Ciências Agrárias
URI permanente desta comunidadehttps://locus.ufv.br/handle/123456789/2
Navegar
3 resultados
Resultados da Pesquisa
Item Geotec II: proposição de um índice geográfico-tecnoógico para o setor agropecuário brasileiro(Universidade Federal de Viçosa, 2010-02-22) França, Michelle Milanez; Fontes, Rosa Maria Olivera; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4783412T6; Fernandes Filho, Elpídio Inácio; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4703656Z4; Fontes, Maurício Paulo Ferreira; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4721443T4; http://lattes.cnpq.br/4699163871152127; Jucksch, Ivo; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4723123H4; Fernandes, Raphael Bragança Alves; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4728400J8A agricultura é uma atividade econômica dependente, em grande parte, do meio físico. O aspecto ecológico confere fundamental importância ao processo de produção agropecuária. Um país ou região apresenta várias sub-regiões com distintas condições de solo e clima e, portanto, com distintas aptidões para produzir diferentes bens agrícolas. A interpretação dos levantamentos de solo constitui-se de importância significativa para a utilização racional desse recurso natural na agricultura e em outros setores que se utilizam do solo como um elemento integrante de suas atividades. Em se tratando de atividades agrícolas, estas interpretações podem auxiliar na classificação de terras de acordo com sua aptidão para as diversas culturas, sob diferentes condições de manejo e viabilidade de melhoramento através de novas tecnologias. Pode-se ainda considerar, na interpretação dos levantamentos de solo, as necessidades de fertilizantes e corretivos, que possibilitam a avaliação potencial dos insumos em função da área cultivada no país. O sistema de avaliação da aptidão agrícola, no Brasil, teve início na década de 1960 como esforço em classificar o potencial das terras para a agricultura tropical. Na busca do conhecimento da aptidão das terras do Brasil, o Sistema de Avaliação da Aptidão Agrícola das Terras (Ramalho Filho & Beek, 1995) tem sido o mais empregado por consistir num importante instrumento para conhecimento do potencial e da disponibilidade de terras, de acordo com diferentes níveis de tecnologia ou de manejo, sendo o método preconizado pela Embrapa. O Índice Geográfico e Tecnológico (GeoTec) foi elaborado a partir de três outros índices: o Índice de Aptidão Agrícola (IAG), o Índice Tecnológico (ITE) e o Índice Hídrico (IHI). Fontes et al (2008) testaram diferentes combinações entre os três sub-índices utilizados em seu trabalho e chegaram ao seguinte cálculo: GeoTec= (IAG * 40%) + (ITE * 40%) + (IHI * 20%). Para este trabalho foi construído o Índice Geográfico e Tecnológico II (GeoTec II), sendo este elaborado a partir de dois outros índices: o Índice de Aptidão Agrícola (IAG) e o Índice Tecnológico (ITE). A combinação proposta para este novo índice resulta no seguinte cálculo: GeoTec II= (IAG * 50%) + (ITE * 50%). Esses índices consistem da agregação de variáveis geográficas, ativas e passivas cuja relevância está pautada na análise dos determinantes de renda e de crescimento no contexto das potencialidades naturais, bem como na análise de variáveis econômicas e sociais. Como este trabalho se perpassou nas unidades de federação do território brasileiro, o recorte mesorregional foi o mais adequado, tendo-se trabalhado com o mapeamento “Delineamento Macroecológico do Brasil” produzido pela Embrapa (Serviço Nacional de Levantamento e Conservação dos Solos – SNLCS) entre os anos de 1992/93. Os objetivos do presente trabalho foram: construção dos índices de aptidão agrícola (IAG) e índice tecnológico (ITE) das mesorregiões brasileiras com finalidade de subsidiar iniciativas que permitam o desenvolvimento agrícola das regiões, além de identificar as tecnologias que apresentaram maior associação com a produção das diferentes culturas. Os maiores valores do ITE estão situados nas mesorregiões Araraquara/SP, Oeste Catarinense e Noroeste Rio Grandense ao passo que os menores valores do ITE localizam-se nas mesorregiões Marajó/PA, Norte Amazonense e Sudoeste Paraense. Para o IAG os maiores valores são encontrados nas regiões Sudeste e Sul e os menores na região Norte. Constatou-se que o controle de pragas e doenças é uma tecnologia que precisa ser mais difundida em todo o território, visto que apenas 30% das propriedades do país a utilizam, com maior concentração nos Estados de Goiás, São Paulo e Minas Gerais. A maior porcentagem de utilização de adubos e corretivos e preparo do solo está situada no eixo Centro-Sul do país, sendo esta última tecnologia pouco utilizada no Norte do país.Item Mineração de dados, exatidão da classificação e modelagem do sombreamento do relevo no mapeamento do uso e cobertura da terra(Universidade Federal de Viçosa, 2013-10-30) França, Michelle Milanez; Fernandes Filho, Elpídio Inácio; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4703656Z4; Lani, João Luiz; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4783076P1; http://lattes.cnpq.br/4699163871152127; Soares, Vicente Paulo; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4781715A9; Ferreira, Williams Pinto Marques; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4799404E8; Brandão, Pedro Christo; http://lattes.cnpq.br/6847119919293306Este trabalho está segmentado em três capítulos, inter-relacionados. O primeiro capítulo trata da quantificação das áreas de sombras em imagens de satélites, estabelecidos a partir de dados existentes acerca dos dias e horário de passagem do satélite, bem como do estabelecimento das melhores épocas para aquisição de imagens, de forma a obter o menor percentual de sombra. Os produtos do Sensoriamento Remoto acabam apresentando pixels com áreas consideráveis de sombra, principalmente nas altas latitudes dos Hemisférios Norte e Sul. Este efeito realça as geoformas do relevo, mas em contrapartida prejudica o trabalho de classificação de imagens, impedindo que seja obtida a classe situada abaixo da sombra. Como até o momento não foi possível identificar nenhum dado que apresente a área perdida por sombreamento em imagens de satélite, decidiu-se modelar a radiação solar direta que atinge o terreno, em data e horário de passagem do satélite Landsat TM e ETM+, cujas imagens são mundialmente utilizadas. Para isso, foram simuladas as mesmas condições de relevo, em latitudes distintas, partindo da latitude 0° (Equador) até a latitude 40° S. Verificou-se que, nas latitudes 30°S e 40°S, onde a perda de área por sombreamento vai de 27% a 91%, as imagens devem ser adquiridas, preferencialmente, entre outubro e março. Nas latitudes 0° e 10° a perda pode ser considerada desprezível, quando fixado um limiar mínimo de ocorrência em 10%. No segundo capítulo foram utilizadas duas imagens do satélite Landsat TM, uma adquirida em período da primavera/inverno, apresentando extensas áreas de sombras e outra do período do inverno/outono, realçando um pouco mais os alvos do terreno. Estas imagens foram submetidas ao processo de mineração de dados para obtenção da melhor combinação de bandas e o algoritmo Maxver. A mineração de dados foi utilizada para verificar se existem combinações de bandas que agregam melhor resultado final na classificação, além das tradicionais 2,3,4 e 345, muito difundidas no Sensoriamento Remoto. Além das bandas espectrais do referido sensor, foram utilizadas três componentes principais e o índice NDVI, totalizando 10 bandas que, combinadas entre si, resultaram em 1023 classificações para cada imagem. O maior índice kappa obtido para a imagem da primavera/inverno foi de 0,90 com a combinação 235610 e para o do inverno/outono, obteu-se kappa de 0,88 na combinação 2358910. Foram obtidos kappas condicionais baixos apenas para as classes café e eucalipto. Ao avaliar o efeito do conjunto de bandas verificou-se que as componentes principais e o índice de vegetação NDVI proporcionaram incremento no kappa. O NDVI apareceu em todas as combinações com kappas altos. As classificações que tiveram pelo menos uma banda do visível, uma do infra-vermelho, uma componente principal e o NDVI, apresentaram bons resultados. No último capítulo, foi abordado a questão da exatidão dos mapeamentos produzidos, os índices utilizados na avaliação da exatidão e suas limitações, bem como o que vem sendo proposto ultimamente. Para isso, foram utilizados os resultados das cinquenta melhores classificações obtidas com as duas imagens que foram avaliadas, pixel a pixel. Foi verificado que, as classes de café e eucalipto foram classificadas em sete a oito categorias de diversidade. Embora isso, grande parte da área da bacia é classificada em comum acordo, ou seja, essas discordâncias representam menor percentual. Mesmo assim, o resultado revelou que o teste estatístico empregado (teste z), embora muito utilizado e recomendado para avaliar diferenças estatísticas entre classificadores ou combinações de bandas, não foi satisfatório por apresentar resultados diferentes onde, teoricamente, não havia diferença estatística com z ao nível de 5% de probabilidade. Os resultados dos dados que não apresentaram divergência entre respostas mostraram acerto de 41,4% para a imagem do primavera/inverno e de 60,5% para a imagem da inverno/outono. Ou seja, com base no resultado obtido apenas estes percentuais de área possuam a mesma resposta no processo de classificação.Item Mineração de Dados, Exatidão da Classificação e Modelagem do Sombreamento do Relevo no Mapeamento do Uso e Cobertura da Terra(Universidade Federal de Viçosa, 2013-10-30) França, Michelle Milanez; Fernandes Filho, Elpídio Inácio; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4703656Z4; Lani, João Luiz; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4783076P1; http://lattes.cnpq.br/4699163871152127; Soares, Vicente Paulo; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4781715A9; Ferreira, Williams Pinto Marques; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4799404E8; Brandão, Pedro Christo; http://lattes.cnpq.br/6847119919293306Este trabalho está segmentado em três capítulos, inter-relacionados. O primeiro capítulo trata da quantificação das áreas de sombras em imagens de satélites, estabelecidos a partir de dados existentes acerca dos dias e horário de passagem do satélite, bem como do estabelecimento das melhores épocas para aquisição de imagens, de forma a obter o menor percentual de sombra. Os produtos do Sensoriamento Remoto acabam apresentando pixels com áreas consideráveis de sombra, principalmente nas altas latitudes dos Hemisférios Norte e Sul. Este efeito realça as geoformas do relevo, mas em contrapartida prejudica o trabalho de classificação de imagens, impedindo que seja obtida a classe situada abaixo da sombra. Como até o momento não foi possível identificar nenhum dado que apresente a área perdida por sombreamento em imagens de satélite, decidiu-se modelar a radiação solar direta que atinge o terreno, em data e horário de passagem do satélite Landsat TM e ETM+, cujas imagens são mundialmente utilizadas. Para isso, foram simuladas as mesmas condições de relevo, em latitudes distintas, partindo da latitude 0° (Equador) até a latitude 40° S. Verificou-se que, nas latitudes 30°S e 40°S, onde a perda de área por sombreamento vai de 27% a 91%, as imagens devem ser adquiridas, preferencialmente, entre outubro e março. Nas latitudes 0° e 10° a perda pode ser considerada desprezível, quando fixado um limiar mínimo de ocorrência em 10%. No segundo capítulo foram utilizadas duas imagens do satélite Landsat TM, uma adquirida em período da primavera/inverno, apresentando extensas áreas de sombras e outra do período do inverno/outono, realçando um pouco mais os alvos do terreno. Estas imagens foram submetidas ao processo de mineração de dados para obtenção da melhor combinação de bandas e o algoritmo Maxver. A mineração de dados foi utilizada para verificar se existem combinações de bandas que agregam melhor resultado final na classificação, além das tradicionais 2,3,4 e 345, muito difundidas no Sensoriamento Remoto. Além das bandas espectrais do referido sensor, foram utilizadas três componentes principais e o índice NDVI, totalizando 10 bandas que, combinadas entre si, resultaram em 1023 classificações para cada imagem. O maior índice kappa obtido para a imagem da primavera/inverno foi de 0,90 com a combinação 235610 e para o do inverno/outono, obteu-se kappa de 0,88 na combinação 2358910. Foram obtidos kappas condicionais baixos apenas para as classes café e eucalipto. Ao avaliar o efeito do conjunto de bandas verificou-se que as componentes principais e o índice de vegetação NDVI proporcionaram incremento no kappa. O NDVI apareceu em todas as combinações com kappas altos. As classificações que tiveram pelo menos uma banda do visível, uma do infra-vermelho, uma componente principal e o NDVI, apresentaram bons resultados. No último capítulo, foi abordado a questão da exatidão dos mapeamentos produzidos, os índices utilizados na avaliação da exatidão e suas limitações, bem como o que vem sendo proposto ultimamente. Para isso, foram utilizados os resultados das cinquenta melhores classificações obtidas com as duas imagens que foram avaliadas, pixel a pixel. Foi verificado que, as classes de café e eucalipto foram classificadas em sete a oito categorias de diversidade. Embora isso, grande parte da área da bacia é classificada em comum acordo, ou seja, essas discordâncias representam menor percentual. Mesmo assim, o resultado revelou que o teste estatístico empregado (teste z), embora muito utilizado e recomendado para avaliar diferenças estatísticas entre classificadores ou combinações de bandas, não foi satisfatório por apresentar resultados diferentes onde, teoricamente, não havia diferença estatística com z ao nível de 5% de probabilidade. Os resultados dos dados que não apresentaram divergência entre respostas mostraram acerto de 41,4% para a imagem do primavera/inverno e de 60,5% para a imagem da inverno/outono. Ou seja, com base no resultado obtido apenas estes percentuais de área possiam a mesma resposta no processo de classificação