Estimativa da produtividade da cana-de-açúcar utilizando o Sebal e imagens Landsat

Abstract

As técnicas de sensoriamento remoto têm sido muito promissoras para o desenvolvimento de medidas mais confiáveis e economicamente viáveis da produção vegetal em larga escala. O algoritmo SEBAL (Surface Energy Balance Algorithm for Land) tem como vantagem a obtenção de parâmetros biofísicos usando imagens de satélite e poucos dados observacionais. Este trabalho objetivou estimar a produtividade da cana-de-açúcar por meio da aplicação do algoritmo SEBAL e de imagens Landsat 5 TM. O estudo foi realizado em plantios de cana-de-açúcar da fazenda Boa Fé, localizada no Triângulo Mineiro, município de Conquista, Minas Gerais. A metodologia utilizada apresentou variação de desempenho nas estimativas de produtividade da cana-de-açúcar de cada gleba, provavelmente em decorrência de influências da dimensão dos talhões e da resolução espacial da imagem, e de variedades e épocas de plantio e colheita da cultura. No entanto, os resultados apontam que a metodologia tem potencial para ser aplicada em áreas extensas com limitada disponibilidade de dados meteorológicos.

Remote sensing techniques have shown very promising results in the development of more trustworthy and economically viable large-scale agricultural production measurements. The Surface Energy Balance Algorithm for Land (SEBAL) has the advantage of obtaining biophysical parameters using satellite images and few observational data. This work aimed to estimate sugarcane production using the SEBAL algorithm and Landsat 5 TM images. It was performed on sugarcane crops at the Boa Fé farm, located in Conquista, MG, Brazil. The used method showed varying performance in the sugarcane production estimates for each plot, probably due to the influences of the size of the plots and the spatial resolution of the image, and of varieties and crop planting and harvest dates. However, the results indicate the method has potential for application on large areas on which there is limited availability of meteorological data.