MCDA). The MCDA provides soybean area estimates in December (first forecast), using images from the sowing period, and March (second forecast), using images from the sowing and maximum crop development periods. The results obtained by the MCDA were compared with the official estimates on soybean area of the Instituto Brasileiro de Geografia e Estatística. The coefficients of determination ranged from 0.91 to 0.95, indicating good agreement between the estimates. For the 2000/2001 crop year, the MCDA soybean crop map was evaluated using a soybean crop map derived from Landsat images, and the overall map accuracy was approximately 82%, with similar commission and omission errors. The MCDA was able to estimate soybean crop areas in Rio Grande do Sul State and to generate an annual thematic map with the geographic position of the soybean fields. The soybean crop area estimates by the MCDA are in good agreement with the official agricultural statistics.Index terms: Glycine max, algorithm, crop area, mapping, temporal profile. Estimativa de áreas de cultivo de soja por meio de dados Modis/EviResumo -O objetivo deste trabalho foi desenvolver uma metodologia para estimar a área plantada de soja no Estado do Rio Grande do Sul. As estimativas foram feitas com base no perfil temporal do "enhanced vegetation index" (Evi) calculado a partir de imagens "moderate resolution imaging spectroradiometer" (Modis). A metodologia desenvolvida para a classificação da soja foi denominada "Modis crop detection algorithm" (MCDA). O MCDA fornece estimativas de área da soja em dezembro (primeira previsão), com imagens do período de plantio, e em março (segunda previsão), com imagens dos períodos de plantio e de máximo desenvolvimento vegetativo. Os resultados do MCDA foram comparados às estimativas oficiais de área de soja do Instituto Brasileiro de Geografia e Estatística. Os coeficientes de determinação variaram de 0,91 a 0,95, o que indica bom ajuste entre as estimativas. Para a safra 2000/2001, o mapa da cultura da soja gerado pelo MCDA foi avaliado com um mapa da cultura da soja oriundo de imagens Landsat, e a precisão global do mapa foi de aproximadamente 82%, com erros similares de comissão e omissão. O MCDA foi capaz de estimar a área plantada com soja no Estado do Rio Grande do Sul e gerar mapas temáticos anuais com a localização geográfica dos talhões. As estimativas de área plantada a partir do MCDA estão em concordância com as estatísticas agrícolas oficiais.Termos para indexação: Glycine max, algoritmo, área agrícola, mapeamento, perfil temporal.

Resumo -O objetivo deste trabalho foi avaliar o desempenho do índice de vegetação realçado (EVI) e do índice de vegetação da diferença normalizada (NDVI) -ambos do sensor "moderate resolution imaging spectroradiometer" (Modis) -, para discriminar áreas de soja das áreas de cana-de-açúcar, pastagem, cerrado e floresta, no Estado do Mato Grosso. Foram utilizadas imagens adquiridas em dois períodos: durante a entressafra e por ocasião do pleno desenvolvimento da cultura da soja. Para cada classe analisada, foram selecionadas 31 amostras de mapas de referência e avaliadas as diferenças nos valores de cada índice de vegetação, para a classe soja, foram avaliadas frente às demais classes, por meio do teste de Tukey-Kramer. Em seguida, foram avaliadas as diferenças entre os índices de vegetação, por meio do teste de Wilcoxon pareado. O NDVI apresentou melhor desempenho na discriminação das áreas de soja na entressafra, particularmente com uso das imagens do dia do ano (DA) 161 a 273, enquanto o EVI apresentou melhor desempenho no período de pleno desenvolvimento da cultura, especificamente com uso das imagens de DA 353 a 33. Portanto, o melhor resultado para classificação da soja, no Estado do Mato Grosso, via séries temporais do sensor Modis, pode ser obtida por meio do uso combinado do NDVI na entresssafra e do EVI no pleno desenvolvimento da soja.Termos para indexação: classificação multitemporal de imagens, dados Modis, estimativas de área agrícola, imagens de satélite, sensoriamento remoto. Modis vegetation indices applied to soybean area discriminationAbstract -The objective of this work was to evaluate the performance of the enhanced vegetation index (EVI) and the normalized difference vegetation index (NDVI) -both from the moderate resolution imaging spectroradiometer (Modis) sensor -to discriminate soybean cultivated areas from sugarcane, pasture, cerrado, and forest ones in the state of Mato Grosso, Brazil. Images acquired during two periods were used: off-season and maximum soybean crop development. For each analyzed class, 31 samples were selected from reference maps, and the differences in the values of each soybean vegetation index were evaluated against the other classes using the Tukey-Kramer test. Afterwards, the differences between the vegetation indices were assessed using the Wilcoxon paired test. NDVI performed best in discriminating soybean areas during the off-season period, particularly when using images acquired from day of year (DOY) 161 to 273, whereas EVI performed best during maximum crop development, particularly when using images from DOY 353 to 33. Therefore, best classification results for soybean in the state of Mato Grosso can be achieved by coupling Modis NDVI images acquired during off-season period and EVI images acquired during the maximum crop development period.Index terms: multi-temporal image classification, Modis data, crop area estimates, satellite images, remote sensing. IntroduçãoMonitorar sistemas dinâmicos, como a agricultura de ciclo anual, é um desafio que demanda recu...

Abstract:The potential of optical remote sensing data to identify, map and monitor croplands is well recognized. However, clouds strongly limit the usefulness of optical imagery for these applications. This paper aims at assessing cloud cover conditions over four states in the tropical and sub-tropical Center-South region of Brazil to guide the development of an appropriate agricultural monitoring system based on Landsat-like imagery. Cloudiness was assessed during overlapping four months periods to match the typical length of crop cycles in the study area. The percentage of clear sky occurrence was computed from the 1 km resolution MODIS Cloud Mask product (MOD35) considering 14 years of data between July 2000 and June 2014. Results showed high seasonality of cloud occurrence within the crop year with strong variations across the study area. The maximum seasonality was observed for the two states in the northern part of the study area (i.e., the ones closer to the Equator line), which also presented the lowest averaged values (15%) of clear sky occurrence during the main (summer) cropping period (November to February). In these locations, optical data faces severe constraints for mapping summer crops. On the other hand, relatively favorable conditions were found in the southern part of the study region. In the South, clear sky values of around 45% were found and no significant clear sky seasonality was observed. Results underpin the challenges to implement an operational crop monitoring system based solely on optical remote sensing imagery in tropical and sub-tropical regions, in particular if short-cycle crops have to be monitored during the cloudy summer months. To cope with cloudiness issues, we recommend the use of new systems with higher repetition rates such as Sentinel-2. For local studies, Unmanned Aircraft Vehicles (UAVs) might be used to augment the observing capability. Multi-sensor approaches combining optical and microwave data can be another option. In cases where wall-to-wall maps are not mandatory, statistical sampling approaches might also be a suitable alternative for obtaining useful crop area information.

O objetivo deste trabalho foi estimar a produtividade de soja no Rio Grande do Sul, nas safras de 2000/2001 a 2002/2003, por meio de um modelo agronômico implementado em um Sistema de Informação Geográfica (SIG). Duas abordagens foram utilizadas: o modelo agronômico (AGRO), com valores de índice de área foliar (IAF) obtidos da literatura; e o modelo agronômico-espectral (AGROESPEC), com valores de IAF estimados a partir das imagens MODIS (moderate resolution imaging spectroradiometer). As estimativas de produtividade obtidas pelo modelo foram comparadas àquelas fornecidas pelo Instituto Brasileiro de Geografia e Estatística (IBGE), com o uso do teste t para pares de observação. Nas safras 2000/2001 e 2001/2002, não foram observadas diferenças significativas. Para 2002/2003, o modelo subestimou o valor de produtividade em 7,87 e 7,04%, nas abordagens AGRO e AGROESPEC, respectivamente, em comparação à produtividade fornecida pelo IBGE. Ambas as abordagens do modelo permitiram avaliação objetiva e quantitativa do efeito das condições meteorológicas sobre a produtividade de soja. Entretanto, o AGROESPEC forneceu estimativas mais detalhadas, no que se refere à variação espacial da produtividade, em razão do emprego dos valores de IAF estimados a partir das imagens MODIS.

Este trabalho objetivou avaliar o potencial e as limitações das imagens MODIS para classificação e estimativa de área de soja por meio do método de superfície de resposta espectro-temporal (Spectral-Temporal Response Surface - STRS). Um mapa temático das áreas com soja, oriundo da classificação de imagens Landsat do Estado do Rio Grande do Sul, foi utilizado como referência para auxiliar na orientação da amostragem dos pixels de treinamento e para a comparação dos resultados. Seis imagens compostas do sensor MODIS foram utilizadas para a classificação supervisionada da área de soja por meio do algoritmo de máxima verossimilhança (MAXVER) adaptado ao método STRS. Os resultados foram avaliados pelo coeficiente Kappa para a totalidade da área em estudo e também para uma região de latifúndios e outra de minifúndios. O método STRS subestimou em 6,6% a área de soja para toda a região estudada, sendo que a estatística Kappa foi de 0,503. Para as regiões de latifúndios e minifúndios, a área de soja foi superestimada em 8% (Kappa=0,424) e subestimada em 43,4% (Kappa=0,358), respectivamente. As imagens MODIS, por meio do método STRS, demonstraram ter potencial para classificar a área de soja, principalmente em regiões de latifúndios. Em regiões de minifúndios, a correta identificação e classificação das áreas de soja mostrou-se pouco eficiente em razão da baixa resolução espacial das imagens MODIS.