Biometria e índices de vegetação por sensoriamento remoto em área de pastagem no município de Cachoeiras de Macacu, RJ

Detalhes bibliográficos
Autor(a) principal: Pessanha, Mariane dos Santos
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRRJ
Texto Completo: https://rima.ufrrj.br/jspui/handle/20.500.14407/13307
Resumo: A produção agrícola e pecuária é influenciada por diferentes fatores climáticos e pela demanda internacional. Atualmente a pecuária tem importante papel na atividade econômica do País e, em decorrência dessa influência surge a necessidade de repensar as etapas de manejo a partir da aplicação de novas técnicas e ferramentas tecnológicas no gerenciamento dessas áreas. O presente trabalho apresenta uma avaliação das características biométricas e o processamento de imagens orbitais para obtenção dos índices de vegetação de uma área de pastagem comercial localizada no município de Cachoeiras de Macacu, RJ. Para a caracterização biométrica foram considerados métodos destrutivos e não-destrutivos em superfície, assim como o método baseado em imagens orbitais dos satélites Landsat-8 (L8) e Sentinel-2 (S2). Nas campanhas foi determinado o índice de área foliar (IAF), com a utilização de um ceptômetro e a altura para duas áreas, defindas como: i) externa (30 ha) com pastoreio de 160 animais a cada 15 dias, e ii) interna (25 m²), cercada dentro da área externa e sem pastoreio. No método destrutivo adotado em três campanhas, a vegetação da área externa foi coletada ao nível do solo e levada para laboratório. As imagens orbitais foram selecionadas, considerando a menor interferência de nuvens, pré-processadas e manipuladas algebricamente com ferramentas de geoprocessamento. As variáveis meteorológicas para caracterização das condições ambientais do local foram obtidas por uma estação micrometeorológica instalada na área e a precipitação foi medida por uma estação meteorológica localizada próxima da área de estudo. O IAF apresentou média de 2,10 m2.m-2, com valor mínimo de 0,68 m2.m-2, e valor máximo de 5,00 m2.m-2, enquanto na área interna a média foi de 2,72 m2.m-2, com mínimo de 1,31 m2.m-2; e máximo de 5,31 m2.m-2. A altura da vegetação na área externa apresentou média de 29,19 cm, com valor máximo de 75 cm e mínimo de 8 cm, para a área interna foi encontrada média de 48,41 cm, com valor máximo de 90 cm e mínimo de 12 cm. Para imagens do Landsat-8, o NDVI (Normalized Difference Vegetation Index) variou entre 0,61 e 0,83; SAVI (Soil-Adjusted Vegetation Index) entre 0,32 e 0,68; e IAF com valores entre 0,52 e 4,56, para Sentinel-2 a variação do NDVI foi entre 0,58 e 0,79, SAVI entre 0,29 e 0,61 e IAF entre 0,42 a 2,17. Os valores de IAF estimado pelo índice SAVI com o IAF observado (ceptômetro) apresentou precisão, com coeficiente de concordância de Willmott (d) de 0,87 (Sentinel-2) e 0,86 (Landsat-8) para L=0,25. O estudo demonstrou que os resultados apresentam comportamento sazonal, que indicou períodos com maior disponibilidade de água e energia solar no ambiente favorecem o crescimento da vegetação. O monitoramento se torna importante ferramenta para auxiliar no conhecimento da dinâmica sazonal e, fornece informações para projetos e manejo de áreas de pastagem.
id UFRRJ-1_80159e37939df3f6d0da28c048beea86
oai_identifier_str oai:rima.ufrrj.br:20.500.14407/13307
network_acronym_str UFRRJ-1
network_name_str Repositório Institucional da UFRRJ
repository_id_str
spelling Pessanha, Mariane dos SantosLyra, Gustavo Bastos021.209.164-62http://lattes.cnpq.br/2677800541601144Lima, Evaldo de Paiva032.031.684-05Lyra, Gustavo BastosAbreu, Marcel CarvalhoAndrade, Ricardo Guimarães145.021.457-69http://lattes.cnpq.br/19626372805069462023-12-22T02:45:14Z2023-12-22T02:45:14Z2020-11-06PESSANHA, Mariane dos Santos. Biometria e índices de vegetação por sensoriamento remoto em área de pastagem no município de Cachoeiras de Macacu, RJ. 2020. 63 f. Dissertação (Mestrado em Engenharia Agrícola e Ambiental) - Instituto de Tecnologia, Departamento de Engenharia, Universidade Federal Rural do Rio de Janeiro, Seropédica, RJ, 2020.https://rima.ufrrj.br/jspui/handle/20.500.14407/13307A produção agrícola e pecuária é influenciada por diferentes fatores climáticos e pela demanda internacional. Atualmente a pecuária tem importante papel na atividade econômica do País e, em decorrência dessa influência surge a necessidade de repensar as etapas de manejo a partir da aplicação de novas técnicas e ferramentas tecnológicas no gerenciamento dessas áreas. O presente trabalho apresenta uma avaliação das características biométricas e o processamento de imagens orbitais para obtenção dos índices de vegetação de uma área de pastagem comercial localizada no município de Cachoeiras de Macacu, RJ. Para a caracterização biométrica foram considerados métodos destrutivos e não-destrutivos em superfície, assim como o método baseado em imagens orbitais dos satélites Landsat-8 (L8) e Sentinel-2 (S2). Nas campanhas foi determinado o índice de área foliar (IAF), com a utilização de um ceptômetro e a altura para duas áreas, defindas como: i) externa (30 ha) com pastoreio de 160 animais a cada 15 dias, e ii) interna (25 m²), cercada dentro da área externa e sem pastoreio. No método destrutivo adotado em três campanhas, a vegetação da área externa foi coletada ao nível do solo e levada para laboratório. As imagens orbitais foram selecionadas, considerando a menor interferência de nuvens, pré-processadas e manipuladas algebricamente com ferramentas de geoprocessamento. As variáveis meteorológicas para caracterização das condições ambientais do local foram obtidas por uma estação micrometeorológica instalada na área e a precipitação foi medida por uma estação meteorológica localizada próxima da área de estudo. O IAF apresentou média de 2,10 m2.m-2, com valor mínimo de 0,68 m2.m-2, e valor máximo de 5,00 m2.m-2, enquanto na área interna a média foi de 2,72 m2.m-2, com mínimo de 1,31 m2.m-2; e máximo de 5,31 m2.m-2. A altura da vegetação na área externa apresentou média de 29,19 cm, com valor máximo de 75 cm e mínimo de 8 cm, para a área interna foi encontrada média de 48,41 cm, com valor máximo de 90 cm e mínimo de 12 cm. Para imagens do Landsat-8, o NDVI (Normalized Difference Vegetation Index) variou entre 0,61 e 0,83; SAVI (Soil-Adjusted Vegetation Index) entre 0,32 e 0,68; e IAF com valores entre 0,52 e 4,56, para Sentinel-2 a variação do NDVI foi entre 0,58 e 0,79, SAVI entre 0,29 e 0,61 e IAF entre 0,42 a 2,17. Os valores de IAF estimado pelo índice SAVI com o IAF observado (ceptômetro) apresentou precisão, com coeficiente de concordância de Willmott (d) de 0,87 (Sentinel-2) e 0,86 (Landsat-8) para L=0,25. O estudo demonstrou que os resultados apresentam comportamento sazonal, que indicou períodos com maior disponibilidade de água e energia solar no ambiente favorecem o crescimento da vegetação. O monitoramento se torna importante ferramenta para auxiliar no conhecimento da dinâmica sazonal e, fornece informações para projetos e manejo de áreas de pastagem.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorFAPERJ - Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do Rio de JaneiroAgricultural and livestock production is influenced by different climatic factors and international demand. Livestock currently plays an important role in the country's economic activity and, as a result of this influence, there is a need to rethink the management stages based on the application of new techniques and technological tools in the management of these areas. The present work presents an evaluation of the biometric characteristics and the processing of orbital images to obtain the vegetation indices of a commercial pasture area located in the municipality of Cachoeiras de Macacu, RJ. For the biometric characterization, destructive and non-destructive methods on the surface were considered, as well as the method based on orbital images from the Landsat-8 (L8) and Sentinel-2 (S2) satellites. The leaf area index (LAI) was determined in the campaigns, using a ceptometer and the height for two areas, defined as: i) outdoor (30 ha) with 160 animals grazing every 15 days, and ii) indoor (25 m²), fenced inside the outdoor area and without grazing. In the destructive method adopted in three campaigns, the vegetation in the external area was collected at ground level and taken to the laboratory. The orbital images were selected, considering the lowest cloud interference, pre-processed and algebraically manipulated with geoprocessing tools. The meteorological variables for characterization of the environmental conditions of the place were obtained by a micrometeorological station installed in the area and the precipitation was measured by a meteorological station located close to the study area. The IAF presented an average of 2.10 m2.m-2, with a minimum value of 0.68 m2.m-2, and a maximum value of 5.00 m2.m-2, while in the internal area the average was 2. 72 m2.m-2, with a minimum of 1.31 m2.m-2; and a maximum of 5.31 m2.m-2. The height of the vegetation in the external area averaged 29.19 cm, with a maximum value of 75 cm and a minimum of 8 cm, for the internal area it was found an average of 48.41 cm, with a maximum value of 90 cm and a minimum of 12 cm. For Landsat-8 images, the NDVI (Normalized Difference Vegetation Index) ranged between 0.61 and 0.83; SAVI (Soil-Adjusted Vegetation Index) between 0.32 and 0.68; and IAF with values between 0.52 and 4.56, for Sentinel-2 the NDVI variation was between 0.58 and 0.79, SAVI between 0.29 and 0.61 and IAF between 0.42 and 2.17. The IAF values estimated by the SAVI index with the observed IAF (ceptometer) showed accuracy, with a Willmott coefficient of agreement (d) of 0.87 (Sentinel-2) and 0.86 (Landsat-8) for L=0. 25. The study showed that the results show seasonal behavior, which indicated periods with greater availability of water and solar energy in the environment favor the growth of vegetation. Monitoring becomes an important tool to help understand seasonal dynamics and provide information for projects and management of pasture areas.application/pdfporUniversidade Federal Rural do Rio de JaneiroPrograma de Pós-Graduação em Engenharia Agrícola e AmbientalUFRRJBrasilInstituto de Tecnologiageoprocessamentoimagens orbitaisdinâmica sazonalgeoprocessingorbital imagesseasonal dynamicsGeociênciasBiometria e índices de vegetação por sensoriamento remoto em área de pastagem no município de Cachoeiras de Macacu, RJBiometry and vegetation indexes by remote sensing in a pasture area in the municipality of Cachoeiras de Macacu, RJinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisALLEN, R. G.; TASUMI, M.; TREZZA, R;. WATERS, R.; BASTIAANSSEN, W. Surface Energy Balance Algorithms for Land (SEBAL). Advanced Training and users Manual, Kimberly, Idaho, v.1, 97p. 2002. ALVARES, Clayton Alcarde et al. Köppen’s climate classification map for Brazil. Meteorologische Zeitschrift, v. 22, n. 6, p. 711-728, 2013. ATZBERGER, Clement et al. Comparative analysis of different retrieval methods for mapping grassland leaf area index using airborne imaging spectroscopy. International Journal of Applied Earth Observation and Geoinformation, v. 43, p. 19-31, 2015. BADIA, N. et al. Using Sentinel-2 images to implement Precision Agriculture techniques in large arable fields: First results of a case study. Advances in Animal Biosciences, v. 8, n. 2, p. 377-382, 2017. BATISTELLA, M.; ANDRADE, R.G.; BOLFE, É.L.; VICTORIA, D.C.; SILVA, G.B.S. Geotecnologias e gestão territorial da bovinocultura no Brasil. Revista Brasileira de Zootecnia, v. 40, supl. especial, p. 251-260, 2011. BELLA, D.; FAIVRE, R.; RUGET, F.; SEGUIN, B.; GUÉRIF, M.; COMBAL, B.; WEISS, M.; REBELLA, C.; DI BELLA, D. Remote sensing capabilities to estimate pasture production in France. International Journal of Remote Sensing, v. 25, n. 23, p. 5359–5372, 2004. CAMPBELL, J. B.; WYNNE, R. H. Introduction to remote sensing. 5. ed. Nova York: Guilford Press, 2011. CEZAR, I. M.; QUEIROZ, H. P. de; THIAGO, L. R. L. de S.; GARAGORRY, F. L.; COSTA, F. P. Sistemas de produção de gado de corte no Brasil: uma descrição com ênfase no regime alimentar e no abate. Campo Grande: Embrapa Gado de Corte, 2005. Chavez Jr., P.S. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment, v. 24, n. 3, p. 459-479, 1988. CONGEDO, Luca. Semi-automatic classification plugin documentation. Release, v. 4, n. 0.1, p. 29, 2016. CORRÊA, L. de A.; SANTOS, P. M. Irrigação de pastagens formadas por gramíneas forrageiras tropicais. Embrapa Pecuária Sudeste-Circular Técnica (INFOTECA-E), São Carlos, 2006. CRISPIM, Sandra Mara Araújo; DOMINGOS BRANCO, O. Aspectos gerais das braquiárias e suas características na sub-região da Nhecolândia, Pantanal, MS. Embrapa Pantanal-Boletim de Pesquisa e Desenvolvimento (INFOTECA-E), Corumbá: Embrapa Pantanal, 2002. CHUVIECO, Emilio; SALAS, Javier. Mapping the spatial distribution of forest fire danger using GIS. International Journal of Geographical Information Science, v. 10, n. 3, p. 333-345, 1996. DARVISHZADEH, Roshanak et al. Estimation of vegetation LAI from hyperspectral reflectance data: Effects of soil type and plant architecture. International Journal of Applied Earth Observation and Geoinformation, v. 10, n. 3, p. 358-373, 2008. DARVISHZADEH, Roshanak et al. Mapping grassland leaf area index with airborne hyperspectral imagery: A comparison study of statistical approaches and inversion of radiative transfer models. ISPRS Journal of Photogrammetry and Remote Sensing, v. 66, n. 6, p. 894-906, 2011. DECAGON DEVICES. Accupar LP80. Disponível em: <http://www.decagon.com.br/dossel/luz/accupar/>. Acesso em: fev. 2019. DIAS-FILHO, Moacyr Bernardino. Degradação de pastagens: processos, causas e estratégias de recuperação. 4ª ed. Belém: MBDF, 2011. DIAS-FILHO, Moacyr Bernardino. Degradação de pastagens. Brasil, p. 62, 2005. DI MAIO, A. FRIEDRICH, T. MORAES, E.PEREIRA, G.MOREIRA, M.SAUSEN, T. FLORENZANO, T. Sensoriamento Remoto. Brasil, 2018. Disponível em: http://www.cdcc.usp.br/cda/oba/aeb/sensoriamento_remoto_alta_resolucao_2008.pdf. Acesso em 28 abr. 2020. DRUSCH, M.; BELLO, U. del; CARLIER, S.; COLIN, O.; FERNANDEZ, V.; GASCON, F.; HOERSCH, B.; ISOLA, C.; LABERINTI, P.; MARTIMORT, P. Sentinel-2: ESA's Optical High-Resolution Mission for GMES Operational Services. Remote Sensing Of Environment, v. 120, p. 25-36, 2012. http://dx.doi.org/10.1016/j.rse.2011.11.026. DUSSEUX, Pauline; CORPETTI, Thomas; HUBERT-MOY, Laurence; CORGNE, Samuel. Combined Use of Multi-Temporal Optical and Radar Satellite Images for Grassland Monitoring. Remote Sensing, v. 6, n. 7, p. 6163-6182, 2014. http://dx.doi.org/10.3390/rs6076163. ESCADA, Maria Isabel Sobral; VIEIRA, Ima Célia G.; KAMPEL, Silvana A.; ARAðJO, Roberto; VEIGA, Jonas Bastos da; AGUIAR, Ana Paula Dutra; VEIGA, Iran; OLIVEIRA, Myriam; PEREIRA, Jorge Luís Gavina; CARNEIRO FILHO, Arnaldo. Processos de ocupação nas novas fronteiras da Amazônia: o interflúvio do xingu/ iriri. Estudos Avançados, v. 19, n. 54, p. 9-23, 2005. http://dx.doi.org/10.1590/s0103-40142005000200002. ESCOLÀ, A.; BADIA, N.; ARNÓ, J.; MARTÍNEZ-CASASNOVAS, J.A. Using Sentinel-2 images to implement Precision Agriculture techniques in large arable fields: first results of a case study. Advances In Animal Biosciences, v. 8, n. 2, p. 377-382, 2017. http://dx.doi.org/10.1017/s2040470017000784. European Space Agency (ESA). Global monitoring for environment and security (GMES). Disponível em:<http://www.esa.int/About_Us/Ministerial99_Council_2012/Global_Monitoring_for_Environment_and_Security_GMES>. Acesso em: 9 fev. 2019. ESA. European Space Agency. Multispectral instrument (MSI) overview. Disponível em: <https://earth.esa.int/web/sentinel/technical-guides/sentinel-2-msi/msi-instrument>. Acesso em: 7 mar. 2018. FEITOSA, João Roberto Pinto. Uso de técnica de sensoriamento remoto e imagens Landsat-TM e NOAA-AVHRR na estimativa de balanço de energia à superfície. 2005. 183f. Tese (Doutorado em Recursos Naturais), Programa de Pós-graduação em Recursos Naturais, Centro de Tecnologias e Recursos Naturais, Universidade Federal de Campina Grande, Paraíba, 2005. FOOD AND AGRICULTURE ORGANIZATION (FAO). World agriculture: towards 2015/2030 - Prospects by Major Sector. Roma, 2003. World agriculture: Statistics. Roma, 2013. Disponível em: <http://www.fao.org/statistics/en/>. Acesso em: 18 jun. 2019. FORMAGGIO, Antonio Roberto; SANCHES, Ieda Del’Arco. Sensoriamento remoto em agricultura. São Paulo: Oficina de Textos, 2017. FRAMPTON, William James; DASH, Jadunandan; WATMOUGH, Gary; MILTON, Edward James. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation. ISPRS Journal Of Photogrammetry And Remote Sensing, v. 82, p. 83-92, 2013. http://dx.doi.org/10.1016/j.isprsjprs.2013.04.007. FRIEDL, M. A.; SCHIMEL, D. S.; MICHAELSEN, J.; DAVIS, F. W.; WALKER, H. Estimating grassland biomass and leaf area index using ground and satellite data. International Journal Of Remote Sensing, v. 15, n. 7, p. 1401-1420, 1994. http://dx.doi.org/10.1080/01431169408954174. GHELFI FILHO, Hugo. Efeito da irrigacao sobre a produtividade do capim elefante (pennisetum purpureum schum.) Variedade napier. 1972. 77 f. Tese (Doutorado) - Escola Superior de Agricultura Luiz de Queiros, Universidade de São Paulo, Piracicaba, 1972. GOWER, Stith T.; KUCHARIK, Chris J.; NORMAN, John M. Direct and Indirect Estimation of Leaf Area Index, fAPAR, and Net Primary Production of Terrestrial Ecosystems. Remote Sensing Of Environment, v. 70, n. 1, p. 29-51, 1999. http://dx.doi.org/10.1016/s0034-4257(99)00056-5. HUETE, A.R. A soil-adjusted vegetation index (SAVI). Remote Sensing Of Environment, v. 25, n. 3, p. 295-309, 1988. http://dx.doi.org/10.1016/0034-4257(88)90106-x. IBGE. Instituto Brasileiro de Geografia e Estatística. Censo Agropecuário 2017. Rio de Janeiro, 2017. Disponível em: <https://biblioteca.ibge.gov.br/visualizacao/periodicos/3096/agro_2017_resultados_definitivos.pdf>. Acesso em: 20 abr. 2019. Janssen, L.L.F. Introduction to remote sensing. In: Janssen, L.L.F., Huurnemann (Eds). Principles of remote sensing. 2.ed. Enschede: ITC. 2001. p.41-53. LACA, E.A. Pastoreo de precisión. In: Bioma Campos: innovando para mantener su sustentabilidad y competitividad. Montevideo: Tradinco, 2008, v.1, p.29-40. LATAWIEC, A.e.; STRASSBURG, B.B.N.; VALENTIM, J.F.; RAMOS, F.; ALVES-PINTO, H.N. Intensification of cattle ranching production systems: socioeconomic and environmental synergies and risks in Brazil. Animal, v. 8, n. 8, p. 1255-1263, 2014. http://dx.doi.org/10.1017/s1751731114001566. LILLESAND, Thomas; KIEFER, Ralph W.; CHIPMAN, Jonathan. Remote sensing and image interpretation. New York: John Wiley & Sons, 1993. LIU, William Tse Horng. Aplicações de sensoriamento remoto. São Paulo: Oficina de Textos, 2015. LIU, William Tse Horng. Aplicações de sensoriamento remoto. São Paulo: Oficina de Textos, 2006. Disponível em: https://books.google.com.br/books?id=YNEtCQAAQBAJ&printsec=frontcover&hl=ptBR#v=onepage&q&f=false. Acesso em 12.07.2019. MARTÍNEZ, Luis Joel Martínez. Relationship between crop nutritional status, spectral measurements and Sentinel 2 images. Agronomía Colombiana, v. 35, n. 2, p. 205-215, 2017. http://dx.doi.org/10.15446/agron.colomb.v35n2.62875. MARTINS, S. C. F. Evapotranspiração real pelo método do balanço de energia - Razão de Bowen em área de pastagem na região metropolitana do Rio de Janeiro. Dissertação (Mestrado em Engenharia Agrícola e Ambiental) - Universidade Federal Rural do Rio de Janeiro, Seropédica, 2019. MENESES, Paulo Roberto; ALMEIDA, Tati de. Introdução ao processamento de imagens de sensoriamento remoto. Brasília: Conselho Nacional de Desenvolvimento Científico e Tecnológico, 2012. MERRY, Frank; SOARES-FILHO, Britaldo. Will intensification of beef production deliver conservation outcomes in the Brazilian Amazon? Elementa: Science of the Anthropocene, v. 5, p. 24, 2017. http://dx.doi.org/10.1525/elementa.224. NETO, A. L.; SVICERO, E. F.; BARROS, J. C. B. V. Manejo de plantas daninhas em pastagens. In: PIRES, WAGNER (Org.). Manual de pastagens: formação, manejo e recuperação. 1. ed. Viçosa: Editora Aprenda Fácil, 2006. p. 302. NOVO, E. M. L. M. Sensoriamento Remoto: princípios e aplicações. São Paulo: Editora Blucher, 2008. Organização das Nações Unidas para Alimentação e Agricultura. FAO, 2020. Pecuária sustentável e mudanças climáticas na América Latina e no Caribe. Disponível em: http://www.fao.org/americas/prioridades/ganaderia-sostenible/pt/. Acesso em: 25 jul. 2020. PASOLLI, Edoardo; YANG, Hsiuhan Lexie; CRAWFORD, Melba M. Active-metric learning for classification of remotely sensed hyperspectral images. IEEE Transactions on Geoscience and Remote Sensing, v. 54, n. 4, p. 1925-1939, 2015. PINHEIRO, Fernanda da Silva; LYRA, Gustavo Bastos; ABREU, Marcel Carvalho; ARTHUR JUNIOR, José Carlos; SILVA, Leonardo Duarte Batista da; LYRA, Guilherme Bastos; SANTOS, Ednaldo Oliveira dos. Área foliar de mudas de urucum (Bixa orellana L.) estimada por diferentes métodos: uma análise comparativa. Ciência Florestal, v. 30, n. 3, p. 885-897, 2020. http://dx.doi.org/10.5902/1980509840896. PONZONI, F. J.; SHIMABUKURU, Y.E. Sensoriamento remoto no estudo da vegetação. São José dos Campos: A. Silva Vieira , 2009. 127 p. PONZONI, Flávio Jorge; SHIMABUKURO, Yosio Edemir; KUPLICH, Tatiana Mora. Sensoriamento remoto da vegetação. São Paulo: Oficina de Textos, 2015. PULLANAGARI, R.R.; YULE, I.; KING, W.; DALLEY, D.; DYNES, R. The use of optical sensors to estimate pasture quality. International Journal On Smart Sensing And Intelligent Systems, v. 4, n. 1, p. 125-137, 2011. http://dx.doi.org/10.21307/ijssis-2017-430. QGIS. Development Team. QGIS Geographic Information System. Open Source Geospatial Foundation Project. 2015. Disponível em: http://qgis.osgeo.org. Acesso em: 23 set. 2015. QI, J.; CHEHBOUNI, A.; HUETE, A.R.; KERR, Y.H.; SOROOSHIAN, S. A modified soil adjusted vegetation index. Remote Sensing Of Environment, v. 48, n. 2, p. 119-126, 1994. http://dx.doi.org/10.1016/0034-4257(94)90134-1. RIBEIRO, T. B. et al. Características forrageiras de algumas gramíneas do gênero Brachiaria-Revisão de literatura. Nutritime Revista Eletrônica, v. 13, n. 4, p. 4773-4780, 2016. RIZZI, R. Geotecnologias em um sistema de estimativa da produção de soja: estudo de caso no Rio Grande do Sul. 2004. 212 f. Tese (Doutorado em Sensoriamento Remoto), Instituto Nacional de Pesquisas Espaciais, São José dos Campos (SP), 2004. RODRIGUES, Elisangela Ronconi. Controle biológico de Brachiaria decumbens Stapf em área de reserva legal em processo de recuperação, na região do Pontal do Paranapanema, São Paulo, Brasil. 2010. 77 f. Tese (Doutorado) - Universidade Estadual Paulista, Instituto de Biociências de Rio Claro, 2010. ROUSE, John Wilson et al. Monitoring vegetation systems in the Great Plains with ERTS. NASA special publication, v. 351, n. 1974, p. 309, 1974. SCHINDELIN, Johannes; ARGANDA-CARRERAS, Ignacio; FRISE, Erwin; KAYNIG, Verena; LONGAIR, Mark; PIETZSCH, Tobias; PREIBISCH, Stephan; RUEDEN, Curtis; SAALFELD, Stephan; SCHMID, Benjamin. Fiji: an open-source platform for biological-image analysis. Nature Methods, v. 9, n. 7, p. 676-682, 2012. http://dx.doi.org/10.1038/nmeth.2019. SILVA, Samuel; FERRARI, Jéferson Luiz. Descrição Botânica, Distribuição Geográfica e Potencialidades de Uso da Brachiaria brizantha (Hochst. ex. A. Rich) Stapf. Enciclopédia Biosfera, Goiânia, v. 8, n. 14, 2012. VALENCIA, Lady Victoria Angulo. Comportamento espectral das culturas de milho, arroz e soja, usando imagens dos satélites Sentinel-2, Cbers-4 e Landsat-8. 2020. 116 f. Dissertação (Mestrado em Ciências e Aplicações Geoespaciais) - Universidade Presbiteriana Mackenzie, São Paulo, 2020. VICENTE, Luiz Eduardo; GOMES, Daniel; VICTORIA, Daniel de Castro; GARÇON, Edlene Aparecida Monteiro; BOLFE, Édson Luis; ANDRADE, Ricardo Guimarães; SILVA, Gustavo Bayma Siqueira da. Séries temporais de NDVI do sensor SPOT Vegetation e algoritmo SAM aplicados ao mapeamento de cana-de-açúcar. Pesquisa Agropecuária Brasileira, v. 47, n. 9, p. 1337-1345, 2012. http://dx.doi.org/10.1590/s0100-204x2012000900019. WILLMOTT, Cort J. On the validation of models. Physical geography, v. 2, n. 2, p. 184-194, 1981. http://dx.doi.org/10.1080/02723646.1981.10642213. ZHANG, Xin; WU, Bingfang; PONCE-CAMPOS, Guillermo; ZHANG, Miao; CHANG, Sheng; TIAN, Fuyou. Mapping up-to-Date Paddy Rice Extent at 10 M Resolution in China through the Integration of Optical and Synthetic Aperture Radar Images. Remote Sensing, v. 10, n. 8, p. 1200, 2018. http://dx.doi.org/10.3390/rs10081200.https://tede.ufrrj.br/retrieve/72015/2020%20-%20Mariane%20dos%20Santos%20Pessanha.pdf.jpghttps://tede.ufrrj.br/jspui/handle/jspui/6289Submitted by Jorge Silva (jorgelmsilva@ufrrj.br) on 2023-01-30T17:49:02Z No. of bitstreams: 1 2020 - Mariane dos Santos Pessanha.pdf: 1916265 bytes, checksum: d0830574de8269725aedfb4aa1bd2f65 (MD5)Made available in DSpace on 2023-01-30T17:49:02Z (GMT). No. of bitstreams: 1 2020 - Mariane dos Santos Pessanha.pdf: 1916265 bytes, checksum: d0830574de8269725aedfb4aa1bd2f65 (MD5) Previous issue date: 2020-11-06info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRRJinstname:Universidade Federal Rural do Rio de Janeiro (UFRRJ)instacron:UFRRJTHUMBNAIL2020 - Mariane dos Santos Pessanha.pdf.jpgGenerated Thumbnailimage/jpeg1943https://rima.ufrrj.br/jspui/bitstream/20.500.14407/13307/1/2020%20-%20Mariane%20dos%20Santos%20Pessanha.pdf.jpgcc73c4c239a4c332d642ba1e7c7a9fb2MD51TEXT2020 - Mariane dos Santos Pessanha.pdf.txtExtracted Texttext/plain99703https://rima.ufrrj.br/jspui/bitstream/20.500.14407/13307/2/2020%20-%20Mariane%20dos%20Santos%20Pessanha.pdf.txtf3483167034ed874de8c4e03a924ee5aMD52ORIGINAL2020 - Mariane dos Santos Pessanha.pdfapplication/pdf1916265https://rima.ufrrj.br/jspui/bitstream/20.500.14407/13307/3/2020%20-%20Mariane%20dos%20Santos%20Pessanha.pdfd0830574de8269725aedfb4aa1bd2f65MD53LICENSElicense.txttext/plain2089https://rima.ufrrj.br/jspui/bitstream/20.500.14407/13307/4/license.txt7b5ba3d2445355f386edab96125d42b7MD5420.500.14407/133072023-12-21 23:45:14.582oai:rima.ufrrj.br:20.500.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Biblioteca Digital de Teses e Dissertaçõeshttps://tede.ufrrj.br/PUBhttps://tede.ufrrj.br/oai/requestbibliot@ufrrj.br||bibliot@ufrrj.bropendoar:2023-12-22T02:45:14Biblioteca Digital de Teses e Dissertações da UFRRJ - Universidade Federal Rural do Rio de Janeiro (UFRRJ)false
dc.title.por.fl_str_mv Biometria e índices de vegetação por sensoriamento remoto em área de pastagem no município de Cachoeiras de Macacu, RJ
dc.title.alternative.eng.fl_str_mv Biometry and vegetation indexes by remote sensing in a pasture area in the municipality of Cachoeiras de Macacu, RJ
title Biometria e índices de vegetação por sensoriamento remoto em área de pastagem no município de Cachoeiras de Macacu, RJ
spellingShingle Biometria e índices de vegetação por sensoriamento remoto em área de pastagem no município de Cachoeiras de Macacu, RJ
Pessanha, Mariane dos Santos
geoprocessamento
imagens orbitais
dinâmica sazonal
geoprocessing
orbital images
seasonal dynamics
Geociências
title_short Biometria e índices de vegetação por sensoriamento remoto em área de pastagem no município de Cachoeiras de Macacu, RJ
title_full Biometria e índices de vegetação por sensoriamento remoto em área de pastagem no município de Cachoeiras de Macacu, RJ
title_fullStr Biometria e índices de vegetação por sensoriamento remoto em área de pastagem no município de Cachoeiras de Macacu, RJ
title_full_unstemmed Biometria e índices de vegetação por sensoriamento remoto em área de pastagem no município de Cachoeiras de Macacu, RJ
title_sort Biometria e índices de vegetação por sensoriamento remoto em área de pastagem no município de Cachoeiras de Macacu, RJ
author Pessanha, Mariane dos Santos
author_facet Pessanha, Mariane dos Santos
author_role author
dc.contributor.author.fl_str_mv Pessanha, Mariane dos Santos
dc.contributor.advisor1.fl_str_mv Lyra, Gustavo Bastos
dc.contributor.advisor1ID.fl_str_mv 021.209.164-62
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/2677800541601144
dc.contributor.advisor-co1.fl_str_mv Lima, Evaldo de Paiva
dc.contributor.advisor-co1ID.fl_str_mv 032.031.684-05
dc.contributor.referee1.fl_str_mv Lyra, Gustavo Bastos
dc.contributor.referee2.fl_str_mv Abreu, Marcel Carvalho
dc.contributor.referee3.fl_str_mv Andrade, Ricardo Guimarães
dc.contributor.authorID.fl_str_mv 145.021.457-69
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/1962637280506946
contributor_str_mv Lyra, Gustavo Bastos
Lima, Evaldo de Paiva
Lyra, Gustavo Bastos
Abreu, Marcel Carvalho
Andrade, Ricardo Guimarães
dc.subject.por.fl_str_mv geoprocessamento
imagens orbitais
dinâmica sazonal
topic geoprocessamento
imagens orbitais
dinâmica sazonal
geoprocessing
orbital images
seasonal dynamics
Geociências
dc.subject.eng.fl_str_mv geoprocessing
orbital images
seasonal dynamics
dc.subject.cnpq.fl_str_mv Geociências
description A produção agrícola e pecuária é influenciada por diferentes fatores climáticos e pela demanda internacional. Atualmente a pecuária tem importante papel na atividade econômica do País e, em decorrência dessa influência surge a necessidade de repensar as etapas de manejo a partir da aplicação de novas técnicas e ferramentas tecnológicas no gerenciamento dessas áreas. O presente trabalho apresenta uma avaliação das características biométricas e o processamento de imagens orbitais para obtenção dos índices de vegetação de uma área de pastagem comercial localizada no município de Cachoeiras de Macacu, RJ. Para a caracterização biométrica foram considerados métodos destrutivos e não-destrutivos em superfície, assim como o método baseado em imagens orbitais dos satélites Landsat-8 (L8) e Sentinel-2 (S2). Nas campanhas foi determinado o índice de área foliar (IAF), com a utilização de um ceptômetro e a altura para duas áreas, defindas como: i) externa (30 ha) com pastoreio de 160 animais a cada 15 dias, e ii) interna (25 m²), cercada dentro da área externa e sem pastoreio. No método destrutivo adotado em três campanhas, a vegetação da área externa foi coletada ao nível do solo e levada para laboratório. As imagens orbitais foram selecionadas, considerando a menor interferência de nuvens, pré-processadas e manipuladas algebricamente com ferramentas de geoprocessamento. As variáveis meteorológicas para caracterização das condições ambientais do local foram obtidas por uma estação micrometeorológica instalada na área e a precipitação foi medida por uma estação meteorológica localizada próxima da área de estudo. O IAF apresentou média de 2,10 m2.m-2, com valor mínimo de 0,68 m2.m-2, e valor máximo de 5,00 m2.m-2, enquanto na área interna a média foi de 2,72 m2.m-2, com mínimo de 1,31 m2.m-2; e máximo de 5,31 m2.m-2. A altura da vegetação na área externa apresentou média de 29,19 cm, com valor máximo de 75 cm e mínimo de 8 cm, para a área interna foi encontrada média de 48,41 cm, com valor máximo de 90 cm e mínimo de 12 cm. Para imagens do Landsat-8, o NDVI (Normalized Difference Vegetation Index) variou entre 0,61 e 0,83; SAVI (Soil-Adjusted Vegetation Index) entre 0,32 e 0,68; e IAF com valores entre 0,52 e 4,56, para Sentinel-2 a variação do NDVI foi entre 0,58 e 0,79, SAVI entre 0,29 e 0,61 e IAF entre 0,42 a 2,17. Os valores de IAF estimado pelo índice SAVI com o IAF observado (ceptômetro) apresentou precisão, com coeficiente de concordância de Willmott (d) de 0,87 (Sentinel-2) e 0,86 (Landsat-8) para L=0,25. O estudo demonstrou que os resultados apresentam comportamento sazonal, que indicou períodos com maior disponibilidade de água e energia solar no ambiente favorecem o crescimento da vegetação. O monitoramento se torna importante ferramenta para auxiliar no conhecimento da dinâmica sazonal e, fornece informações para projetos e manejo de áreas de pastagem.
publishDate 2020
dc.date.issued.fl_str_mv 2020-11-06
dc.date.accessioned.fl_str_mv 2023-12-22T02:45:14Z
dc.date.available.fl_str_mv 2023-12-22T02:45:14Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv PESSANHA, Mariane dos Santos. Biometria e índices de vegetação por sensoriamento remoto em área de pastagem no município de Cachoeiras de Macacu, RJ. 2020. 63 f. Dissertação (Mestrado em Engenharia Agrícola e Ambiental) - Instituto de Tecnologia, Departamento de Engenharia, Universidade Federal Rural do Rio de Janeiro, Seropédica, RJ, 2020.
dc.identifier.uri.fl_str_mv https://rima.ufrrj.br/jspui/handle/20.500.14407/13307
identifier_str_mv PESSANHA, Mariane dos Santos. Biometria e índices de vegetação por sensoriamento remoto em área de pastagem no município de Cachoeiras de Macacu, RJ. 2020. 63 f. Dissertação (Mestrado em Engenharia Agrícola e Ambiental) - Instituto de Tecnologia, Departamento de Engenharia, Universidade Federal Rural do Rio de Janeiro, Seropédica, RJ, 2020.
url https://rima.ufrrj.br/jspui/handle/20.500.14407/13307
dc.language.iso.fl_str_mv por
language por
dc.relation.references.por.fl_str_mv ALLEN, R. G.; TASUMI, M.; TREZZA, R;. WATERS, R.; BASTIAANSSEN, W. Surface Energy Balance Algorithms for Land (SEBAL). Advanced Training and users Manual, Kimberly, Idaho, v.1, 97p. 2002. ALVARES, Clayton Alcarde et al. Köppen’s climate classification map for Brazil. Meteorologische Zeitschrift, v. 22, n. 6, p. 711-728, 2013. ATZBERGER, Clement et al. Comparative analysis of different retrieval methods for mapping grassland leaf area index using airborne imaging spectroscopy. International Journal of Applied Earth Observation and Geoinformation, v. 43, p. 19-31, 2015. BADIA, N. et al. Using Sentinel-2 images to implement Precision Agriculture techniques in large arable fields: First results of a case study. Advances in Animal Biosciences, v. 8, n. 2, p. 377-382, 2017. BATISTELLA, M.; ANDRADE, R.G.; BOLFE, É.L.; VICTORIA, D.C.; SILVA, G.B.S. Geotecnologias e gestão territorial da bovinocultura no Brasil. Revista Brasileira de Zootecnia, v. 40, supl. especial, p. 251-260, 2011. BELLA, D.; FAIVRE, R.; RUGET, F.; SEGUIN, B.; GUÉRIF, M.; COMBAL, B.; WEISS, M.; REBELLA, C.; DI BELLA, D. Remote sensing capabilities to estimate pasture production in France. International Journal of Remote Sensing, v. 25, n. 23, p. 5359–5372, 2004. CAMPBELL, J. B.; WYNNE, R. H. Introduction to remote sensing. 5. ed. Nova York: Guilford Press, 2011. CEZAR, I. M.; QUEIROZ, H. P. de; THIAGO, L. R. L. de S.; GARAGORRY, F. L.; COSTA, F. P. Sistemas de produção de gado de corte no Brasil: uma descrição com ênfase no regime alimentar e no abate. Campo Grande: Embrapa Gado de Corte, 2005. Chavez Jr., P.S. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment, v. 24, n. 3, p. 459-479, 1988. CONGEDO, Luca. Semi-automatic classification plugin documentation. Release, v. 4, n. 0.1, p. 29, 2016. CORRÊA, L. de A.; SANTOS, P. M. Irrigação de pastagens formadas por gramíneas forrageiras tropicais. Embrapa Pecuária Sudeste-Circular Técnica (INFOTECA-E), São Carlos, 2006. CRISPIM, Sandra Mara Araújo; DOMINGOS BRANCO, O. Aspectos gerais das braquiárias e suas características na sub-região da Nhecolândia, Pantanal, MS. Embrapa Pantanal-Boletim de Pesquisa e Desenvolvimento (INFOTECA-E), Corumbá: Embrapa Pantanal, 2002. CHUVIECO, Emilio; SALAS, Javier. Mapping the spatial distribution of forest fire danger using GIS. International Journal of Geographical Information Science, v. 10, n. 3, p. 333-345, 1996. DARVISHZADEH, Roshanak et al. Estimation of vegetation LAI from hyperspectral reflectance data: Effects of soil type and plant architecture. International Journal of Applied Earth Observation and Geoinformation, v. 10, n. 3, p. 358-373, 2008. DARVISHZADEH, Roshanak et al. Mapping grassland leaf area index with airborne hyperspectral imagery: A comparison study of statistical approaches and inversion of radiative transfer models. ISPRS Journal of Photogrammetry and Remote Sensing, v. 66, n. 6, p. 894-906, 2011. DECAGON DEVICES. Accupar LP80. Disponível em: <http://www.decagon.com.br/dossel/luz/accupar/>. Acesso em: fev. 2019. DIAS-FILHO, Moacyr Bernardino. Degradação de pastagens: processos, causas e estratégias de recuperação. 4ª ed. Belém: MBDF, 2011. DIAS-FILHO, Moacyr Bernardino. Degradação de pastagens. Brasil, p. 62, 2005. DI MAIO, A. FRIEDRICH, T. MORAES, E.PEREIRA, G.MOREIRA, M.SAUSEN, T. FLORENZANO, T. Sensoriamento Remoto. Brasil, 2018. Disponível em: http://www.cdcc.usp.br/cda/oba/aeb/sensoriamento_remoto_alta_resolucao_2008.pdf. Acesso em 28 abr. 2020. DRUSCH, M.; BELLO, U. del; CARLIER, S.; COLIN, O.; FERNANDEZ, V.; GASCON, F.; HOERSCH, B.; ISOLA, C.; LABERINTI, P.; MARTIMORT, P. Sentinel-2: ESA's Optical High-Resolution Mission for GMES Operational Services. Remote Sensing Of Environment, v. 120, p. 25-36, 2012. http://dx.doi.org/10.1016/j.rse.2011.11.026. DUSSEUX, Pauline; CORPETTI, Thomas; HUBERT-MOY, Laurence; CORGNE, Samuel. Combined Use of Multi-Temporal Optical and Radar Satellite Images for Grassland Monitoring. Remote Sensing, v. 6, n. 7, p. 6163-6182, 2014. http://dx.doi.org/10.3390/rs6076163. ESCADA, Maria Isabel Sobral; VIEIRA, Ima Célia G.; KAMPEL, Silvana A.; ARAðJO, Roberto; VEIGA, Jonas Bastos da; AGUIAR, Ana Paula Dutra; VEIGA, Iran; OLIVEIRA, Myriam; PEREIRA, Jorge Luís Gavina; CARNEIRO FILHO, Arnaldo. Processos de ocupação nas novas fronteiras da Amazônia: o interflúvio do xingu/ iriri. Estudos Avançados, v. 19, n. 54, p. 9-23, 2005. http://dx.doi.org/10.1590/s0103-40142005000200002. ESCOLÀ, A.; BADIA, N.; ARNÓ, J.; MARTÍNEZ-CASASNOVAS, J.A. Using Sentinel-2 images to implement Precision Agriculture techniques in large arable fields: first results of a case study. Advances In Animal Biosciences, v. 8, n. 2, p. 377-382, 2017. http://dx.doi.org/10.1017/s2040470017000784. European Space Agency (ESA). Global monitoring for environment and security (GMES). Disponível em:<http://www.esa.int/About_Us/Ministerial99_Council_2012/Global_Monitoring_for_Environment_and_Security_GMES>. Acesso em: 9 fev. 2019. ESA. European Space Agency. Multispectral instrument (MSI) overview. Disponível em: <https://earth.esa.int/web/sentinel/technical-guides/sentinel-2-msi/msi-instrument>. Acesso em: 7 mar. 2018. FEITOSA, João Roberto Pinto. Uso de técnica de sensoriamento remoto e imagens Landsat-TM e NOAA-AVHRR na estimativa de balanço de energia à superfície. 2005. 183f. Tese (Doutorado em Recursos Naturais), Programa de Pós-graduação em Recursos Naturais, Centro de Tecnologias e Recursos Naturais, Universidade Federal de Campina Grande, Paraíba, 2005. FOOD AND AGRICULTURE ORGANIZATION (FAO). World agriculture: towards 2015/2030 - Prospects by Major Sector. Roma, 2003. World agriculture: Statistics. Roma, 2013. Disponível em: <http://www.fao.org/statistics/en/>. Acesso em: 18 jun. 2019. FORMAGGIO, Antonio Roberto; SANCHES, Ieda Del’Arco. Sensoriamento remoto em agricultura. São Paulo: Oficina de Textos, 2017. FRAMPTON, William James; DASH, Jadunandan; WATMOUGH, Gary; MILTON, Edward James. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation. ISPRS Journal Of Photogrammetry And Remote Sensing, v. 82, p. 83-92, 2013. http://dx.doi.org/10.1016/j.isprsjprs.2013.04.007. FRIEDL, M. A.; SCHIMEL, D. S.; MICHAELSEN, J.; DAVIS, F. W.; WALKER, H. Estimating grassland biomass and leaf area index using ground and satellite data. International Journal Of Remote Sensing, v. 15, n. 7, p. 1401-1420, 1994. http://dx.doi.org/10.1080/01431169408954174. GHELFI FILHO, Hugo. Efeito da irrigacao sobre a produtividade do capim elefante (pennisetum purpureum schum.) Variedade napier. 1972. 77 f. Tese (Doutorado) - Escola Superior de Agricultura Luiz de Queiros, Universidade de São Paulo, Piracicaba, 1972. GOWER, Stith T.; KUCHARIK, Chris J.; NORMAN, John M. Direct and Indirect Estimation of Leaf Area Index, fAPAR, and Net Primary Production of Terrestrial Ecosystems. Remote Sensing Of Environment, v. 70, n. 1, p. 29-51, 1999. http://dx.doi.org/10.1016/s0034-4257(99)00056-5. HUETE, A.R. A soil-adjusted vegetation index (SAVI). Remote Sensing Of Environment, v. 25, n. 3, p. 295-309, 1988. http://dx.doi.org/10.1016/0034-4257(88)90106-x. IBGE. Instituto Brasileiro de Geografia e Estatística. Censo Agropecuário 2017. Rio de Janeiro, 2017. Disponível em: <https://biblioteca.ibge.gov.br/visualizacao/periodicos/3096/agro_2017_resultados_definitivos.pdf>. Acesso em: 20 abr. 2019. Janssen, L.L.F. Introduction to remote sensing. In: Janssen, L.L.F., Huurnemann (Eds). Principles of remote sensing. 2.ed. Enschede: ITC. 2001. p.41-53. LACA, E.A. Pastoreo de precisión. In: Bioma Campos: innovando para mantener su sustentabilidad y competitividad. Montevideo: Tradinco, 2008, v.1, p.29-40. LATAWIEC, A.e.; STRASSBURG, B.B.N.; VALENTIM, J.F.; RAMOS, F.; ALVES-PINTO, H.N. Intensification of cattle ranching production systems: socioeconomic and environmental synergies and risks in Brazil. Animal, v. 8, n. 8, p. 1255-1263, 2014. http://dx.doi.org/10.1017/s1751731114001566. LILLESAND, Thomas; KIEFER, Ralph W.; CHIPMAN, Jonathan. Remote sensing and image interpretation. New York: John Wiley & Sons, 1993. LIU, William Tse Horng. Aplicações de sensoriamento remoto. São Paulo: Oficina de Textos, 2015. LIU, William Tse Horng. Aplicações de sensoriamento remoto. São Paulo: Oficina de Textos, 2006. Disponível em: https://books.google.com.br/books?id=YNEtCQAAQBAJ&printsec=frontcover&hl=ptBR#v=onepage&q&f=false. Acesso em 12.07.2019. MARTÍNEZ, Luis Joel Martínez. Relationship between crop nutritional status, spectral measurements and Sentinel 2 images. Agronomía Colombiana, v. 35, n. 2, p. 205-215, 2017. http://dx.doi.org/10.15446/agron.colomb.v35n2.62875. MARTINS, S. C. F. Evapotranspiração real pelo método do balanço de energia - Razão de Bowen em área de pastagem na região metropolitana do Rio de Janeiro. Dissertação (Mestrado em Engenharia Agrícola e Ambiental) - Universidade Federal Rural do Rio de Janeiro, Seropédica, 2019. MENESES, Paulo Roberto; ALMEIDA, Tati de. Introdução ao processamento de imagens de sensoriamento remoto. Brasília: Conselho Nacional de Desenvolvimento Científico e Tecnológico, 2012. MERRY, Frank; SOARES-FILHO, Britaldo. Will intensification of beef production deliver conservation outcomes in the Brazilian Amazon? Elementa: Science of the Anthropocene, v. 5, p. 24, 2017. http://dx.doi.org/10.1525/elementa.224. NETO, A. L.; SVICERO, E. F.; BARROS, J. C. B. V. Manejo de plantas daninhas em pastagens. In: PIRES, WAGNER (Org.). Manual de pastagens: formação, manejo e recuperação. 1. ed. Viçosa: Editora Aprenda Fácil, 2006. p. 302. NOVO, E. M. L. M. Sensoriamento Remoto: princípios e aplicações. São Paulo: Editora Blucher, 2008. Organização das Nações Unidas para Alimentação e Agricultura. FAO, 2020. Pecuária sustentável e mudanças climáticas na América Latina e no Caribe. Disponível em: http://www.fao.org/americas/prioridades/ganaderia-sostenible/pt/. Acesso em: 25 jul. 2020. PASOLLI, Edoardo; YANG, Hsiuhan Lexie; CRAWFORD, Melba M. Active-metric learning for classification of remotely sensed hyperspectral images. IEEE Transactions on Geoscience and Remote Sensing, v. 54, n. 4, p. 1925-1939, 2015. PINHEIRO, Fernanda da Silva; LYRA, Gustavo Bastos; ABREU, Marcel Carvalho; ARTHUR JUNIOR, José Carlos; SILVA, Leonardo Duarte Batista da; LYRA, Guilherme Bastos; SANTOS, Ednaldo Oliveira dos. Área foliar de mudas de urucum (Bixa orellana L.) estimada por diferentes métodos: uma análise comparativa. Ciência Florestal, v. 30, n. 3, p. 885-897, 2020. http://dx.doi.org/10.5902/1980509840896. PONZONI, F. J.; SHIMABUKURU, Y.E. Sensoriamento remoto no estudo da vegetação. São José dos Campos: A. Silva Vieira , 2009. 127 p. PONZONI, Flávio Jorge; SHIMABUKURO, Yosio Edemir; KUPLICH, Tatiana Mora. Sensoriamento remoto da vegetação. São Paulo: Oficina de Textos, 2015. PULLANAGARI, R.R.; YULE, I.; KING, W.; DALLEY, D.; DYNES, R. The use of optical sensors to estimate pasture quality. International Journal On Smart Sensing And Intelligent Systems, v. 4, n. 1, p. 125-137, 2011. http://dx.doi.org/10.21307/ijssis-2017-430. QGIS. Development Team. QGIS Geographic Information System. Open Source Geospatial Foundation Project. 2015. Disponível em: http://qgis.osgeo.org. Acesso em: 23 set. 2015. QI, J.; CHEHBOUNI, A.; HUETE, A.R.; KERR, Y.H.; SOROOSHIAN, S. A modified soil adjusted vegetation index. Remote Sensing Of Environment, v. 48, n. 2, p. 119-126, 1994. http://dx.doi.org/10.1016/0034-4257(94)90134-1. RIBEIRO, T. B. et al. Características forrageiras de algumas gramíneas do gênero Brachiaria-Revisão de literatura. Nutritime Revista Eletrônica, v. 13, n. 4, p. 4773-4780, 2016. RIZZI, R. Geotecnologias em um sistema de estimativa da produção de soja: estudo de caso no Rio Grande do Sul. 2004. 212 f. Tese (Doutorado em Sensoriamento Remoto), Instituto Nacional de Pesquisas Espaciais, São José dos Campos (SP), 2004. RODRIGUES, Elisangela Ronconi. Controle biológico de Brachiaria decumbens Stapf em área de reserva legal em processo de recuperação, na região do Pontal do Paranapanema, São Paulo, Brasil. 2010. 77 f. Tese (Doutorado) - Universidade Estadual Paulista, Instituto de Biociências de Rio Claro, 2010. ROUSE, John Wilson et al. Monitoring vegetation systems in the Great Plains with ERTS. NASA special publication, v. 351, n. 1974, p. 309, 1974. SCHINDELIN, Johannes; ARGANDA-CARRERAS, Ignacio; FRISE, Erwin; KAYNIG, Verena; LONGAIR, Mark; PIETZSCH, Tobias; PREIBISCH, Stephan; RUEDEN, Curtis; SAALFELD, Stephan; SCHMID, Benjamin. Fiji: an open-source platform for biological-image analysis. Nature Methods, v. 9, n. 7, p. 676-682, 2012. http://dx.doi.org/10.1038/nmeth.2019. SILVA, Samuel; FERRARI, Jéferson Luiz. Descrição Botânica, Distribuição Geográfica e Potencialidades de Uso da Brachiaria brizantha (Hochst. ex. A. Rich) Stapf. Enciclopédia Biosfera, Goiânia, v. 8, n. 14, 2012. VALENCIA, Lady Victoria Angulo. Comportamento espectral das culturas de milho, arroz e soja, usando imagens dos satélites Sentinel-2, Cbers-4 e Landsat-8. 2020. 116 f. Dissertação (Mestrado em Ciências e Aplicações Geoespaciais) - Universidade Presbiteriana Mackenzie, São Paulo, 2020. VICENTE, Luiz Eduardo; GOMES, Daniel; VICTORIA, Daniel de Castro; GARÇON, Edlene Aparecida Monteiro; BOLFE, Édson Luis; ANDRADE, Ricardo Guimarães; SILVA, Gustavo Bayma Siqueira da. Séries temporais de NDVI do sensor SPOT Vegetation e algoritmo SAM aplicados ao mapeamento de cana-de-açúcar. Pesquisa Agropecuária Brasileira, v. 47, n. 9, p. 1337-1345, 2012. http://dx.doi.org/10.1590/s0100-204x2012000900019. WILLMOTT, Cort J. On the validation of models. Physical geography, v. 2, n. 2, p. 184-194, 1981. http://dx.doi.org/10.1080/02723646.1981.10642213. ZHANG, Xin; WU, Bingfang; PONCE-CAMPOS, Guillermo; ZHANG, Miao; CHANG, Sheng; TIAN, Fuyou. Mapping up-to-Date Paddy Rice Extent at 10 M Resolution in China through the Integration of Optical and Synthetic Aperture Radar Images. Remote Sensing, v. 10, n. 8, p. 1200, 2018. http://dx.doi.org/10.3390/rs10081200.
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal Rural do Rio de Janeiro
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Engenharia Agrícola e Ambiental
dc.publisher.initials.fl_str_mv UFRRJ
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Instituto de Tecnologia
publisher.none.fl_str_mv Universidade Federal Rural do Rio de Janeiro
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRRJ
instname:Universidade Federal Rural do Rio de Janeiro (UFRRJ)
instacron:UFRRJ
instname_str Universidade Federal Rural do Rio de Janeiro (UFRRJ)
instacron_str UFRRJ
institution UFRRJ
reponame_str Biblioteca Digital de Teses e Dissertações da UFRRJ
collection Biblioteca Digital de Teses e Dissertações da UFRRJ
bitstream.url.fl_str_mv https://rima.ufrrj.br/jspui/bitstream/20.500.14407/13307/1/2020%20-%20Mariane%20dos%20Santos%20Pessanha.pdf.jpg
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/13307/2/2020%20-%20Mariane%20dos%20Santos%20Pessanha.pdf.txt
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/13307/3/2020%20-%20Mariane%20dos%20Santos%20Pessanha.pdf
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/13307/4/license.txt
bitstream.checksum.fl_str_mv cc73c4c239a4c332d642ba1e7c7a9fb2
f3483167034ed874de8c4e03a924ee5a
d0830574de8269725aedfb4aa1bd2f65
7b5ba3d2445355f386edab96125d42b7
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRRJ - Universidade Federal Rural do Rio de Janeiro (UFRRJ)
repository.mail.fl_str_mv bibliot@ufrrj.br||bibliot@ufrrj.br
_version_ 1810107991391731712

Registros relacionados