An agrometeorological–spectral model to estimate soybean yield, applied to southern Brazil

Melo, Ricardo Wanke de; Fontana, Denise Cybis; Berlato, Moacir Antônio; Ducati, Jorge Ricardo

doi:10.1080/01431160701881905

Cited by 32 publications

(35 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…No entanto, a fronteira agrícola com esta commodity avançou em direção ao sul do Estado (COMPANHIA NACIONAL DE ABASTECIMENTO, 2013), incluindo áreas que não foram detectadas na metodologia utilizada no presente trabalho. Isto porque esta metodologia se baseia na variabilidade do NDVI ao longo de um ano médio de um período de 27 anos, e na maior parte desse período, apenas a área em destaque era a grande produtora de soja no Estado (RIZZI; RUDORFF, 2005;MELO et al, 2008). Na área identificada com Agricultura 2 uso intensivo no verão e inverno (Figura 3), além de soja também é cultivado o milho, o feijão e o girassol (COMPANHIA NACIONAL DE ABASTECIMENTO, 2013), cujas áreas são incompatíveis com o tamanho do pixel da série GIMMS.…”

Section: Resultsunclassified

“…O NDVI decresce na época de colheita dos grãos dos cereais de outono-inverno, que na maior parte da área ocorre em novembro (JUNGES; FONTANA, 2011) e implantação das lavouras de primavera-verão, que, neste mês, apresenta forte resposta espectral do solo ou palha (WAGNER et al, 2007). O segundo máximo de NDVI ocorre em fevereiro (0,80), que corresponde ao período de floração e/ou enchimento de grãos da soja, que é o cultivo dominante nesta época na região (RIZZI; RUDORFF, 2005;WAGNER et al, 2007;MELO et al, 2008;SANTOS et al, 2014). Neste período, a cultura apresenta a maior densidade de biomassa (MELO et al, 2008).…”

Section: Resultsunclassified

See 1 more Smart Citation

Regiões Homogêneas De Vegetação Utilizando a Variabilidade Do Ndvi

Cordeiro¹,

Berlato²,

Fontana³

et al. 2017

Ciênc. Florest.

View full text Add to dashboard Cite

RESUMOAs técnicas de classificação, como a análise de agrupamento, utilizadas nas áreas biológicas, em chaves de classificação de plantas e animais, também são úteis para definição de regiões homogêneas, seja para dados climáticos ou para identificação ou monitoramento da vegetação. O objetivo desse trabalho foi caracterizar a dinâmica espaço-temporal do Índice ABSTRACTThe classification techniques, such as cluster analysis, used in biological areas, in the plants and animals classification keys, are also useful for defining homogeneous regions, for climate data or for identification or monitoring of vegetation. The objective of the research was to characterize the spatiotemporal dynamic of NDVI (Normalized Vegetation Index Difference) of vegetation groups of Rio Grande do Sul, clustering homogeneous regions based on NDVI temporal variability and to analyze the pattern of NDVI annual variability of the different groups. For this NDVI data from the Global Inventory Modeling and Mapping Studies (GIMMS) series, derived from Advanced Very High Resolution Radiometer / National Oceanic and Atmospheric Administration (AVHRR/NOAA) over the period from January 1982 to December 2008 were used. Six groups were defined, which were compared to environmental macrozoning. The results showed that the variability of NDVI, obtained from GIMMS/AVHRR series, allows clustering homogeneous regions in order to identify and map the main vegetation groups that occur in the Rio Grande do Sul

show abstract

Section: Resultsunclassified

Regiões Homogêneas De Vegetação Utilizando a Variabilidade Do Ndvi

Cordeiro¹,

Berlato²,

Fontana³

et al. 2017

Ciênc. Florest.

View full text Add to dashboard Cite

show abstract

“…A incorporação de informações espectrais nesses modelos compõe um novo tipo de modelo, chamado de agrometeorológico-espectral (Melo et al, 2008). Nesses modelos, a componente espectral pode ser utilizada para monitoramento, análise qualitativa da vegetação e como indicativo das condições de sanidade vegetal, por meio de informações espectrais obtidas em campo ou por imagens de satélite (Rizzi & Rudorff, 2007).…”

Section: Introductionunclassified

Contribuições do solo e dossel em modelo de estimativa de biomassa aérea no Bioma Pampa

Terra¹,

Fonseca

Saldanha

2010

Pesq. agropec. bras.

View full text Add to dashboard Cite

Resumo -O objetivo deste trabalho foi avaliar o desempenho preditivo do submodelo espectral do modelo JONG, com a inserção de variáveis espectrais que considerassem a densidade de biomassa do dossel e as contribuições dos diferentes solos subjacentes. Índices calculados pela diferença e razão simples -entre as bandas 4 e 3, 4 e 5, 4 e 7, do sensor orbital ETM+/Landsat 7 -foram sugeridos para representar a contribuição espectral dos solos subjacentes e a influência das diferenças estruturais dos dosséis. A parametrização da componente espectral foi implementada por regressão linear múltipla e, em seguida, foi comparada aos dados de biomassa obtidos em campo. As variáveis espectrais que melhor expressaram as variações da disponibilidade inicial de forragem foram a fração solo (modelo linear de mistura espectral) e a razão entre as bandas 4 e 7. A componente espectral do modelo JONG, com a nova parametrização, apresenta sensibilidade para eliminar as influências do solo e dossel na disponibilidade inicial de biomassa e facilita a interpretação dos resultados, em razão da relação entre as variáveis espectrais selecionadas.Termos para indexação: disponibilidade de forragem, Landsat, modelo agrometeorológico-espectral, variáveis espectrais. Soil and canopy contributions in a predictive model of aerial biomass in the Pampa BiomeAbstract -The objective of this work was to evaluate the predictive performance of the JONG model's spectral submodel, with the insertion of variables considering contributions of different underlying soils and canopy densities. Indices calculated by subtraction and simple ratio between 4 and 3, 4 and 5, 4 and 7 bands, of Landsat 7/ETM+ sensor -were suggested in order to represent the spectral contribution of the different underlying soils and the influence of canopy structural differences. The spectral component parameterization was implemented by multiple linear regression and, then, it was compared to the biomass data measured in the field. Spectral variables that better describe the variations of initial biomass availability and soil spectral contributions were the soil fraction (spectral mixture linear model), and ratio between 4 and 7 bands. The spectral component of the JONG model, with the new parameterization, showed sensibility in eliminating the canopy and soil influences in the biomass initial availability and, also, improved the interpretation of results due to the relationship between selected spectral variables.

show abstract

“…To test the difference in yield, the effects of harvests and subperiods were considered as fixed, and the regions, as a random effect. When the F test was significant for NDVI (p<0.05), means were compared by Tukey's test, in the same level of significance, using the statistical software SAS (2008).…”

Section: Thismentioning

confidence: 99%

Inferências sobre o calendário agrícola a partir de perfis temporais de NDVI/MODIS

et al. 2015

View full text Add to dashboard Cite

A major challenge for grain yield modeling in the context of estimates made operationally for large areas is related to the identification of periods in which annual crops show greater susceptibility to environmental stress. For soybean grown in the spring-summer period in southern Brazil, the main risk factor is the occurrence of water stress during flowering and grain filling. These subperiods occur at different times across the production region due to differences in management practices of each farmer. This study aimed to relate the soybean crop calendar to the temporal profiles of normalized difference vegetation index (NDVI/MODIS), in order to present/validate a low cost technology with adequate accuracy for crop monitoring and harvest prediction. Thus, we analyzed data from soybean crop calendar (subperiods of flowering, grain filling and maturation) from EMATER (RS) regions and NDVI MODIS images. The NDVI temporal profiles allow monitoring the development of the soybean crop biomass and determining the occurrence of subperiods. Differences in NDVI values between harvests, regions and subperiods demonstrate the sensitivity of this index in detecting the responses of soybean plants to environmental conditions. Because NDVI data are generated from MODIS images, it is possible to create maps with information about the subperiods for all harvests and throughout the State, which enables greater temporal and spatial details compared to data currently available.

show abstract

An agrometeorological–spectral model to estimate soybean yield, applied to southern Brazil

Cited by 32 publications

References 15 publications

Regiões Homogêneas De Vegetação Utilizando a Variabilidade Do Ndvi

Regiões Homogêneas De Vegetação Utilizando a Variabilidade Do Ndvi

Contribuições do solo e dossel em modelo de estimativa de biomassa aérea no Bioma Pampa

Inferências sobre o calendário agrícola a partir de perfis temporais de NDVI/MODIS

Contact Info

Product

Resources

About