Post on 27-Jan-2019
GEOTECNOLOGIAS COMO CONTRIBUIÇÃO AO ESTUDO DO
AGROECOSSISTEMA CAFEEIRO DE MINAS GERAIS EM NÍVEL MUNICIPAL
Marco Aurélio Barros
Dissertação de Mestrado em Sensoriamento Remoto, orientada pelos Drs.Maurício Alves Moreira e Bernardo Friedrich Theodor Rudorff
INPESão José dos Campos
2006
MINISTÉRIO DA CIÊNCIA E TECNOLOGIA
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS
INPE-
GEOTECNOLOGIAS COMO CONTRIBUIÇÃO AO ESTUDO DO
AGROECOSSISTEMA CAFEEIRO DE MINAS GERAIS EM NÍVEL MUNICIPAL
Marco Aurélio Barros
Proposta de Dissertação de Mestrado em Sensoriamento Remoto, orientada pelo Dr.Maurício Alves Moreira e Dr. Bernardo Friedrich Theodor Rudorff
“Embora ninguém possa voltar atrás para fazer um novo começo, qualquer um pode começar agora a fazer um novo fim”.
CHICO XAVIER
A Deus, pela vida e por colocar em meu caminho pessoas maravilhosas,A meus pais, que edificaram e orientaram minha vida em todos os sentidos,
Aos irmãos Adriana e César pelo otimismo e apoio,Ao José Ferrer, Maria Paula, Guilherme e Luisa, responsáveis pelo recomeço,
Dedico.
AGRADECIMENTOS
Ao Dr. Maurício Moreira, agricultor de projetos, pela oportunidade, orientação e amizade;
Ao Dr. Formaggio, pelos ensinamentos e contribuição na vida acadêmica, profissional e pessoal;
Ao Dr. Bernardo, pela oportunidade, confiança, amizade e ensinamentos;
Ao Dr. Márcio Valeriano, pela contribuição prática e teórica no trabalho;
À Mathilde Bertoldo, pela contribuição e disponibilidade de dados;
Aos colegas de curso, que dividiram comigo bons e maus momentos;
À Etel e Angelucci pelo apoio irrestrito em todas as etapas do curso;
À CAPES pelo apoio financeiro durante o mestrado e eventos;
À EMATER de Aguanil, Boa Esperança, Campo Belo e Cristais pelo apoio no trabalho de campo;
Ao INPE pela oportunidade de cursar o mestrado e utilizar as instalações e equipamentos;
A todos os professores que contribuíram com meu crescimento profissional e pessoal.
RESUMO
A cafeicultura, atividade de grande importância econômica e social para o país, é um segmento do agronegócio que não dispõe de informações atualizadas sobre o seu agroecossistema e perfil produtivo. Nesse sentido, foi proposto no ano de 2004 um projeto multidisciplinar e multinstitucional, envolvendo Instituto Nacional de Pesquisas Espaciais (INPE), Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA), Empresa de Pesquisa Agropecuária de Minas Gerais (EPAMIG) e Universidade Federal de Lavras (UFLA) para caracterizar o agroecossistema cafeeiro do estado de Minas Gerais, utilizando geotecnologias (sensoriamento remoto e geoprocessamento). No contexto do projeto, a utilização dessas ferramentas torna-se imprescindível para a geração de informações de maneira ágil, precisa, informatizada e automática, em diferentes escalas e níveis de detalhamento. O presente trabalho vem corroborar no sentido de desenvolver e/ou adequar metodologias fundamentadas em geotecnologias que possam contribuir significativamente para o estudo do agroecossistema cafeeiro do estado de Minas Gerais. Como área de estudo piloto selecionaram-se os municípios de Aguanil, Boa Esperança, Campo Belo e Cristais. No desenvolvimento do trabalho foram utilizadas imagens do sensor CCD a bordo do satélite CBERS-2, imagens do sensor TM a bordo do LANDSAT-5 e dados de altimetria SRTM, integrados num banco de dados geográfico. A partir dos dados orbitais, processamento digital de imagens e técnicas de geoprocessamento aliados ao trabalho de campo foram extraídas informações de hidrografia, áreas de matas ciliares, uso da terra, altimetria, declividade e orientação de vertentes para o diagnóstico da cafeicultura em relação a estas variáveis. Tanto as áreas com cafeicultura como também as variáveis fisiográficas foram quantificadas e mapeadas. Por meio das ferramentas de geoprocessamento, realizou-se um diagnóstico em nível municipal de cada uma das variáveis calculadas e em seguida realizou-se a interseção entre cafeicultura e altimetria; cafeicultura e declividade; cafeicultura e orientação de vertentes. Finalmente, com os mapas temáticos concluídos, elaborou-se um mapa geoambiental apontando áreas mais ou menos favoráveis à cafeicultura bem como a situação das lavouras mapeadas. Para alcançar esse objetivo, realizou-se a ponderação dos mapas e uma análise multi critério utilizando-se a técnica AHP, que permitiu gerar um mapa final de favorabilidade a partir de parâmetros agronômicos definidos em literatura. Os resultados permitiram o diagnóstico dos municípios e áreas com cafeicultura mapeadas. Constatou-se melhores condições à instalação da cafeicultura nos municípios de Boa Esperança e Cristais, porém não houve diferença estatística significativa entre os municípios com relação à favorabilidade ao agroecossistema cafeeiro em estudo.
GEOTECHNOLOGIES AS CONTRIBUTION TO THE STUDY OF COFFEE CROP AGROECOSYSTEM AT MUNICIPAL LEVEL IN MINAS GERAIS STATE
ABSTRACT
Coffee crop, an important economic and social activity to Brazil, is an agrobusiness segment that has not updated information about the agroecosystem and the productive profile. In this sense, it was proposed in the year of 2004 a multidisciplinary and multi institutional project, involving INPE, EMBRAPA and UFLA to characterize the coffee agroecosystem in Minas Gerais State, using geotechnology tools (remote sensing and GIS; Geographic Information System). In the context of this project, the use of these tools were relevant to generate information in a quick, precise, automatic and computerized way, in different scales and levels of details. The present work comes to add in the sense to develop and/or adequate fundamental methods in geotechnologies that may significantly contribute to the study of the coffee crop agroecosystem in Minas Gerais State, allowing to diagnose the geographic environment in which the coffee crop is installed and to subsidize technicians and professionals to determine limited and potential areas to introduce the crop. As a pilot study area the municipalities of Aguanil, Boa Esperança, Campo Belo and Cristais were selected. In the development of the work, images from CCD, on board of CBERS-2 satellite, images from TM sensor, on board of Landsat-5, and altimetry data from SRTM integrated in a geographic data bank, were used. From orbital data, digital image processing, analogical digitalized maps and GIS techniques, in conjunction with field work information on hydrography, gallery forest, land use, altimetry, slope and hill orientation, were extracted in order to diagnose the coffee crop with regard to these variables. Coffee crop areas as well as physiographic variables were quantified and mapped. Using GIS, a diagnose at municipal level was performed for each calculated variables and afterwards the intersection between: coffee crop and altimetry; coffee crop and slope; coffee crop and hill slope orientation, was also performed. Eventually, with the conclude thematic maps, a geo environmental map was elaborated, pointing to areas with more or less favorability to coffee crop as well as the conditions of the mapped fields. To achieve this objective, a weighted map and a multicriteria analyses using the AHP technique was performed, which allowed to generate a final favorability map from literature agronomic parameters. The results allowed diagnose the municipalities and area with mapped coffee crop.
SUMÁRIO
Pág.
LISTA DE FIGURAS.........................................................................................................
LISTA DE TABELAS........................................................................................................
LISTA DE SIGLAS E ABREVIATURAS .......................................................................
CAPÍTULO 1 - INTRODUÇÃO....................................................................................25CAPÍTULO 2 - FUNDAMENTAÇÃO TEÓRICA.......................................................292.1 Cafeeiro (Coffea arabica L.).....................................................................................292.1.1 Descrição da Espécie Vegetal................................................................................292.1.2 Aspectos Agronômicos e Ambientais do Cultivo de Cafezais..............................292.1.3 Situação da Produção de Café no Brasil................................................................312.1.4 Fatores que Afetam na Produtividade do Café no Brasil......................................322.1.4.1 Clima...................................................................................................................322.1.4.2 Manejo da Cultura..............................................................................................332.2 Sensoriamento Remoto e Geoprocessamento no estudo da cafeicultura..................332.2.1 Influência de Práticas Culturais e da Fenologia na Resposta Espectral de Cafezais...........................................................................................................................382.2.1.1 Influência da Topografia no Manejo e na Resposta Espectral de Cafezais........402.3 Sensoriamento Remoto e Modelagem Topográfica.................................................402.3.1 SRTM (Shuttle Radar Topographic Mission) e Modelos Digitais de Elevação....412.4 Mapeamento e Representação Cartográfica do Uso da Terra..................................422.4.1 Análise da Confiabilidade do Mapeamento a partir de imagens orbitais..............442.5 Técnicas de Processamento Digital em dados de Sensoriamento Remoto Orbital..452.5.1 Minimização do efeito causado pelo espalhamento atmosférico..........................452.5.2 Transformação dos Níveis Digitais para Reflectância de Superfície....................462.5.3 Transformação Geométrica...................................................................................472.5.3.1 Cenas Ortorretificadas (NASA) como suporte ao Registro de Cenas TM e CCD ...............................................................................................................................482.5.4 Razão entre Bandas Multiespectrais......................................................................492.5.5 Classificação de Imagens Digitais.........................................................................492.5.5.1 Classificação por Maxiverossimilhança (MaxVer)............................................502.6 Interpretação de Imagens Orbitais na Agricultura....................................................512.6.1 Método Sistemático de Interpretação de Imagens.................................................512.6.2 Realce de Imagens.................................................................................................522.7 Geoprocessamento: Análise Booleana e Processo Analítico Hierárquico (AHP)....52
CAPÍTULO 3 - MATERIAL E MÉTODOS.................................................................553.1 Área de Estudo..........................................................................................................553.2 Características Gerais da Região em Estudo............................................................563.2.1 Solos......................................................................................................................563.2.2 Relevo....................................................................................................................583.2.3 Vegetação..............................................................................................................62
3.2.4 Cafeicultura na área de estudo...............................................................................633.3 Material.....................................................................................................................643.4 Métodos....................................................................................................................653.4.1 Características Cartográficas do Banco de Dados Geográfico..............................663.4.2 Estruturação do Banco de Dados Geográfico e Processamento das Imagens.......673.4.3 Informações Oriundas do Trabalho de Campo......................................................703.4.4 Classificação da Imagem Base de Mapeamento - TM-Landsat (09/07/2005)......713.4.5 Delimitação da Drenagem e Matas Ciliares..........................................................733.4.6 Digitalização do Mapa de Solos............................................................................743.4.7 Modelagem Digital do Terreno – Processamento dos dados SRTM.....................753.4.8 Geoprocessamento entre as Variáveis Temáticas..................................................793.4.8.1 Processo Analítico Hierárquico (AHP) na obtenção de um mapa geoambiental...................................................................................................................803.4.9 Análise Estatística dos Dados................................................................................83
CAPÍTULO 4 - RESULTADOS.....................................................................................854.1 Processamento Digital de Imagens...........................................................................854.1.1 Classificação da imagem TM (09/07/2005)..........................................................854.1.2 Delimitação da Drenagem e Matas Ciliares..........................................................934.2 Modelagem de Terreno e Cálculo das Variáveis Ambientais..................................974.2.1 Altimetria...............................................................................................................974.2.1.1 Aguanil...............................................................................................................984.2.1.2 Boa Esperança..................................................................................................1004.2.1.3 Campo Belo......................................................................................................1014.2.1.4 Cristais..............................................................................................................1034.2.2 Cálculos da Declividade e Orientação de Vertentes a partir dos dados SRTM...1054.2.2.1 Aguanil (declividade).......................................................................................1064.2.2.2 Boa Esperança (declividade).............................................................................1084.2.2.3 Campo Belo (declividade).................................................................................1104.2.2.4 Cristais (declividade)........................................................................................1124.2.2.5 Aguanil (orientação de vertentes).....................................................................1154.2.2.6 Boa Esperança (orientação de vertentes)..........................................................1164.2.2.7 Campo Belo (orientação de vertentes)..............................................................1184.2.2.8 Cristais (orientação de vertentes)......................................................................1194.3 Mapa de Solos.........................................................................................................1214.4 Relação entre a cafeicultura e o meio físico...........................................................1234.4.1 Cafeicultura e Declividade..................................................................................1234.4.2 Cafeicultura e Solos.............................................................................................1274.4.3 Cafeicultura e Orientação de Vertentes...............................................................1304.4.4 Cafeicultura e Altimetria.....................................................................................1334.5 Mapa Geoambiental – Áreas favoráveis ao agroecossistema cafeeiro com base no modelo AHP............................................................................................................137
CAPÍTULO 5 - CONCLUSÕES E RECOMENDAÇÕES..........................................143REFERÊNCIAS BIBLIOGRÁFICAS........................................................................147APÊNDICE - PONTOS DE GPS COLETADOS EM CAMPO................................155
LISTA DE FIGURAS
2.1 - Cafeicultura fase inicial, dossel formado e lavoura pós-colheita............................39
3.1 - A (Cristais), B (Campo Belo), C (Aguanil), D (Boa Esperança), E (Minas Gerais), F (Brasil) – TM-Landsat TM7(R)TM4(G)TM3(B).........................................................55
3.2 - Aspecto do relevo no município de Aguanil...........................................................59
3.3 - Aspecto do relevo no município de Campo Belo..................................................................................................................................59
3.4 - Aspecto de relevo plano a suave ondulado em Cristais-MG.................................60
3.5 - Aspecto do relevo do município de Cristais, com pequena lavoura cafeeira ao fundo................................................................................................................................61
3.6 - Aspecto do relevo no município de Boa Esperança................................................62
3.7 - Área plantada de café em Aguanil, Boa Esperança, Campo Belo e Cristais no período 1990-2004...........................................................................................................64
3.8 - Fluxograma de atividades preliminares ao trabalho de campo...............................66
3.9 - Estruturação do Banco de dados e Processamento da Imagem Base......................67
3.10 - Fluxograma das Etapas de Modelagem do Terreno..............................................75
3.11 - Simulação do cálculo da declividade (D)..............................................................76
3.12 - Parametrização da Orientação de Vertentes..........................................................77
3.13 - Geoprocessamento na obtenção dos mapas geoambientais..................................79
4.1 - Proporção de lavouras cafeeiras nos municípios em estudo...................................90
4.2 - Mapa das áreas cafeeiras obtido a partir da classificação e interpretação visual de imagens TM-Landsat e CCD-Cbers2..............................................................................91
4.3 - Imagem TM B4(R)-B5(G)-B3(B) (esquerda) e Imagem CCD B4(R)B3(G)B2(B) (direita) com contraste linear 2%. Detalhe: área com café com vegetação de cerrado no entorno.............................................................................................................................92
4.4 - Imagem resultante da razão entre as bandas TM4/TM3 realçando a vegetação (em tonalidade mais clara) com seu fatiamento em cor verde................................................93
4.5 - Delimitação da drenagem e matas de galeria exigidas por Lei. A (Cristais); B (Campo Belo); C (Aguanil); D (Boa Esperança).............................................................95
4.6 – Detalhe da drenagem e matas ciliares preservadas com base na imagem TM4/TM3 de 09/07/2005..................................................................................................................96
4.7 - Altimetria em formato numérico (esquerda) e temático (direita) no município de Aguanil-MG.....................................................................................................................99
4.8 - Histograma com a porcentagem de ocorrência dos valores altimétricos em Aguanil-MG.....................................................................................................................99
4.9 - Altimetria em formato numérico (esquerda) e temático (direita) no município de Boa Esperança-MG........................................................................................................100
4.10 - Histograma com a porcentagem de ocorrência dos valores altimétricos em Boa Esperança-MG...............................................................................................................101
4.11 - Altimetria em formato numérico (esquerda) e temático (direita) no município de Campo Belo-MG...........................................................................................................102
4.12 - Histograma de ocorrência dos valores altimétricos em Campo Belo-MG..........102
4.13 - Altimetria em formato numérico (esquerda) e temático (direita) no município de Cristais-MG...................................................................................................................103
4.14 - Histograma com a porcentagem de ocorrência dos valores altimétricos em Cristais-MG...................................................................................................................104
4.15 – Representação da declividade em formato numérico (esquerda) e temático (direita) no município de Aguanil-MG..........................................................................107
4.16 - Histograma com a porcentagem de ocorrência dos valores de declividade em Aguanil-MG...................................................................................................................108
4.17 - Declividade em formato numérico (esquerda) e temático (direita) no município de Boa Esperança-MG........................................................................................................109
4.18 - Histograma com a porcentagem de ocorrência dos valores de declividade em Boa Esperança-MG...............................................................................................................110
4.19 – Representação da declividade em formato numérico (esquerda) e temático (direita) no município de Campo Belo-MG..................................................................111
4.20 - Histograma com a porcentagem de ocorrência dos valores de declividade em Campo Belo-MG...........................................................................................................111
4.21 – Representações da declividade em formato numérico (esquerda) e temático (direita) no município de Cristais-MG..........................................................................112
4.22 - Histograma com a porcentagem de ocorrência dos valores de declividade em Cristais-MG...................................................................................................................113
4.23 - Orientação de Vertentes em formato numérico (esquerda) e temático (direita) no município de Aguanil-MG............................................................................................115
4.24 - Histograma de ocorrência dos valores de orientação de vertentes em Aguanil-MG.................................................................................................................................116
4.25 - Orientação de Vertentes em formato numérico (esquerda) e temático (direita) no município de Boa Esperança-MG..................................................................................117
4.26 - Histograma de ocorrência dos valores de orientação de vertentes em Boa Esperança-MG...............................................................................................................117
4.27 - Orientação de Vertentes em formato numérico (esquerda) e temático (direita) no município de Campo Belo-MG.....................................................................................118
4.28 - Histograma de ocorrência dos valores de orientação de vertentes em Campo Belo-MG........................................................................................................................119
4.29 - Orientação de Vertentes em nível de cinza (esquerda) e temático (direita) no município de Cristais-MG.............................................................................................120
4.30 - Histograma de ocorrência dos valores de orientação de vertentes em Cristais-MG.................................................................................................................................120
4.31 - Mapa de solos nos municípios de A(Cristais), B(Campo belo), C (Aguanil) e D (Boa Esperança) com base em MA (1962) e Bertoldo (2006)......................................122
4.32 - Solos mapeados nos municípios em estudo........................................................123
4.33 - Declividade média em áreas de cafeicultura nos municípios em estudo............124
4.34 - Classes de declividade em função das áreas de cafeicultura em Aguanil...........124
4.35 - Classes de declividade em função das áreas plantadas em Boa Esperança.........125
4.36 - Classes de declividade em áreas de cafeicultura em Campo Belo......................126
4.37 - Classes de declividade em função das áreas de cafeicultura em Cristais............126
4.38 - Classes de solos nas áreas de cafeicultura em Aguanil.......................................127
4.39 - Classes de solos nas áreas de cafeicultura em Boa Esperança............................128
4.40 - Classes de solos nas áreas de cafeicultura em Campo Belo................................129
4.41 - Classes de solos nas áreas de cafeicultura em Cristais........................................130
4.42 - Classes de orientação de vertentes em relação à cafeicultura em Aguanil.........131
4.43 - Classes de orientação de vertentes em relação à cafeicultura em Boa Esperança.......................................................................................................................131
4.44 - Classes de orientação de vertentes em relação à cafeicultura em Campo Belo..132
4.45 - Classes de orientação de vertentes em relação à cafeicultura em Cristais..........133
4.46 - Valores médios de altimetria em áreas com cafeicultura....................................133
4.47 - Intersecção entre altimetria e cafeicultura no município de Aguanil..................134
4.48 - Intersecção entre cafeicultura e altimetria em Boa Esperança............................135
4.49 - Intersecção entre altimetria e cafeicultura em Campo Belo................................136
4.50 - Intersecção entre altimetria e cafeicultura em Cristais........................................136
4.51 - mapa geoambiental obtido via método AHP – (A)Cristais, (B)Campo Belo, (C)Aguanil, (D) Boa Esperança.....................................................................................138
4.52 - Favorabilidade ao agroecossistema cafeeiro da área de estudo, com base na hipótese e modelo AHP.................................................................................................139
4.53 – Favorabilidade ao agroecossistema cafeeiro em relação às áreas atualmente com cafeicultura....................................................................................................................140
LISTA DE TABELAS
2.1- Descrição das Principais Espécies de Café produzidos no Brasil............................30
2.2 - Estimativa de produção de café: safra 2005/06 em território nacional...................31
(TABELA 2.2 - Conclusão)............................................................................................32
2.3 – Unidades de mapeamento e escalas recomendadas................................................43
(TABELA 2.3 - Conclusão).............................................................................................44
2.4 - Índice kappa e conceito do desempenho de classificação.......................................44
2.5 - Especificações Técnicas dos Mosaicos de Cenas Geocover...................................48
3.1 - Classes de solos da região em estudo e aspectos agronômicos importantes...........56
3.2 - Materiais utilizados na execução da pesquisa.........................................................65
3.3 - Valores utilizados para a aplicação do método de Chavez.....................................68
3.4 - Valores de radiância mínima e máxima, Ganho (G) e Offset (B) aplicados às imagens TM.....................................................................................................................68
3.5 - Filtros direcionais aplicados sobre a grade altimétrica SRTM...............................78
3.6 - Variáveis mapeadas e respectivas classes temáticas de representação...................79
3.7 - Escala de Valores do modelo AHP para comparar duas variáveis.........................81
3.8 - Pesos globais das variáveis e pesos individuais em cada classe temática ponderada........................................................................................................................81
4.1 - Matriz de confusão da classificação Maxver dos recortes da imagem TM, bandas 3, 4 e 5-Aguanil/MG........................................................................................................85
4.2 - Matriz de confusão da classificação Maxver dos recortes da imagem TM, bandas 3, 4 e 5 - Boa Esperança/MG..........................................................................................86
4.3 - Matriz de confusão da classificação Maxver dos recortes da imagem TM, bandas 3, 4 e 5 – Campo Belo/MG..............................................................................................87
4.4 - Matriz de confusão da classificação Maxver dos recortes da imagem TM, bandas 3, 4 e 5 – Cristais/MG.....................................................................................................88
4.5 - Áreas de cafeicultura obtidas via interpretação das imagens TM e CCD comparativamente a métodos subjetivos.........................................................................89
4.6 - Matas ciliares exigidas e preservadas......................................................................97
4.7 - Estatísticas descritivas para a variável altimetria....................................................98
4.8 - Estatísticas descritivas para a variável declividade...............................................106
LISTA DE SIGLAS E ABREVIATURAS
ABIC – Associação Brasileira da Indústria de CaféAHP – Analytic Hierarchy ProcessASTER – Advanced Spaceborne Thermal Emission and Reflection RadiometerCBERS – Satélite Sino Brasileiro de Recursos TerrestresCCD - Couple Charged DeviceCONAB - Companhia Nacional de AbastecimentoE - LesteEMATER – Empresa de Assistência Técnica e Extensão RuralEMBRAPA – Empresa Brasileira de Pesquisa AgropecuáriaENVI – Environment for Visualizing ImagesEPAMIG – Empresa de Pesquisa Agropecuária de Minas GeraisETM - Enhanced Thematic MapperFAO – Food and Agriculture OrganizationGPS – Global Positioning SystemHa - hectareHRV - High Resolution VisibleIBGE – Instituto Brasileiro de Geografia e EstatísticaIFOV - Instantaneous field of viewINPE – Instituto Nacional de Pesquisas EspaciaisKm2 – quilômetro quadradoMA – Ministério da AgriculturaMAXVER - Máxima VerossimilhançaMG – Minas Geraismm - MilimetroMMA – Ministério do Meio AmbienteMNT – Modelo Numérico de TerrenoMSS – Multispectral Scanner SystemN – NorteND – Nível DigitalNE – NordesteNW - NoroesteNIMA – National Imagery and Mapping AgencyPRODEMGE - Companhia de Tecnologia da Informação do Estado de Minas GeraisRMS – Root mean square errorS - SulSAD - South American DatumSE - SudesteSPRING – Sistema de Processamento de Informações GeográficasSRTM – Shuttle Radar Topography MissionSW - SudoesteTM - Thematic MapperUNICAMP - Universidade Estadual de CampinasUTM - Universal Tranversa de MercatorW - OesteWGS84 – World Geodetic System 1984
CAPÍTULO 1
INTRODUÇÃO
Em estudos para avaliar o desempenho agrícola dos países “desenvolvidos” durante a
segunda metade do séc. XX constatou-se que a agricultura garantiu às suas populações
segurança alimentar a um custo ambiental ainda não quantificado. O aumento da
produção agrícola tanto em países desenvolvidos como em desenvolvimento, vem
provocando uma crescente preocupação com a salubridade alimentar, que está cada vez
mais ligada à conservação dos recursos naturais explorados, especialmente água e solo.
As pressões internacionais já exigem métodos de produção que venham assegurar altos
níveis de pureza e não toxicidade dos alimentos, bem como a ausência de contaminação
do solo e água (Rodrigues, 1998; MMA, 2000).
Dentre os inúmeros produtos agrícolas cultivados em território brasileiro, destaca-se
desde o período colonial o café. Esta cultura instalada inicialmente no Maranhão e
posteriormente em extensas áreas de São Paulo, Minas Gerais e Rio de Janeiro foi
responsável pela derrubada de inúmeros hectares de mata atlântica, cerrado e florestas
em uma época que não havia uma legislação ambiental e a necessidade de
desenvolvimento era prioritária a qualquer custo (MMA, 2000). Porém, no século 21, o
perfil produtivo da cafeicultura mudou e adequou-se a novas técnicas e exigências de
mercado, mas a sua importância no agronegócio brasileiro continua. Estima-se que a
cafeicultura esteja presente em 1700 municípios brasileiros, num total de 300 mil
propriedades, gerando empregos e conseqüentemente renda (CONAB, 2005). No Brasil
a atividade cafeeira tem sua história ligada ao Estado de Minas Gerais, que
diferentemente das demais unidades federativas da região sudeste, foi e continua sendo
destaque na produção desta cultura. Segundo Zambolim (2001), Minas Gerais é
responsável por aproximadamente 43% do café produzido no país entre os anos de 1987
a 1999 com destaque para a região oeste e sul do estado.
25
A cafeicultura em Minas Gerais não ocorre na condição de monocultura extensiva, e
mesmo assim nota-se que algumas práticas utilizadas na instalação e manejo da cultura
podem resultar em degradação dos recursos naturais. Esse problema ocorre em regiões
onde o seu cultivo é bastante expressivo, como na zona da mata e sudoeste de Minas
Gerais. Nessas áreas, constata-se em imagens captadas por sensores orbitais a derrubada
da vegetação nativa em detrimento de lavouras cafeeiras.
Para o setor produtivo, fatores ambientais como clima, solo, relevo e orientação de
vertentes podem viabilizar ou inviabilizar a exploração econômica do cafeeiro,
acarretando baixa ou alta produtividade. Essas variáveis ambientais são independentes
do investimento econômico e das práticas de manejo adotadas. Nesse sentido, o estudo
do agroecossistema cafeeiro constitui-se em um importante instrumento no
planejamento e consolidação desta atividade. Áreas adequadas ao cultivo de cafezais
exigem menores gastos com agrotóxicos e insumos diversos, maximizando a capacidade
produtiva e beneficiando tanto a cadeia produtiva como também os consumidores finais
interessados em produtos mais saudáveis. Pesquisadores de economia agrícola, como
Chalita (2005), relatam a importância contemporânea de se fomentar pesquisas que
estudem a cadeia produtiva agrícola sob o aspecto da relação sociedade-natureza,
elementos necessários à superação da crise de desenvolvimento e ambiental pela qual a
sociedade contemporânea está passando.
Nesse contexto, o sensoriamento remoto tornou-se uma ferramenta imprescindível no
planejamento do espaço geográfico e no estudo dos recursos naturais, permitindo
inventariá-los e representá-los cartograficamente, descrever o fluxo de matéria e energia
de ecossistemas, avaliar as alterações temporais e propor soluções alternativas para o
ordenamento territorial (Odum et al., 2001). Os dados de sensoriamento remoto são,
hoje em dia, a maneira mais objetiva e precisa no levantamento de dados de cobertura
da terra e por isso vêm sendo cada vez mais aplicados nas estimativas de área plantada e
de rendimento em todo o mundo (Ippoliti-Ramilo, 1998). O potencial do uso de
geotecnologias para monitoramento de áreas agrícolas foi demonstrado em trabalhos de
26
mapeamento da cana-de-açúcar realizados na região centro-sul do Brasil por
pesquisadores do Instituto Nacional de Pesquisas Espaciais – INPE (Rudorff et al.,
2004; Rudorff et al., 2005).
Porém, em relação à cafeicultura, o mapeamento via interpretação de cenas orbitais é
mais complexo do que culturas temporárias como a cana-de-açúcar. Tal complexidade
está relacionada ao tipo de manejo e sistemas de cultivo heterogêneos, que diferem em
cada propriedade rural explorada. Essa heterogeneidade provocada pelas variações no
meio físico como também na fenologia da cultura acarretam mudanças significativas na
radiância captada pelos sensores em decorrência de variações na geometria entre alvo,
iluminação e sensor. Por essa razão, o desenvolvimento de uma metodologia embasada
na utilização de imagens de sensores orbitais de forma eficiente para monitorar o
heterogêneo agroecossistema cafeeiro de Minas Gerais, necessita estudos para
identificar métodos que possam vir a atender aos objetivos de uma forma técnica sem
perder o rigor científico. Segundo IBGE (1999), “o mapeamento de uso da terra
contribui de forma importantíssima sobre determinada área e quando realizada em
conjunto com mapeamentos pedológicos e da cobertura vegetal permitem indicar o
nível de sustentabilidade de uma área fornecendo assim subsídios para avaliações dos
impactos ambientais em diversos níveis de intensidade”.
A partir das considerações supracitadas, o principal objetivo do trabalho é caracterizar a
cafeicultura em quatro municípios do estado de Minas Gerais, utilizando
geotecnologias. A partir do objetivo geral, buscou-se atingir os seguintes objetivos
específicos: a) mapear a cafeicultura nos municípios de Aguanil, Boa Esperança,
Campo Belo e Cristais; b) quantificar a drenagem e matas ciliares intramunicipais; c)
obter as variáveis altimetria, declividade e orientação de vertentes a partir do produto
SRTM; d) realizar a caracterização dos municípios em relação às variáveis utilizadas; e)
verificar a situação das lavouras cafeeiras em relação às variáveis altimetria,
declividade, orientação de vertentes e solos; f) Obter um mapa geoambiental com a
27
integração de todas as variáveis abordadas com base em uma hipótese de favorabilidade
ao agroecossistema cafeeiro, com parâmetros obtidos via literatura e trabalho de campo.
28
CAPÍTULO 2
FUNDAMENTAÇÃO TEÓRICA
2.1 Cafeeiro (Coffea arabica L.)
2.1.1 Descrição da Espécie Vegetal
Alzugaray e Alzugaray (1984) comentaram que o cafeeiro é uma planta arbustiva,
nativa da África, pertencente à família das rubiáceas, com até cinco metros de altura,
caule retilíneo de casca cinzenta e rugosa, com folhas verde-escuras, opostas, curto-
pecioladas e curto estipuladas, ovado-lanceoladas, agudas, glabras e ondulada nas
margens. Produz inflorescências em panículas racemosas com flores viçosas, bracteadas
brancas. Seus frutos são do tipo cápsula, que contêm sementes duras, globosas,
brilhantes e pretas, de importância econômica, medicinal e ornamental.
2.1.2 Aspectos Agronômicos e Ambientais do Cultivo de Cafezais
O café tem origem nas regiões montanhosas da Abissínia, em altitudes entre 1000 e
2500m (Rena et al., 1986). Desenvolve-se em regiões com pouca amplitude térmica, e
não entra em produção em regiões onde há temperaturas inferiores a 16oC e superiores a
24oC.
Conforme Alzugaray e Alzugaray (1984), as espécies mais cultivadas do gênero Coffea
em território brasileiro são C. arabica e C. canephora conhecida como C. robusta. A
espécie comercial mais valorizada e mais cultivada pelos agricultores é a C. arabica,
cujas variedades mais conhecidas são caturra, mundo novo e bourbon. Já a C.
canephora embora produza uma bebida pouco saborosa e aromática é muito cultivada
devido à sua resistência à ferrugem das folhas, doença muito prejudicial à cafeicultura
comercial. As principais diferenças entre as duas espécies são descritas na Tabela 2.1.
29
TABELA 2.1- Descrição das Principais Espécies de Café produzidos no Brasil.
ESPÉCIE C.arabica C. robustaAltura 2 a 4m 2 a 5m
Arbusto lenho duro, ramos laterais multicaule, ramos no coloFolha Verde-escura verde mais clara
Floração - 1-2dias / 2-3x anualFruto maduro:vermelho/amarelo vermelho
Semente verde-clara / amarela verdeFONTE: Alzugaray e Alzugaray (1984).
De acordo com Matiello (1991), no período de vegetação e frutificação o cafeeiro é
exigente em água e na fase de colheita a exigência é menor permitindo inclusive a
ocorrência de pequena deficiência hídrica, sem grandes prejuízos para a planta. Além
disso, curtos períodos de seca parecem ser importantes para o crescimento das raízes,
maturação dos ramos formados na estação chuvosa precedente e principalmente para a
diferenciação floral e maturação dos frutos.
Matiello (1991) relatou que uma pluviosidade anual de 1200 mm podem ser
consideradas adequadas para o bom desenvolvimento do café arábica. Quando a
deficiência hídrica for maior do que 150 mm e as temperaturas médias forem superiores
a 23°C, áreas destinadas ao plantio que se enquadram neste perfil são consideradas
inaptas, uma vez que restringem a frutificação, resultando em baixa produtividade.
Sediyama et al. (2001) realizaram o zoneamento climático do café para o estado de
Minas Gerais, associando não somente variáveis meteorológicas como também aspectos
fisiográficos. Dentre suas considerações, os autores concluíram que os solos mais
adequados ao cultivo do cafeeiro são os profundos, porosos e bem drenados, com uma
estrutura granular de tamanho médio, moderadamente desenvolvido com textura média,
não sendo recomendados solos com teor de argila menor que 20% e, quando muito
argilosa, devem apresentar estrutura e porosidade favorável à boa infiltração de água.
Especificamente em relação aos municípios de Aguanil, Boa Esperança, Campo Belo e
Cristais, Sediyama et al. (2001) e UNICAMP (2005) apontaram esses municípios como
30
aptos ao plantio de café sem a necessidade de irrigação, com base no cálculo do balanço
hídrico para a cafeicultura em todo o estado de Minas Gerais.
O relevo, nesse contexto, é importante na instalação de novos cafezais, principalmente
com vistas à mecanização e à conservação do solo. Alzugaray e Alzugaray (1984)
recomendam para o plantio de café áreas com vertentes orientadas para o norte, uma vez
que o planeta Terra descreve, observando-se o hemisfério sul, uma ligeira curva em
direção ao norte, mais acentuada no período de inverno. Portanto as terras com face
norte recebem maior irradiância solar do que em terrenos de face sul. Recomenda-se
então plantar café em áreas com face voltada para o norte ou noroeste/nordeste. Caso o
plantio ocorra em áreas com face nordeste, o terreno receberá maior irradiância solar no
período da manhã e em áreas com face noroeste, maior irradiância solar no período da
tarde. A face sul é desaconselhada ao plantio de café, devido à maior umidade e maior
incidência de ventos frios na época de inverno. Não são recomendados plantios de
cafeeiros em altitude inferior a 500 m e superior a 1200 m conforme Sediyama et al.
(2001).
2.1.3 Situação da Produção de Café no Brasil
O governo federal disponibilizou dados relativos à previsão de produção da safra
2005/06 para a cultura do café, conforme apresentadas na Tabela 2.2 (CONAB, 2005).
TABELA 2.2 - Estimativa de produção de café: safra 2005/06 em território nacional.
Unidade FederativaRegião
PRODUÇÃO (1000 sacas)Total
Inferior Superior %Minas Gerais 12.968 14.242 42,69Sul-Centro Oeste 6.093 6.676 -Triângulo, Alto Paranaíba e Noroeste 2.627 2.879 -Zona da Mata,Jequitinhonha,Mucuri,Rio Doce,Central e Norte 4.278 4.687 -
Espírito Santo 7.870 8.130 25,10São Paulo 2.950 3.300 9,81Paraná 1.550 1.630 5,00Bahia 2.100 2.270 6,86
31
TABELA 2.2 – Conclusão.Rondônia 2.090 2.180 6,70Mato Grosso 450 480 1,46Pará 240 250 0,77Rio de Janeiro 150 165 0,49Outros 340 360 1,10Brasil 30.738 33.007 100FONTE: CONAB (2005).
Observa-se que aproximadamente 43% de todo o café colhido em território nacional é
proveniente de Minas Gerais, com destaque para a região centro-sul do estado. Em
segundo lugar, aparece o estado do Espírito Santo, com 25%, e os demais estados
produtores juntos contabilizam pouco mais de 30% da safra nacional.
2.1.4 Fatores que Afetam na Produtividade do Café no Brasil
A produtividade de um cafezal é fator essencial para a determinação de custos de
produção, bem como a eficiência da aplicação de todos os insumos envolvidos no
cultivo que caracterizam a eficiência técnica e a aptidão da área cultivada para a
cafeicultura. Há dois fatores principais que influem na produtividade dos cafezais: a)
clima e b) manejo da cultura (Rena et al., 1986).
2.1.4.1 Clima
A produção do café no Brasil caracteriza-se por um ciclo bianual de produção. Isto
significa que a cultura produz muito bem em um determinado ano e, no período
seguinte, para recuperar-se fisiologicamente da menor relação fonte/dreno integrada a
outros fatores (nutricionais e climáticos), acaba refletindo diretamente sobre os índices
de produtividade da cultura. Isso ocorre devido ao seu esgotamento após algum tipo de
estresse, normalmente de caráter climático (Rena et al., 1986).
Sediyama et al. (2001) analisaram os riscos provocados pelas temperaturas elevadas e
pela deficiência hídrica no cultivo do café na fase de florescimento, e concluíram que a
ocorrência de longos períodos de temperatura elevada, com valores extremos, a partir de
34ºC, afetam o crescimento com a queda na produtividade das lavouras. Essas
32
características que ocorrem em vários municípios de Minas Gerais foram quantificadas
pelos pesquisadores, que realizaram cálculos necessários para prever a ocorrência
desses fatores e oferecer subsídios para seleção de alternativas tecnológicas aos
agricultores. Os mesmos autores concluem que em Minas Gerais, os fatores climáticos
adversos à cafeicultura estão ligados à ocorrência de secas e veranicos associados a altas
temperaturas.
2.1.4.2 Manejo da Cultura
O manejo da cultura do café consiste num conjunto de operações realizadas com o
objetivo de propiciar condições favoráveis ao transplantio de mudas e ao
desenvolvimento e produção de café, por tempo ilimitado. Este fator está relacionado
diretamente com as condições físicas da área geográfica (solos, declividade), capacidade
de investimento do produtor e adoção de técnicas agronômicas que garantam a
manutenção e sanidade de produção. Está indiretamente ligada à conjuntura econômica,
uma vez que o nível tecnológico e a capacidade de investimento na cultura do café estão
relacionados ao retorno do capital por parte do investidor (ABIC, 2003). Seu
entendimento é importante em trabalhos que envolvem o estudo de culturas agrícolas
com sensoriamento remoto, uma vez que diferentes espécies e espaçamentos da cultura
podem alterar o comportamento espectral dos alvos agrícolas, dificultando a
discriminação entre as diferentes classes de cultivo (Bunnik, 1978).
2.2 Sensoriamento Remoto e Geoprocessamento no estudo da cafeicultura
No meio científico há trabalhos que demonstram a importância da utilização de
geotecnologias no estudo da aptidão agrícola de terras, manejo de bacias hidrográficas,
estudo e modelagem de relevo, análise ambiental de espaços geográficos e zoneamento
ecológico econômico. Todos eles enfatizam a importância de imagens orbitais como
suporte à extração de dados temáticos (Felgueiras et al., 1988; Kurkdjian et al., 1992;
Zimback, 1997; Venturieri, 1999; Crepani et al., 2001; Crepani e Medeiros, 2004).
33
A integração de dados reais de campo com dados de sensoriamento remoto só pode ser
realizada utilizando um sistema de informação geográfica, que fornece ferramentas
computacionais para que diferentes analistas integrem dados geográficos e determinem
possíveis mudanças espaciais e temporais de fenômenos naturais ou antrópicos em um
espaço geográfico, bem como as inter-relações entre diferentes fenômenos de uma
forma detalhada e abrangente (Câmara et al., 1993). Segundo Tomlin (1991), a
modelagem cartográfica é uma metodologia para análise e síntese de dados geográficos,
baseada em operações algébricas aplicadas a mapas representados na forma matricial.
Para esse autor, ainda, os modelos cartográficos podem ser descritivos ou preditivos. Os
modelos descritivos estão ligados ao modelo tradicional da cartografia, mas também
podem ser com bases na abordagem analítica, ainda muito utilizados, pois permite que o
fenômeno em estudo seja representado de maneira direta, de acordo com a posição e a
característica dos elementos que representam esse objeto. Já os modelos preditivos
permitem que o usuário determine quais fatores influenciam a paisagem em estudo e
como esses fatores se inter-relacionam para construir cenários sobre fenômenos a serem
investigados (DeMers, 1997).
Os dados de sensoriamento remoto processados em um sistema de informação
geográfica podem ser analisados de diversas maneiras, via interpretação visual ou
automaticamente através de algoritmos de classificação com bases na resposta espectral
de pixels ou regiões homogêneas conforme relatou Crosta (1992), relacionando essas
informações com o processamento digital de imagens. Nesse sentido, enfocando
trabalhos em cafeicultura, Batista et al. (1990) avaliaram os dados do HVR-SPOT e
TM-Landsat na discriminação das culturas de café (Coffea arabica L.), cana-de-açúcar
(Saccharum officinarum L.), trigo (Triticum aestivum L.) e pastagens. Foram
coletados em campo na data de passagem do satélite diversos atributos, como variedade,
data de plantio, estádio fenológico, altura de plantas, espaçamento e orientação de
plantio, porcentagem de cobertura do solo, entre outros. Os resultados demonstraram
não haver diferença significativa na identificação visual das culturas com 5% de
significância. Entretanto, verificou-se uma importante diferença entre os produtos,
34
quando analisados separadamente. Os resultados da análise automática também não
mostraram diferenças com 5% de significância para os dados multiespectrais do sensor
HRV-SPOT equivalentes ao sensor TM. Porém, a inclusão de uma banda do TM na
região do infravermelho médio, em substituição a uma banda do visível melhorou
sensivelmente o desempenho obtido na análise final dos dados.
Karaska et al. (1986) estudaram o efeito de onze variáveis ambientais (altitude,
declividade, orientação do declive, rugosidade da superfície, tipo de solo, geologia,
porcentagem de vegetação, porcentagem de áreas e porcentagem de solo exposto) sobre
a resposta espectral de tipos de coberturas detectadas pelo sensor TM/Landsat. As
medidas das onze variáveis ambientais e os valores espectrais para as sete bandas do
sensor TM foram coletadas em cento e vinte amostras. Os dados foram analisados
estatisticamente através de uma regressão múltipla do tipo stepwise para determinar a
relação entre as variáveis ambientais e a resposta espectral do TM, e também determinar
o grau de variabilidade na resposta espectral em função da contribuição de cada variável
ambiental. Os autores observaram que, das onze variáveis estudadas, as porcentagens de
árvores e arbustos foram as que mais influenciaram a resposta espectral nos dados TM.
Os mesmos autores verificaram que o efeito predominante da vegetação (porcentagem
de árvores e arbustos) sobre a resposta espectral atua mascarando o efeito de outras
variáveis ambientais. Essa observação foi fundamentada no fato de que áreas amostrais
com pouca cobertura vegetal apresentaram maior variabilidade na resposta espectral,
associada ao efeito de outras variáveis ambientais.
Dallemand (1987) trabalhou com imagens HRV-Spot e TM-Landsat com o intuito de
identificar culturas utilizando técnicas de fotointerpretação. Neste trabalho, quatro
intérpretes experientes, sem conhecimento da verdade terrestre, foram selecionados para
identificar 100 talhões de trigo, café, cana-de-açúcar e pastagem. A partir de 16 matrizes
iniciais de erros foi realizada uma matriz por produto, depois da verificação da
homogeneidade do grupo de intérpretes.. Os resultados mostraram, com 5% de
35
significância, que não houve diferença considerando todas as culturas. Analisando-as
separadamente, constatou-se, diferença significativa entre os talhões.
Leonardi (1990) utilizou as bandas 1 a 5 e 7 do sensor TM e dados coletados em campo
para avaliação da influência dos parâmetros culturais do café sobre sua resposta
espectral. Os parâmetros culturais foram coletados quase simultaneamente à passagem
do satélite e são resultantes da média de medições de campo, dados de arquivos e
entrevistas. Os dados digitais correspondentes aos pontos amostrados em campo foram
convertidos para valores de reflectância. A análise dos dados foi feita em quatro etapas:
correlação entre parâmetros culturais, correlação dos valores de reflectância entre as
bandas espectrais, correlação entre parâmetros culturais e resposta espectral do café e
regressão múltipla entre parâmetros culturais e resposta espectral. Os resultados
revelaram que os parâmetros relativos às características da planta (altura, ano e poda,
porcentagem de cobertura do terreno, idade, vigor vegetativo e tipo de poda) são mais
bem correlacionados com a reflectância do cafezal do que parâmetros relativos às
características do substrato (percentagem de cobertura nas entrelinhas, matéria orgânica,
ervas daninhas verdes, solo exposto) ou da geometria (orientação das fileiras de plantio,
declividade e orientação de declive). A análise de regressão múltipla evidenciou a
influência predominante dos parâmetros, altura da planta e porcentagem de cobertura do
terreno na resposta espectral do dossel do cafeeiro.
Com o objetivo de identificar e separar culturas agrícolas de citros, cana-de-açúcar e
café, Tardin (1990) realizou a análise digital de três bandas do sensor TM (bandas 3, 4 e
5), em que classificou a imagem em classes temáticas de cultivo utilizando um
algoritmo de máxima verossimilhança, implementado em um sistema de processamento
de imagens. Foram apresentados dados de matrizes de confusão, desempenho médio e
valores de reflectância para todas as culturas e bandas espectrais analisadas. Os
resultados alcançados na área de estudo mostraram-se eficientes na discriminação entre
as culturas.
36
Pellerin et al. (1993) utilizaram imagens TM e MSS do satélite Landsat no mapeamento
de uso do solo na região de Marília-SP e observaram que os piores resultados de
interpretação ocorreram em áreas de cafeicultura, cujas parcelas foram espectralmente
semelhantes às outras classes, desde florestas a culturas anuais. Estas confusões
ocorreram em função da fitogeografia da área, relacionadas com variáveis como altura
das árvores, densidade dos dosséis e das práticas culturais sazonais efetuadas entre
linhas de cultivo (solo exposto, consórcio de culturas como o milho, feijão, arroz de
sequeiro, gramíneas). Somente talhões com áreas medindo entre 1,5 a 2,0 metros foram
bem identificados e discriminados.
Alves et al. (2003) realizaram o estudo de áreas cafeeiras por meio de técnicas de
geoprocessamento, com o objetivo de levantar informações sobre o meio físico e
produzir mapas temáticos dos vários componentes destes agrossistemas. Através de um
sistema de informação geográfica, criou-se um banco de dados com as imagens do
sensor TM-Landsat 5 na área de interesse. Técnicas de geoprocessamento foram
empregadas para obter mapas de declividade e solos, sendo este último por meio de
modelagem geomorfopedológica. Os mapas temáticos elaborados, associados às
informações da cultura cafeeira, permitiram a avaliar a correlação das características da
cafeicultura com o meio físico. As técnicas de geoprocessamento usadas mostraram-se
eficientes para caracterizar os agroecossistemas cafeeiros, para subsidiar o planejamento
e gerenciamento racional do setor.
Moreira et al. (2004) realizaram uma análise espectral temporal da cultura do cafeeiro
utilizando imagens TM-Landsat com o objetivo de melhorar a separabilidade da cultura
cafeeira em relação aos demais alvos em uma região de Minas Gerais. Foram utilizadas
sete imagens, sendo três do ano de 1999 e quatro de 2001 e analisadas as imagens dos
canais 3,4 e 5 do sensor TM-Landsat. Realizou-se o pré-processamento das imagens
com o realce, registro e recorte da área de estudo, transformação de nível digital para
valores de reflectância e finalmente a retificação radiométrica em relação a uma imagem
de referência. Os autores concluíram que imagens coletadas no período seco, entre julho
37
e setembro, foram mais eficientes no mapeamento de lavouras cafeeiras em formação e
produção. A resposta dos alvos na imagem da banda 4 foi a que melhor permitiu a
separação entre café e demais culturas nesta época do ano.
Pesquisadores da Empresa de Pesquisa Agropecuária de Minas Gerais (EPAMIG)
elaboraram trabalhos utilizando dados de sensoriamento remoto integrados em um
sistema de informação geográfica para o estudo da cafeicultura neste estado (Bertoldo et
al. (2003a); Bertoldo et al. (2003b); Bertoldo et al. (2003c); Vieira et al. (2001)). Os
autores realizaram classificações automáticas das imagens TM e CCD, concluindo a
etapa de mapeamento com auxílio de interpretação visual. Para a modelagem do terreno,
os autores utilizaram dados altimétricos digitalizados a partir de cartas topográficas. Os
resultados foram obtidos por tabulações cruzadas entre as variáveis analisadas.
Entretanto, o objetivo do estudo não foi indicar áreas favoráveis para o cultivo de
cafezais com base nas variáveis estudadas. Na região de Patrocínio-MG, a comparação
visual entre o mapa gerado pelo classificador e os padrões espectrais definidos para as
diversas classes, com base na verdade de campo demonstrou que o mapa gerado de
áreas cafeeiras foi satisfatório. Tal fato reflete, provavelmente, as condições
geomorfológicas da região, onde ocorrem, predominantemente, relevos mais suaves e
grandes extensões de áreas cafeeiras. Já para o município de Machado-MG, o mapa de
uso da terra gerado pela classificação apresentou maior conflito entre mata e café. Este
conflito é acentuado em algumas áreas da região em que o relevo é mais acidentado.
A maioria dos trabalhos consultados que envolveram geotecnologias e cafeicultura
abrange municípios isolados. Caso seja necessário enfocar o estudo de
agroecossistemas, sugere-se que sejam realizados primeiramente estudos regionais e
posteriormente estudos locais, uma vez que as atividades antrópicas trazem
conseqüências que não estão restritas a uma determinada área geográfica e sim a todo o
ecossistema em que os recursos naturais estão sendo explorados (Odum et al., 2001).
2.2.1 Influência de Práticas Culturais e da Fenologia na Resposta Espectral de
Cafezais
38
Formaggio (1989) relatou que o ciclo das culturas agrícolas anuais pode ser dividido em
três fases fenológicas, o que permite diferenciá-las espectralmente dependendo do
sensor utilizado. Estas fases não ocorrem periodicamente em relação à lavoura cafeeira,
mas podem ser evidenciadas e devem ser conhecidas para evitar interpretações errôneas
em trabalhos que envolvam o mapeamento dessa cultura. Na primeira fase (Figura 2.1),
logo após o transplantio de mudas no terreno para a formação do cafezal, ocorre o
domínio da radiância do solo nas interações com a irradiância solar, com a cultura
recobrindo pequena parcela da superfície do solo. Na segunda etapa do ciclo (Figura
2.1), a cultura entra em fase de desenvolvimento, onde ocorre o domínio da biomassa
vegetal nas interações da cultura com a radiação eletromagnética, formando o chamado
dossel agrícola, com maior resposta espectral na faixa do infravermelho próximo
(Ponzoni, 2001). Nessa fase, mais tardiamente, ocorre o processo de florescimento e
formação de frutos, alterando novamente o comportamento espectral do dossel devido à
presença de intensa florada na fase reprodutiva e posteriormente dos frutos em
maturação. Já a terceira fase (Figura 2.1) a planta apresenta-se em fase de pós-colheita,
ou seja, ocorre a derrubada das folhas devido à colheita manual. Isso acarreta mudança
no comportamento espectral da lavoura devido à maior contribuição da resposta
espectral do solo.
FIGURA 2.1 - Cafeicultura fase inicial, dossel formado e lavoura pós-colheita.
39
2.2.1.1 Influência da Topografia no Manejo e na Resposta Espectral de Cafezais
A topografia está relacionada diretamente com a forma do relevo e declividade, e,
portanto é um importante fator a ser considerado na instalação e condução dos cafezais.
Nesse sentido, a declividade tem sido a variável mais explorada em trabalhos que
exigem a representação do espaço geográfico, referindo-se à inclinação do relevo em
relação ao horizonte, o que na prática, tem relação direta com a velocidade de
escoamento da água em escorrimento superficial, fator primário na formação de
voçorocas (Crepani et al., 2001).
Alguns trabalhos de pesquisa na área de sensoriamento remoto têm demonstrado que a
topografia do terreno influencia significativamente a resposta espectral de alvos em
determinada superfície (Strahler et al. (1978); Lacerda (2004)). Leonardi (1990)
especifica que em dados orbitais o efeito topográfico diminui com o comprimento de
onda, o que exige cuidados na interpretação dos dados principalmente em terrenos com
topografia ondulada.
2.3 Sensoriamento Remoto e Modelagem Topográfica
Wood (1996) comentou que o homem sempre buscou técnicas e ferramentas para
descrever e parametrizar com precisão a superfície terrestre. As técnicas almejadas por
vários pesquisadores buscam uma aplicabilidade universal, que não dependa de
adaptações em cada situação fisiográfica encontrada. O mesmo autor cita que os
parâmetros mais comumente utilizados na modelagem são a altimetria, declividade e
perfil do terreno.
Para o cálculo das variáveis físicas na modelagem do espaço geográfico com
ferramentas computacionais e dados coletados a partir de sensores remotos, aplicam-se
com freqüência a técnica de representação do terreno denominado modelo numérico de
terreno (MNT). Este recurso é definido por uma função matemática que permite a
reprodução de uma superfície real a partir de pontos regularmente espaçados. Segundo
40
Assad et al. (1998), o modelo está associado à altimetria do terreno, permitindo a
representação tridimensional da superfície terrestre.
Diversos trabalhos que envolveram mapeamentos temáticos e zoneamento ecológico-
econômico (INPE, 1992; Crepani et al., 2001), utilizaram cartas topográficas analógicas
digitalizadas e importadas em sistemas de informação geográfica para gerar o modelo
numérico de terreno. Atualmente, com a disponibilidade dos dados SRTM (Shuttle
Radar Topographic Mission) pela NASA (2005) (National Aeronautics and Space
Administration), Valeriano (2004) recomendou sua utilização e integração com cenas de
sensores multiespectrais, como TM-Landsat e CCD-Cbers.
2.3.1 SRTM (Shuttle Radar Topographic Mission) e Modelos Digitais de Elevação
O projeto SRTM (Shuttle Radar Topographic Mission) faz parte de um programa
científico de longo prazo para estudo da superfície terrestre, oceanos, atmosfera, gelo e
vida de uma forma integrada. Os dados SRTM são o resultado de uma missão espacial
da NASA, da NIMA (National Imagery and Mapping Agency), da DLR (Agência
Espacial Alemã) e da ASI (Agência Espacial Italiana), com o objetivo de gerar um
modelo digital de elevação (MDE) da superfície terrestre através de interferometria. Sua
missão cobriu toda a superfície terrestre utilizando a banda C e X, conforme Eineder et
al. (2003). Os dados SRTM possuem grande potencial de aplicações. Com uma
resolução espacial de 90m, Valeriano (2004) comentou que se trata de um produto com
maior precisão do que aqueles gerados pelo RADARSAT-1, cuja resolução espacial é
de 1000m .
Este mesmo autor ressalta que em trabalhos de mapeamento temático de uso e aptidão
do solo, a exatidão altimétrica absoluta não é uma exigência primordial para estudos de
relevo e recomenda a utilização dos dados SRTM em escalas de até 1:100.000. Não são
recomendados em projetos de engenharia civil, que envolvem dimensionamento de
barragens bem como pontes e estradas de rodagem, pois exigem precisão incompatível
41
com a resolução original deste produto. Segundo Van Zyl (2001), os dados SRTM
possuem precisão de 16m em modo absoluto e 11m em modo relativo.
A utilização dos produtos altimétricos SRTM pode ser útil na obtenção de diversas
variáveis fisiográficas além da altimetria, como declividade e orientação de vertentes
(Valeriano, 2004). Pensando nesta diversidade de aplicações é que vários autores
chamaram a atenção para a necessidade do preparo e processamento dos dados em
função dos resultados desejados (Li, 1992; Gao, 1995; Özdamar et al., 1999; Valeriano
et al., 2001; Reiss, 2002).
Ainda em trabalhos que envolvem a modelagem de terreno, Valeriano (2003)
desenvolveu e avaliou procedimentos para mapear a curvatura vertical de vertentes a
partir de modelos de elevação com recursos de sistemas de informação geográfica. Sua
metodologia baseia-se na aplicação de filtros direcionais com janelas móveis de 3x3
pixels, simulando o cálculo geométrico da segunda derivada através do perfil de
vertentes. As curvaturas processadas devem ser diferenciadas por interpretação visual
através da determinação dos limites para classificação de cada intervalo de valores
desejados, em cada octante (norte, sul, leste e oeste). Valeriano (2003) concluiu com
base nesse trabalho que a curvatura vertical de vertentes pode ser calculada sobre
modelos digitais de elevação, e que os resultados foram coerentes com a verdade de
campo, apesar das possíveis imprecisões geradas durante o processamento digital.
2.4 Mapeamento e Representação Cartográfica do Uso da Terra
Considera-se como terra, um “segmento da superfície terrestre definido no espaço e
reconhecido em função de suas características e propriedades compreendidas pelos
atributos da biosfera que sejam razoavelmente estáveis ou ciclicamente previsíveis,
incluindo a atmosfera, solo, geologia, hidrologia e resultados da atividade humana”
(FAO, 1976).
42
Para o IBGE (1999), as classes de uso da terra podem ser definidas como unidades
simples ou associações de classes, sendo variável com o espaço estudado e a escala de
trabalho.
Quando são encontrados vários tipos de atividades antrópicas vizinhas para delimitação,
como a associação de cultivos perenes e anuais, o IBGE (1999) recomenda que se deve
levar em conta sempre a classe de uso dominante procurando-se ordenar as classes de
uso com maior percentual, limitando ao máximo três unidades por associação.
Recomenda-se ainda que se uma área for ocupada com mais de 80% de uma só classe
de uso, esta será mapeada como unidade simples.
O IBGE (1999) identificou sete classes de uso da terra, podendo ser subdivididas em
tipos diferenciados, desde que bem caracterizados: a) agricultura; b) pecuária; c)
agropecuária; d) extrativismo; e) mineração; f) áreas especiais; g) áreas urbanas, sendo
que a agricultura: pode ser diferenciada em cinco tipos de culturas: 1) agricultura de
subsistência; 2) agricultura tradicional; 3) agricultura de transição; 4) agricultura
modernizada; 5) reflorestamento ou florestamento. A cultura do café na região de
estudo, pode ser caracterizada como agricultura tradicional com culturas permanentes
(ATp) e agricultura modernizada com cultura permanente (AMp).
O IBGE (1999) recomenda que o mapeamento destinado a caracterizar o sistema de uso
da terra de uma determinada área geográfica deve buscar a representação em escalas
crescentes. O mesmo autor divide as escalas de mapeamento e as unidades empregadas
conforme a Tabela 2.3.
TABELA 2.3 – Unidades de mapeamento e escalas recomendadas.Exploratório Reconhecimento Semidetalhe Detalhe1:1.000.0001:2.500.000
1:250.0001:1.000.000
1:100.0001:25.000 < 1:25.000
Classes de uso dominante ou
associação de classes
Indicação de classes e tipos dominantes ou
associações dominantes
Indicação das classes, tipos e subtipos dominantes ou
associações dominantes
Indicação das classes, tipos e subtipos dominantes ou
associações dominantes
Agricultura Agricultura Tradicional
Agricultura Tradicional com Culturas Perenes
Agricultura de Subsistência com
cultivo de mandioca
43
TABELA 2.3 – Conclusão.Pecuária Pecuária Extensiva Pecuária Extensiva de
CortePecuária Extensiva de
Corte
Agricultura+Pecuária Agricultura Tradicional +Pecuária
Agricultura Tradicional com culturas cíclicas +
Agropecuária
Agricultura Tradicional com culturas cíclicas e milho + Agropecuária e
cultura de sorgoFONTE: IBGE (1999).
2.4.1 Análise da Confiabilidade do Mapeamento a partir de imagens orbitais
Em trabalhos que envolvem mapeamento, destacam-se aqueles que abordam a
importância da validação e sua confiabilidade. Normalmente opta-se pela construção de
matrizes de erros, que apontam a distribuição de erros e acertos com base na realidade
de campo. A partir desta matriz de erros é possível verificar as classes com melhores e
piores desempenhos, e também permitem o cálculo de parâmetros de exatidão geral da
classificação quando se utilizam como base de extração dos dados, imagens de sensores
orbitais (Hay, 1988; Congalton et al., 1991).
Com base na matriz de erros é possível realizar uma análise multivariada para a
determinação da concordância entre o mapeamento e a realidade de campo. Aponta-se
como opção a esta análise a estatística kappa (K), que é calculada segundo as equações
2.1, 2.2 e 2.3.
PcPcPoK
−−=
1(2.1)
(2.2)
2
1Ni
nnM
P c
ii
∑==
2
1Ni
nnM
Pc
ii∑==
(2.3)
44
em que: Po é a exatidão geral, Pc a proporção de unidades que concordam por
casualidade, M, o número de classes presentes na matriz de erro, nij o número de
observações na linha i e coluna j, ni+ e n+i os valores marginais da linha i e coluna j e N o
número total de unidades amostrais contempladas pela matriz.
Com a finalidade de validar e possibilitar comparações entre classificações diversas,
Fonseca (2000) disponibilizou os seguintes conceitos em relação aos resultados obtidos
nas classificações, conforme a Tabela 2.4.
TABELA 2.4 - Índice kappa e conceito do desempenho de classificação.Índice Kappa Desempenho
< 0 péssimo0 < k ≤ 0,2 mau
0,2 < k ≤ 0,4 razoável0,4 < k ≤ 0,6 bom0,6 < k ≤ 0,8 muito bom0,8 < k ≤ 1,0 excelente
FONTE: Fonseca (2000).
2.5 Técnicas de Processamento Digital em dados de Sensoriamento Remoto
Orbital
Mascarenhas et al. (1984) definiram como tratamento de imagens toda e qualquer
análise e manipulação destes dados por meio de técnicas computacionais com a
finalidade de extrair informações reais sobre fenômenos ou objetos do Planeta Terra.
Tais técnicas e algoritmos buscam simular a capacidade do ser humano em reconhecer
padrões nos dados de sensores remotos. A seguir serão abordadas as técnicas de
processamento digital de imagens utilizadas no desenvolvimento deste trabalho.
2.5.1 Minimização do efeito causado pelo espalhamento atmosférico
Moreira (2003) comentou que o espalhamento atmosférico é um processo físico
explicado por três mecanismos, denominados: espalhamento Rayleigh, espalhamento
Mie e não seletivo, todos relacionados com o comprimento de onda e com o tamanho
das partículas dispersas na atmosfera. A combinação destes efeitos, segundo Slater et al.
45
(1987) interfere na radiância captada por sensores orbitais com mudanças significativas
nos resultados de análises e processamentos desses dados. O mesmo autor sugere a
utilização de um método que permita reduzir tais efeitos, uma vez que sua eliminação
total não é possível.
Nesse sentido, Chavez Jr. (1988) desenvolveu um método de minimização dos
espalhamentos Rayleigh e Mie através da subtração dos valores aditivos supracitados a
partir de coleta de amostras em alvos escuros, cuja radiância deveria ser nula ou
próxima a zero. A técnica é aplicada individualmente em cada banda multiespectral.
Operacionalmente Chavez Jr. (1988) sugeriu a utilização de uma banda no visível para a
coleta do valor digital que deverá ser utilizado no processamento. O valor mais
adequado é aquele que apresenta o maior aumento de freqüência nos menores níveis
digitais do histograma. Especificamente para as bandas do sensor TM-Landsat, o autor
supracitado não recomenda a utilização dos valores das bandas 5 e 7, uma vez que
podem reduzir significativamente níveis digitais importantes para valores baixos,
próximos a zero, considerando que o espalhamento atmosférico para estas bandas pode
ser considerado desprezível.
2.5.2 Transformação dos Níveis Digitais para Reflectância de Superfície
Slater et al. (1987) destacaram a importância dos parâmetros de calibração dos sensores
em análises que envolvem a obtenção de informações quantitativas dos alvos.
Transformando os números digitais para valores de radiância compensam-se as
diferenças entre ganhos e off-set de cada banda espectral, conforme equação 2.4.
NDLLLL ].255/)[( minmaxmin λλλλ −+= (2.4)
em que: ND = número digital de um pixel amostrado; Lλ = radiância espectral (W.cm-2 .
sr-1.µm-1); Lminλ = radiância espectral correspondente ao ND mínimo; Lmaxλ = radiância
espectral correspondente ao ND máximo.
46
Convertendo os valores de radiância em valores de reflectância de superfície
compensam-se as diferenças quanto à irradiância solar no topo da atmosfera e o ângulo
de incidência solar em relação ao alvo no momento da aquisição da imagem, conforme
a equação 2.5.
Θ=
cos... 2
solEdLλπρ (2.5)
em que ρ = reflectância de superfície; Lλ = radiância espectral; d = distância sol-terra;
Esol = irradiância solar no topo da atmosfera; θ= ângulo zenital solar, em graus conforme
Slater et al. (1987).
2.5.3 Transformação Geométrica
Imagens captadas por sensores orbitais estão sujeitas a diferentes fontes de erros,
causadas pelo movimento relativo entre a Terra e o satélite, distorções panorâmicas que
ocorrem pela variação do instantaneous field of view (IFOV) no campo de visada do
sensor, variações de efemérides e velocidade do satélite. Há disponível, segundo
Fonseca (2000), três modelos matemáticos que podem ser executados para resolver tais
problemas: a) modelo de correções independentes; b) modelo fotogramétrico e c)
modelo polinomial. O primeiro modelo trata de forma independente as diversas
distorções sistemáticas. O segundo modelo está embasado na aplicação de equações de
colinearidade, com base nos dados de efemérides dos satélites e o terceiro modelo,
comumente implementado em aplicativos de tratamento de imagens digitais, consiste na
aplicação de uma função polinomial cujos parâmetros são determinados a partir de
coordenadas de pontos de controle identificados tanto em um sistema de referência da
imagem como também na base de dados.
Operacionalmente, a transformação geométrica de uma imagem passa por três etapas
conforme Fonseca (2000). Na primeira etapa denominada mapeamento direto, ocorre
uma transformação geométrica aplicada sobre a imagem, que é dependente da equação
polinomial escolhida (1o, 2o ou 3o graus). Nesta transformação, afim ou não, define-se a
47
geometria e o espaço geográfico da imagem corrigida, onde os níveis de cinza que
comporão a imagem final residem na imagem de entrada. A segunda etapa é
denominada mapeamento inverso, que recupera a informação dos níveis de cinza que
serão utilizados na imagem resultante do processo.
Na terceira etapa, ocorre a reamostragem ou interpolação dos níveis de cinza. Nesta
operação, utilizam-se os níveis de cinza apresentados durante o mapeamento inverso
para determinar por cálculos de interpolação os níveis de cinza que irão compor a
imagem corrigida. Nesta etapa, os principais métodos de interpolação utilizados são:
vizinho mais próximo, bilinear e convolução cúbica. O primeiro método de
reamostragem utiliza o nível de cinza mais próximo ao resultado do mapeamento
inverso; o segundo método utiliza o valor de três interpolações lineares, utilizando os
níveis de cinza dos quatro pixels que cercam o mapeamento inverso, duas ao longo da
linha e uma na direção das colunas. A terceira utiliza cinco interpolações polinomiais de
terceiro grau considerando os dezesseis pixels a partir do resultado do mapeamento
inverso ao longo das linhas e a quinta na direção das colunas.
2.5.3.1 Cenas Ortorretificadas (NASA) como suporte ao Registro de Cenas TM e CCD
Tucker et al. (2004) realizaram a ortorretificação de imagens dos sensores MSS
(Multispectral Scanner System), TM (Thematic Mapper) e ETM+ (Enhanced Thematic
Mapper Plus) a bordo dos satélites Landsat 4, 5 e 7 respectivamente. Os autores
utilizaram cenas que compreenderam o período de 1970 a 2000 estruturando assim o
maior banco de dados de imagens com um padrão de correção determinado
cientificamente, para estudos e aplicações em diversas áreas do conhecimento,
minimizando os erros de registro comumente encontrados entre cenas de mesmos
sensores ou relacionados à diferentes períodos de aquisição. Os produtos foram
denominados Geocover, e estão disponíveis em dois produtos relacionados às datas das
cenas utilizadas em cada mosaico: circa 1990 e circa 2000.
48
O produto Geocover dispõe de 7.413 cenas MSS Landsat 4, TM Landsat 5 e ETM+
Landsat 7 considerando 7.037 órbitas-ponto diferentes, com dados de todo o globo
terrestre, em formato georreferenciado, com cobertura de nuvens menor que 10% ,
datadas entre 1972 e 2002. Tucker et al. (2004) descreveram a especificação técnica das
imagens Geocover após o processo de ortorretificação das cenas conforme a Tabela 2.5.
TABELA 2.5 - Especificações Técnicas dos Mosaicos de Cenas Geocover.Especificações Características
Método de Reamostragem: vizinho mais próximoResolução Espacial 28,5m (ótico) e 114m (termal)Projeção UTM - zona determinada no centro da cenaDatum WGS 84Erro Médio de Posicionamento Horizontal 50mErro Médio de Posicionamento Vertical 1 arco segundoFONTE: Tucker et al. (2004).
2.5.4 Razão entre Bandas Multiespectrais
Na opinião de Chen et al. (1986), os índices de vegetação permitem reduzir a
dimensionalidade dos dados multiespectrais e também o impacto das condições de
iluminação e de visada decorrentes ou não de efeitos topográficos provocados por
diferenças na radiância espectral causada pelas variações na orientação e declividade da
superfície. Nesta linha de estudos, Pinter Jr. et al. (1985) afirmaram que a razão simples
entre bandas é suficiente para controlar a variabilidade nas estimativas de radiância dos
alvos.
Ao estudarem os efeitos da influência topográfica sobre o resultado do processamento
de imagens, Holben et al (1981) constataram que seus resultados sofreram variações em
função da inclinação solar, orientação das vertentes e declividade. Como alternativa aos
efeitos negativos da topografia, os autores utilizaram a razão entre bandas no sentido de
minimizar ou remover efeitos aditivos indesejados.
2.5.5 Classificação de Imagens Digitais
49
Para Crosta (1992), a necessidade de distinguir e identificar os diferentes tipos de alvos
na superfície terrestre em imagens digitais gerou a demanda para estudos na elaboração
e implementação de programas computacionais que permitissem de forma automática
ou com a intervenção humana, associar cada pixel da imagem ou regiões homogêneas a
um tema da verdade terrestre, denominado neste contexto como rótulo. Dessa forma, o
resultado desta rotulação é um mapa temático.
Para alcançar os resultados esperados, deve-se associar no processo de classificação
mais do que um canal (no caso de imagens multiespectrais) para que seja possível
distinguir os diferentes alvos da superfície terrestre. Para isso, deve-se segundo Crosta
(1992) conhecer o comportamento espectral dos alvos terrestres e analisar o espaço de
atributos visando associar canais que permitam diferenciar satisfatoriamente alvos que
possuem comportamento espectral semelhantes.
Segundo Fonseca (2000), há dois tipos de classificação: a automática e a
fotointerpretação. A primeira consiste em uma análise quantitativa dos pixels de uma
imagem multiespectral, em que um algoritmo realiza a análise de pixels ou regiões
consideradas homogêneas. Na fotointerpretação um especialista extrai as informações
com base em sua experiência pessoal, muitas vezes associadas somente a um sistema de
cores aplicados sobre as bandas multiespectrais, normalmente no sistema RGB.
Fonseca (2000) explica que existem dois grupos de classificadores automáticos,
implementados nos aplicativos disponíveis no mercado: a) classificador não
supervisionado, onde os pixels de uma imagem são associados a uma classe espectral
sem conhecimento prévio do usuário; b) classificador supervisionado, em que o
especialista seleciona amostras das classes identificadas na imagem, que normalmente
são descritas por parâmetros estatísticos estimados pelas amostras de treinamento.
2.5.5.1 Classificação por Maxiverossimilhança (MaxVer)
O classificador por maxiverossimilhança, ou simplesmente Maxver, é considerado por
Crosta (1992) e Fonseca (2000) como o método de classificação pixel a pixel mais
50
utilizado, principalmente por estar implementado na maioria dos aplicativos de
tratamento de imagens e sistemas de informação geográfica. Este classificador utiliza
parâmetros estatísticos de probabilidade para agrupamento de classes temáticas a partir
de amostras de treinamento. Pressupõe-se que a distribuição da probabilidade das
classes é normal, embora tal suposição, segundo Crosta (1992) seja considerada uma
propriedade natural dos alvos não demonstrada na prática. No processo de classificação
determina-se a probabilidade de que um pixel pertence a um vetor espectral em cada
uma das bandas. Confirmando-se a hipótese, o pixel é atribuído à classe de maior
probabilidade, considerando também um limiar de decisão, que indica a porcentagem de
pixels de determinada distribuição poderão ser classificados em determinada classe.
Caso seja considerado um limite de 99%, por exemplo, apenas 1% daqueles com menor
probabilidade serão eliminados.
Fonseca (2000) comentou que o êxito da classificação e, conseqüentemente, na
separabilidade de classes está relacionada diretamente com a aquisição das amostras de
treinamento. Estas devem ser significativamente diferentes para cada um dos alvos,
evitando pixels com muita mistura espectral. As classes pré-definidas para a
classificação da imagem normalmente representam uma simplificação da realidade
terrestre. A mistura extremamente variável de uma série de objetos reais em um mesmo
pixel influencia negativamente no resultado da classificação.
2.6 Interpretação de Imagens Orbitais na Agricultura
Segundo Moreira (2003), a interpretação de imagens orbitais funciona como um
complemento ao processo de classificação automático na extração de informações em
imagens digitais. Este autor citou que existem dois métodos de interpretação: método
comparativo e método sistemático. Destacar-se-á o método sistemático por ter sido
utilizado no presente estudo.
2.6.1 Método Sistemático de Interpretação de Imagens
51
Trata-se de um método composto por etapas distintas. Segundo Moreira (2003), as
etapas para interpretar uma imagem podem ser resumidamente descritas como:
metódica, onde se interpreta um tema por vez; do geral para o individual com a
interpretação das classes de maior ocorrência na área. Nesse caso cada classe temática
pode ser espectralmente dividida em sub-classes (ex.: café em formação e café em
produção); do conhecido para o desconhecido: primeiro se realiza a individualização
das classes de uso e ocupação do solo que são conhecidas (ex. mata ciliar, cidade, etc);
convergência de evidências: consiste em associar ao comportamento espectral outros
elementos fotointerpretativos, tais como: sombra, textura, forma e tamanho, bem como
a multitemporalidade.
2.6.2 Realce de Imagens
Segundo Moreira (2003), os dados gerados por sensores remotos podem apresentar um
contraste de baixa qualidade visual ao intérprete durante a extração de dados temáticos.
Para a melhora desta qualidade, utiliza-se comumente a ampliação do contraste em que
os níveis de cinza mais baixos são deslocados para um valor igual ou próximo a zero e
os valores mais altos, próximo ao nível de cinza máximo de acordo com a resolução
radiométrica do dado em processamento. Nesse sentido Crosta (1992) comentou que o
contraste linear é a forma mais simples de aumentar o contraste de uma imagem digital,
pois utiliza-se uma função de primeiro grau, onde dois parâmetros são controlados: a
inclinação da reta, que indica a quantidade de aumento de contraste e o ponto de
intersecção com o eixo X, que controla a intensidade média da imagem final.
2.7 Geoprocessamento: Análise Booleana e Processo Analítico Hierárquico (AHP)
O uso de modelos que utilizam variáveis qualitativas e quantitativas em projetos
ambientais tem recebido enorme atenção e enfoque. Nesse sentido a análise espacial dos
dados pode ocorrer de várias maneiras, com destaque para os métodos de inferência
booleana e AHP (análise hierárquica ponderada). O primeiro método de inferência
denota de maneira objetiva se uma afirmativa é verdadeira ou falsa (Burrough e
52
Mcdonnell, 1998). Essa técnica assemelha-se à consagrada forma de análise utilizando a
sobreposição de mapas em formatos translúcidos. Este apelo à simplicidade, no entanto,
apresenta a limitação de não ponderar suas entradas, de acordo com seus respectivos
níveis de importância. Como opção, o método denominado processo analítico
hierárquico (AHP) tem se destacado em número de aplicações para diversas áreas de
pesquisa (Alphonce, 1996).
Um dos maiores desafios que um profissional enfrenta em sua rotina de trabalho é a
necessidade da tomada de decisão técnica para solucionar problemas de ordens diversas.
Neste sentido, o processo analítico hierárquico tem sido amplamente utilizado em
trabalhos relacionados à agricultura e gestão de recursos naturais (Alphonce, 1996; Guo
et al., 1999; Thirumalaivasan et al., 2003; Zhang et al., 2004; Li et al., 2005; Karami,
2006;). Em agricultura, destacam-se trabalhos na determinação de áreas aptas a cultivos,
escolha de melhores métodos de irrigação e determinação de áreas favoráveis a
conservação e/ou para o desenvolvimento de determinada atividade agropecuária.
O processo analítico hierárquico ou AHP, desenvolvido por Saaty (1986), é uma técnica
de tomada de decisão com múltiplos critérios em que um problema complexo possui
uma hierarquia de solução a partir das variáveis a serem trabalhadas nesta solução
(Alphonce, 1996). Neste processo de comparação é estabelecida uma estrutura
hierárquica em que o valor de dominância para um dado nível hierárquico é propagado
para o nível inferior. Cria-se uma escala única de comparação entre as alternativas
medidas por diferentes critérios, estabelecendo-se no final um grau de pertinência ao
modelo. A estrutura de organização dos dados na AHP distribui as variáveis em
diferentes níveis. As variáveis de maior importância transmitem sua maior influência
para as variáveis menos importantes, em níveis hierárquicos mais baixos, que por sua
vez contribuem também com a funcionalidade e coerência nos níveis superiores
(Alphonce, 1996). Saaty (1986) fundamenta ainda que o processo analítico hierárquico
baseia-se em três princípios: decomposição, julgamentos comparativos e síntese de
prioridades. Os valores atribuídos aos critérios e alternativas na comparação pareada são
53
referentes a uma escala de medida de valores de intensidade ou de importância relativa.
Esses valores, que variam de 0 a 1, expressam a importância com a qual, um critério ou
alternativa é mais importante que o outro.
Dentre os trabalhos desenvolvidos nesta temática, utilizou-se o processo analítico
hierárquico para selecionar o melhor equipamento de irrigação em fazendas localizadas
no Irã, país com grande escassez de recursos hídricos (Karami, 2006). Analisaram-se
áreas agrícolas privadas com características homogêneas e três formas de irrigação para
cada grupo. As variáveis utilizadas no modelo de análise foram respectivamente: a)
nível tecnológico; b) tamanho da propriedade; c) declividade; d) textura do solo. O
método aplicado gerou resultados que foram analisados por especialistas em irrigação.
Na situação exposta, constatou-se que o processo analítico hierárquico foi eficaz na
indicação de 74% das áreas e questionável em 26% das áreas analisadas. Não houve
representação cartográfica dos resultados por parte do autor, mostrando seus resultados
por intermédio de gráficos com os valores obtidos no cálculo do modelo. Os
questionamentos sobre os resultados estiveram relacionados principalmente com os
parâmetros utilizados no cálculo dos pesos de cada variável, que é particularmente
definido pelo técnico que desenvolve a pesquisa ou um grupo voltado à temática em
estudo.
Em outro trabalho pesquisadores chineses estudaram o agroecossistema de uma
província Chinesa com características fisiográficas bem distintas com grande potencial
energético e agrícola (Li et al., 2005). O objetivo do trabalho foi determinar áreas
próprias ao cultivo do arroz maximizando o uso dos recursos naturais de uma forma
menos agressiva ao meio ambiente. Utilizou-se o processo analítico hierárquico para
análise das variáveis em três níveis: ecológico, econômico e social. Em relação ao nível
ecológico, utilizaram-se as seguintes variáveis: porcentagem de cobertura florestal,
fertilidade do solo, erodibilidade do solo e produção. Este trabalho permitiu delimitar
sete regiões homogêneas, o que trouxe subsídios para maximizar e trazer soluções aos
problemas sociais, econômicos e ecológicos em relação às áreas problemáticas.
54
CAPÍTULO 3
MATERIAL E MÉTODOS
3.1 Área de Estudo
A área de estudo compreende o agroecossistema cafeeiro de quatro municípios do
estado de Minas Gerais: Aguanil, Boa Esperança, Campo Belo e Cristais, localizados no
sudoeste do estado ocupando uma área total de 2.253 km2 ilustrados na Figura 3.1.
E F
FIGURA 3.1 - A (Cristais), B (Campo Belo), C (Aguanil), D (Boa Esperança), E (Minas Gerais), F (Brasil) - TM-Landsat TM7(R)TM4(G)TM3(B).
55
C
AA
B
D
3.2 Características Gerais da Região em Estudo
Os quatro municípios estudados situam-se as margens do Rio Grande, hoje denominado
lago de Furnas. Três deles (Aguanil, Campo Belo e Cristais) situam-se à margem direita
e Boa Esperança à margem esquerda. A economia dos municípios baseia-se em
atividades agropecuárias, com destaque para a cafeicultura. Na safra de verão, são
cultivados arroz, feijão e milho, com algumas áreas de soja, principalmente nos
municípios de Cristais e Boa Esperança. No inverno, período com menor ocorrência de
chuvas, há o predomínio de pastagens e cafeicultura.
3.2.1 Solos
O conhecimento das classes de solo da região em estudo é uma necessidade, visto que
serve de suporte a todas as atividades agrícolas. Cada classe de solo possui
características próprias de drenagem e aptidão agrícola (Moreira, 1992). A Tabela 3.1
ilustra as principais classes de solos nos municípios em estudo, com base em MA
(1962) e Bertoldo (2006), que realizaram o levantamento para reconhecimentos dos
solos sob o domínio do lago de Furnas.
TABELA 3.1 - Classes de solos da região em estudo e aspectos agronômicos importantes.
Solos Aspectos Favoráveis Aspectos DesfavoráveisArgissolo Vermelho
Argissolo Vermelho Amarelo
Solos profundos,com possibilidade de ser eutrófico no horizonte B e
transições com fase cascalhenta no horizonte A
Suscetibilidade à erosão com restrições de drenagem, e baixos
teores de fósforo
Cambissolo Háplico Pode apresentar caráter eutrófico no horizonte B
Ácido, com a presença de Al+3, pode ser salino ou sódico, com suscetibilidade à erosão
Neossolo LitolicoNeossolo Quartzorênico
Se apresentar caráter eutrófico, CTC > 12cmol/kg solo
Solos rasos, com baixa disponibilidade hídrica
Ou profundos com baixíssima CTC
Gleissolo+OrganossoloApresenta alta CTC: >12cmol/kg no
horizonte A, bem suprido de micronutrientes
Quando apresentar sinais de sódio e baixos teores de fósforo
Latossolo Vermelho Amarelo
Latossolo Vermelho
Se apresentar caráter eutrófico, e CTC > 12cmol/kg solo, favorece a mecanização pelas condições de
relevo
Excesso de drenagem e alta compactação no perfil A, e se
distrófico baixa fertilidade
Fonte: Prado (2003).
56
Segundo Lepsch (1980), há duas formas de se estudar e definir um solo: a primeira
considerando-o como parte natural da paisagem, onde são estudadas sua origem,
evolução e classificação; em segundo lugar, sob o ponto de vista pedológico, levando
em conta seu aspecto produtivo e os fatores que podem limitar ou não a produtividade
de determinada cultura agrícola. Neste estudo, o solo pode ser definido como o meio
natural onde as plantas retiram seus nutrientes, crescem e se reproduzem.
Amaral et al. (1999) afirmam que as principais limitações dos solos no Brasil estão
relacionadas com a sua natureza química. Os solos com problemas de acidez
correspondem a 84% no Brasil, sem estatísticas específicas para o estado de Minas
Gerais. São solos que possuem elevada concentração de alumínio e, em menor escala,
ferro e manganês. Estes elementos prejudicam o crescimento radicular e diminuem a
disponibilidade de alguns nutrientes. Esta limitação pode ser corrigida com a aplicação
de corretivos específicos. Ocorrem também solos com problemas de salinidade
correspondendo a 2% dos solos brasileiros. Este grupo de solos apresenta elevada
concentração de sais, principalmente sódio, resultando em dificuldade para o
crescimento radicular e absorção de água, devido ao potencial osmótico e
desbalanceamento geral entre os nutrientes. A correção dessas terras é viável com
drenagem e a utilização de carreadores químicos (gesso, calcário) e elevada quantidade
de água para a retirada do sódio do sistema. Já o terceiro problema, consiste na
limitação física dos solos, presente em cerca de 7% dos solos brasileiros, inclusive na
área em estudo, principalmente na região de Campo Belo. São solos que apresentam
pequeno volume para o desenvolvimento radicular. Com isto, as plantas absorvem
poucos nutrientes, ficam sujeitas facilmente à deficiência hídrica e ao tombamento. Para
esse tipo de limitação, segundo Amaral et al. (1999), não existe correção, pois está
ligada ao processo de formação de solos, bem como à geomorfologia da área.
Há também solos com baixa concentração de oxigênio em determinada época do ano. É
um grupo que apresenta variação significativa do lençol freático, atingindo a zona
radicular e, dependendo do solo, saturação (encharcamento) permanente ou por um
57
período do ano. Esta limitação pode ser corrigida ou minimizada através de práticas de
engenharia.
Considerando as informações de Amaral et al. (1999) e Sediyama et al. (2001)
verificou-se que os Argissolos e Latossolos são os solos onde a cafeicultura dispõe das
melhores condições de cultivo, com exceção de áreas com a ocorrência de Argissolos
variação rasa cascalhenta, presente em algumas áreas nos municípios de Aguanil e
Campo Belo. Ambos (Argissolos e Latossolos) são caracterizados pela boa
profundidade efetiva, com drenagem eficiente e facilmente mecanizáveis, mas nessa
região possuem baixa fertilidade natural devido ao caráter distrófico. Os demais solos
apresentados na Tabela 3.1 possuem profundidade efetiva pequena, o que não favorece
o enraizamento dos cafezais e ao mesmo tempo limita a capacidade de drenagem
favorecendo a erosão. Em princípio, forneceria suporte apenas a pastagens e
reflorestamento. A mecanização seria restrita devido à presença de cascalhos e
fragmentos de rochas não intemperizadas.
3.2.2 Relevo
De acordo com o levantamento de campo observou-se que o relevo dos municípios de
Aguanil e Campo Belo são predominantemente ondulados a forte ondulados (Figuras
3.2 e 3.3). Pode-se encontrar áreas planas, com a presença de agricultura mecanizada e
pastagens.
58
FIGURA 3.2 - Aspecto do relevo no município de Aguanil.
FIGURA 3.3 - Aspecto do relevo no município de Campo Belo.
59
O município de Cristais (Figuras 3.4 e 3.5) é caracterizado por áreas com relevo suave
ondulado a plano, com algumas áreas de encostas mais íngremes. Nas terras localizadas
ao sul do município e margeando o lago de Furnas o relevo característico é plano onde
há agricultura mecanizada e pastagens.
FIGURA 3.4 - Aspecto de relevo plano a suave ondulado em Cristais-MG.
60
FIGURA 3.5 - Aspecto do relevo do município de Cristais, com pequena lavoura cafeeira ao fundo.
No município de Boa Esperança o perfil do relevo é bem definido. As áreas que
margeiam o lago de Furnas são planas. O restante do município é caracterizado por um
relevo suave ondulado, com áreas de encostas mais íngremes somente na extensão da
Serra da Boa Esperança (Figura 3.6).
61
FIGURA 3.6 - Aspecto do relevo no município de Boa Esperança.
3.2.3 Vegetação
A vegetação nativa predominante nos municípios em estudo é o cerrado (savana),
caracterizado por plantas lenhosas arbóreas, de pequeno a médio porte, com a presença
de matas de galeria (savana densa) em áreas próximas aos corpos d´água. O cerrado
strictu sensu é uma vegetação pouco densa, onde a resposta espectral dos solos é
evidente. A mata de galeria, de característica mais densa do que o cerrado strictu sensu,
dificulta a delimitação dos corpos d´água mais estreitos, devido à cobertura dos mesmos
(RadamBrasil, 1983).
Atualmente, a vegetação nativa remanescente é caracterizada por pequenas áreas de
reserva legal e matas ciliares. No entanto, observa-se nos municípios de Aguanil e
62
Campo Belo que a vegetação nativa remanescente é mais abundante em comparação a
Cristais e Boa Esperança. Constata-se que a substituição da vegetação nativa ocorreu
em detrimento do plantio de pastagens nas regiões de solos mais rasos e relevo
acidentado e cafeicultura, em solos mais profundos e relevo plano. A mata de galeria ao
longo do lago de Furnas e de córregos da região ocorre em áreas pouco expressivas,
devido à preferência nestas áreas para o plantio de lavouras cafeeiras, pela maior
fertilidade e maior disponibilidade de água durante o ano todo.
3.2.4 Cafeicultura na área de estudo
Constatou-se nos municípios em estudo que o tamanho das áreas de cafeicultura, nível
tecnológico e manejo da cultura são determinados em função de parâmetros
agronômicos relacionados principalmente com a fertilidade dos solos, relevo,
disponibilidade de água e poder aquisitivo do agricultor, bem como o acesso à
assistência técnica especializada. Verificaram-se lavouras sem um padrão de instalação
e condução, em diferentes situações de iluminação (orientação de vertentes),
declividade, solos e altimetria. O café pode ser encontrado em toda a extensão territorial
dos municípios. Notou-se, durante o trabalho de campo, que as lavouras de café
localizadas em áreas planas ou suave onduladas são maiores e conduzidas com
assistência técnica especializada, principalmente nos municípios de Cristais e Boa
Esperança. Na região com o relevo mais acidentado, a cafeicultura é conduzida em
pequenas propriedades nem sempre com assistência técnica, perfil dos agricultores que
vivem nos municípios de Aguanil e Campo Belo.
O IBGE (2004) disponibilizou a dinâmica da área plantada de cafezais nos municípios
em estudo entre 1990 e 2004. Observa-se na Figura 3.7 que em 1990, a área plantada de
café em Aguanil ultrapassava 2.500 ha, reduzindo-se em 2004 para pouco mais de 1000
ha. Em Boa Esperança, eram plantados em torno de 14.000 ha em 1990. Em 2004
ultrapassam os 15.000 ha de área plantada.
63
Em Campo Belo conforme Figura 3.7, a área plantada de café em 1990 estava próximo
de 10.000 ha, e em 2004, está em torno de 4.000 ha, mostrando grande redução de área
plantada. Em Cristais, eram plantados em torno de 5.000 ha em 1990 e pouco menos do
que 8.000 ha em 2004.
A Figura 3.7 permite concluir que o município de Boa Esperança possui a maior
representatividade em relação à cafeicultura nos municípios em estudo.
Área de Cafeicultura Plantada
0
2.000
4.000
6.000
8.000
10.000
12.000
14.000
16.000
18.000
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004Período
Hec
tare
s
Aguanil Boa Esperança Campo Belo Cristais
FIGURA 3.7 - Área plantada de café em Aguanil, Boa Esperança, Campo Belo e
Cristais no período 1990-2004 (IBGE, 2005).
3.3 Material
A Tabela 3.2 relaciona os materiais que foram utilizados na pesquisa, divididos em três
itens principais: 1) dados cartográficos; 2) imagens digitais e 3) aplicativos.
64
TABELA 3.2- Materiais utilizados na execução da pesquisa.ITEM DESCRIÇÃO QUANTIDADE ESCALA (Fonte)
1.0 Cartografia1.1 Limite Municipal 03 1:100.000 (PRODEMGE, 1998)1.2 Carta Topográfica 03 1:50.000 (IBGE, 2005)1.3 Carta Topográfica 03 1:50.000 (IBGE,1969)1.4 Mapa de Solos 01 1: 250.000 (MA,1962)2.0 Imagens2.1 Imagem TM 04 219-74 (INPE, 2005)
Imagem TM 04 219-75 (INPE, 2005)2.2 Imagem CCD 04 153-123 (INPE, 2005)
Imagem CCD 04 153-124 (INPE, 2005)Imagem CCD 04 154-123 (INPE, 2005)Imagem CCD 04 154-124 (INPE, 2005)
2.3 Dados SRTM 02 S21W046 e S22W046 (NASA,2005)3.0 Aplicativos3.1 Spring 01 SIG (Câmara et al.,1996)3.2 Envi 01 SIG (Envi, 2004)3.3 Minitab 01 Estatística (Minitab, 2005)3.4 Criterium
Decision Plus01 AHP (Criterium, 2001)
3.4 Métodos
O levantamento de uso da terra nos municípios de Aguanil, Boa Esperança, Campo
Belo e Cristais seguiu a metodologia disponibilizada pelo Instituto Brasileiro de
Geografia e Estatística - IBGE (1999). Para isso, utilizaram-se dados de sensoriamento
remoto como base na extração de informações temáticas e modelagem de terreno. A
primeira etapa do trabalho consistiu em uma abrangente revisão bibliográfica para o
levantamento dos principais trabalhos e métodos que poderiam ser utilizados na
extração das variáveis topográficas, como também necessários ao mapeamento de café.
A partir da revisão bibliográfica, foi possível representar em uma base cartográfica
preliminar ao trabalho de campo a distribuição das variáveis fisiográficas (declividade,
altimetria e orientação de vertentes), bem como áreas de cafeicultura, com base na
imagem TM e CCD do mês de abril e maio, quando a ocorrência de nuvens foi menor.
Esta etapa está ilustrada na Figura 3.8.
65
RevisãoBibliográfica
Levantamento de Dados para Espacialização do relevo, solos, vegetação
Elaboração da base cartográfica preliminarLandsat-TM (04/2005)
Delimitação de:
Drenagem Áreas UrbanasCafezais
FIGURA 3.8 - Fluxograma de atividades preliminares ao trabalho de campo.
Conforme Figura 3.8 , realizou-se o levantamento da informação básica à estruturação
do banco de dados preliminar ao trabalho de campo. Como suporte à geração das
informações necessárias, utilizaram-se cartas topográficas digitais e analógicas além da
informação de moradores e produtores rurais dos municípios em estudo.
Na abordagem do trabalho excluiu-se a variável climática do processo de modelagem
devido à ausência de dados climáticos para alguns dos municípios em estudo, o que
resultaria em extrapolações dos possíveis resultados de um município para outro. Os
estudos de Sediyama et al. (2001) supriram a necessidade desta etapa.
A metodologia desenvolvida na pesquisa foi composta por vários métodos, resumidos
em cinco etapas: a) Estruturação do banco de dados geográficos; b) Processamento de
imagens TM-Landsat e CCD-Cbers2; c) Classificação das imagens para obtenção dos
mapas temáticos de cafeicultura, vegetação nativa e drenagem; d) Processamento dos
dados SRTM e obtenção dos mapas temáticos de altimetria, declividade e orientação de
vertentes; e) análise espacial dos dados geográficos e aplicação do modelo AHP para
obter um mapa de favorabilidade ao agroecossistema cafeeiro.
3.4.1 Características Cartográficas do Banco de Dados Geográfico
66
O projeto do banco de dados geográficos foi estruturado com base no decreto lei № 243
que regulamenta as Diretrizes e Bases da Cartografia Brasileira (Brasil, 1967):
• Projeção: UTM (Universal Transversa de Mercator);
• Datum: SAD-69, conforme recomenda a norma cartográfica brasileira.
A Figura 3.9 ilustra a estruturação do banco de dados e o processamento de imagens
3.4.2 Estruturação do Banco de Dados Geográfico e Processamento das Imagens
FIGURA 3.9 - Estruturação do Banco de dados e Processamento da Imagem Base.
Para a obtenção dos mapas temáticos de uso da terra, utilizou-se a imagem TM-Landsat
datada de 09/07/2005. Nesta época do ano, período seco, a cobertura vegetal verde na
região fica restrita a áreas com pastagens, cafeicultura, áreas de reserva legal,
reflorestamentos de eucalipto e matas ciliares.
Com o objetivo de reduzir o efeito aditivo atmosférico sobre a imagem base do trabalho,
aplicou-se em cada uma das bandas do sensor TM o método de subtração do pixel
escuro, conforme proposição de Chavez Jr. (1988). Nesta abordagem foram utilizados
67
valores de offset coletados com base no valor mínimo de cada uma das bandas com os
níveis digitais encontrados, detalhados na Tabela 3.3.
TABELA 3.3 - Valores utilizados para a aplicação do método de Chavez.
Imagem TM 15-02-2005
Imagem TM 04-04-2005
Imagem TM 09-07-2005
Imagem TM 13-10-2005
Banda ND Mínimo Banda ND Mínimo Banda ND Mínimo Banda ND MínimoB1 47 B1 48 B1 31 B1 51B2 14 B2 16 B2 8 B2 19B3 10 B3 14 B3 5 B3 14B4 6 B4 12 B4 0 B4 6B5 0 B5 0 B5 0 B5 0B7 0 B7 0 B7 0 B7 0
ND = nível digital
Após a redução dos efeitos aditivos da atmosfera, realizou-se a conversão dos valores
digitais para reflectância de superfície, conforme equações 2.4 e 2.5, apresentadas por
Slater et al. (1987). Em primeiro lugar converteram-se os números digitais para valores
de radiância, e posteriormente a conversão final para valores de reflectância de
superfície, obtendo-se uma imagem com os novos valores calculados. Empregaram-se
nestes cálculos os dados de calibração fornecidos por Ponzoni (2004) e apresentados na
Tabela 3.4.
TABELA 3.4- Valores de radiância mínima e máxima, Ganho (G) e Offset (B) aplicados às imagens TM.
Radiância Espectral, Lmín e Lmáx (m2.sr.μm)Landsat 5 TM pós-calibração
Datas Imagens Processadas após maio/2003
Bandas L min Lmáx Grescale Brescale
1 -1,52 193 0,762824 -1,52
2 -2,84 365 1,442510 -2,84
3 -1,17 264 1,039880 -1,17
4 -1,51 221,0 0,872588 -1,51
Fonte: Ponzoni (2004).
68
Na seqüência, realizou-se o registro ou georreferenciamento das imagens. Neste
processo relacionam-se as linhas e colunas das cenas com as coordenadas de um sistema
de referência, neste caso, uma cena ortorretificada do sensor TM-Landsat
disponibilizada pela NASA (2004), cujos parâmetros de qualidade geométrica e
posicionamento foram descritos por Tucker et al. (2004).
As imagens ortorretificadas da NASA exigem a correção de suas coordenadas de
referência, uma vez que são fornecidas georrerefenciadas em relação ao hemisfério
norte. Para isso, somou-se à longitude de referência o valor 10.000.000, considerando o
valor resultante para transformar esta referência ao hemisfério sul na projeção UTM
(Universal Transversa Mercator), conforme Franco (2001).
Com a imagem de referência ajustada para o hemisfério sul, o passo seguinte foi
identificar pontos de controle nas imagens em registro, cujas feições puderam ser
observadas na cena de referência. Utilizou-se uma transformação polinomial de 1o grau
com oito a quatorze pontos de controle coletados na imagem de referência, cujas feições
puderam ser identificadas na imagem objeto de correção. Devido à transformação
polinomial de primeiro grau, são necessários três pontos de controle e dois pontos para a
verificação de erros. Optou-se porém, por escolher de oito a quatorze pontos em cada
uma das imagens, bem distribuídos sobre a cena de referência, uma vez que a
transformação polinomial foi aplicada onde estavam concentrados os pontos de
controle. Utilizou-se o interpolador vizinho mais próximo para a realização do
mapeamento inverso da imagem, pois trata-se do método que melhor preserva os
valores digitais da imagem após processamento, conforme Fonseca (2000). Como
sistema de referência, utilizou-se aquele estabelecido pelas normas de cartografia
brasileira, já descrito no item 3.4.1. A exatidão do registro da imagem foi avaliada pela
equação 3.1.
n
YXRMS
n
i∑
=∆+∆
= 1
21
21 ])()[( (3.1)
69
Na equação 3.1, ∆X e ∆Y são as diferenças entre as coordenadas disponíveis na imagem
de referência e as observadas na imagem para o ponto i; n é o número total de pontos
avaliados, que serão escolhidos aleatoriamente nas imagens registradas. O erro
calculado, assim denominado RMS “root mean square” é a raiz média quadrática dos
erros; e a diferença entre as posições dos pontos de controle de referência e os pontos
nas imagens após a transformação; n o número de pontos de controle utilizados na
transformação.
Devido ao volume de dados trabalhados, optou-se por reduzir a dimensionalidade das
cenas, com a finalidade de estruturar o banco de dados com arquivos digitais menores.
Para isso, realizou-se o recorte das imagens utilizando como máscara o polígono de
cada um dos municípios. Neste procedimento foram consideradas as bandas do sensor
TM com maior variância, neste caso, as bandas 3,4 e 5. Neste procedimento Moreira
(2003) cita que é possível agilizar o tempo de processamento dos dados e reduzir o
espaço necessário de armazenamento.
3.4.3 Informações Oriundas do Trabalho de Campo
O trabalho de campo consistiu em um levantamento circunstanciado em cada um dos
municípios em estudo para a verificação da presença ou não da cafeicultura e permitir o
reconhecimento da vegetação nativa, dos solos, perfis do terreno e condições de manejo
das lavouras cafeeiras em cada uma das localidades, com a coleta de amostras
georreferenciadas, disponíveis no Apêndice.
A campanha de campo foi realizada em agosto de 2005, com a delimitação e a
identificação das áreas a serem visitadas, em cartas imagem de julho/2005 previamente
impressas para cada um dos municípios estudados. Para organização dos trabalhos,
aplicou-se, conforme IBGE (1999), o método de utilização de perfis, que consiste na
observação dos alvos de interesse por intermédio de caminhos previamente planejados
para detectar ao máximo as variações na paisagem. A densidade de observação às
principais lavouras cafeeiras dos municípios esteve condicionado à disponibilidade de
70
acesso automotivo via carreadores ou estradas vicinais, o que restringiu a cobertura da
área de estudo, associado também à limitação do período de permanência no campo
(quatro dias), que proporcionalmente resultou em um dia de permanência por
município.
Os pontos foram coletados com um GPS de navegação, em áreas sem cobertura de
nuvens e influência de árvores ou construções próximas. Determinado o local de coleta
das amostras, o aparelho GPS era ligado, configurado para o horário local, com
parâmetros de projeção e datum UTM, WGS84 respectivamente e mantido em modo
estático por cinco minutos até a estabilização do sinal da constelação de satélites, de
modo que houvesse no mínimo cinco satélites em cobertura simultânea. Os pontos
foram gravados na memória do aparelho, bem como anotados em planilhas específicas,
observando-se no entorno de cada ponto o tipo de exploração agrícola ou pecuária
existente e a situação da lavoura cafeeira amostrada. Paralelamente, eram realizadas
observações nas cartas imagem plotadas que serviram de suporte ao mapeamento e
identificação de características locais, como declividade, solos e vegetação
predominante.
A interpretação visual da carta-imagem TM e a associação com os alvos em campo
permitiram o reconhecimento de áreas cafeeiras que não foram visitadas. Não se
constatou em campo um padrão de instalação das lavouras.
Contou-se com o apoio da EMATER de Aguanil, Boa Esperança, Campo Belo e
Cristais, que disponibilizaram técnicos para acompanhamento das visitas às
propriedades rurais que resultaram na coleta de 94 amostras georreferenciadas.
Após a conclusão da campanha de campo, os dados de coordenadas, altimetria e
observações gerais foram tabulados e analisados para auxiliar na correção do
mapeamento preliminar e obtenção do mapa final de cafeicultura em relação aos
municípios estudados.
3.4.4 Classificação da Imagem Base de Mapeamento - TM-Landsat (09/07/2005)
71
Após a estruturação do banco de dados e realização do trabalho de campo, procedeu-se
a classificação final da imagem base com a finalidade de obter especificamente as áreas
cultivadas com café, como também alguns alvos agrícolas de interesse na sua
diferenciação.
As bandas 3, 4 e 5 do sensor TM-Landsat, órbitas ponto 219-74 e 219-75 datadas de
09/07/2005 foram selecionadas para a classificação supervisionada por pixel. Estas
bandas foram escolhidas porque possuem a maior variância e menor correlação entre si
e a data da imagem coincide com o período de estiagem local, em que a vegetação
nativa seca e permanecem vigorosas apenas as matas ciliares, áreas de reflorestamento e
a cafeicultura.
Para realizar o treinamento do classificador Maxver, determinaram-se seis classes
temáticas para coleta de amostras: café velho ou desbastado, que apresenta maior
resposta espectral do solo (café1), café novo ou em produção (café2), com o predomínio
da resposta espectral do dossel; eucalipto com alto vigor vegetativo (alta resposta
espectral no infravermelho próximo); agropecuária com pastagem ou lavoura
mecanizada vigorosa (agropecuária1) e pastagem ou lavoura mecanizada com baixo
vigor (agropecuaria2), e finalmente vegetação nativa. Ressalta-se que foram
consideradas amostras válidas apenas aquelas cujo georreferenciamento ocorreu em
campo, e também com base em observações nas quatro direções (norte, sul, leste e
oeste) em cada ponto amostrado, o que permitiu aumentar significativamente o número
de amostras coletadas em cada um dos municípios, para posterior análise estatística das
classificações.
Coletadas as amostras de treinamento, definiu-se, após testes preliminares, o melhor
limiar de decisão para a distribuição da probabilidade de cada uma das classes. Optou-se
por um limiar de 99%. Com esse valor, as classes de menor probabilidade (1%) no
contexto serão descartadas, diminuindo, assim, erros de inclusão e/ou omissão por parte
do classificador.
72
Concluída a classificação da imagem base, realizou-se o processo de mapeamento, o
que torna a representação das classes uma matriz temática. Neste processo, procurou-se
agrupar temas únicos que foram diferenciados durante a amostragem de treinamento
mas que pertenciam à mesma classe temática (agropecuária1+agropecuária2),
(café1+café2), melhorando a exatidão da classificação final. Esta etapa minimiza o
processo de edição final na correção de possíveis erros de classificação.
Após o mapeamento, realizou-se a edição manual das classes de café com base na
interpretação visual das imagens digitais. Utilizaram-se nesta etapa imagens CCD-Cbers
datadas de 13/04/2005, 12/05/2005 e imagens TM-Landsat datadas de 15/02/2005,
04/04/2005, 09/07/2005 e 13/10/2005. Com tal procedimento foi possível aumentar a
exatidão do mapa temático final, uma vez que a interpretação das imagens foi realizada
de forma interativa até a certeza de que a classe rotulada num dado polígono
representasse a realidade no campo. A análise multitemporal permitiu verificar a
existência de culturas agrícolas temporárias de alto vigor causaram erros de
classificação na utilização de imagem com data única, bem como os diferentes estádios
da cultura cafeeira, que não possui um comportamento espectral padrão durante o ano
agrícola devido ao tipo de manejo e diferentes modos de condução em cada lavoura.
Para a análise do desempenho final das classificações, foram geradas quatro matrizes de
erros, uma para cada município em estudo. Os cálculos foram embasados em Hay
(1988) e Congalton et al. (1991).
3.4.5 Delimitação da Drenagem e Matas Ciliares
Para a delimitação da drenagem, utilizou-se a razão entre os canais TM4 e TM3
associado a um filtro vermelho,o canal TM5 associado a um filtro verde e o canal TM3
associado a um filtro azul. Com esse procedimento foi possível identificar a drenagem
coberta pela vegetação ciliar em áreas em que a drenagem era pouco expressiva porém
acompanhada de matas ciliares. Digitalizou-se sobre a composição colorida supracitada
73
a drenagem de cada um dos municípios, utilizando técnicas de interpretação visual com
base na composição colorida supracitada.
Delimitada a drenagem, criou-se um mapa de distância para determinar as matas ciliares
exigidas pela legislação no entorno dos rios. Em relação aos rios no interior do
município, normalmente de pequeno porte, considerou-se 30m de área de preservação
permanente sem considerar as nascentes, e, ao longo do lago de Furnas, 100m conforme
a legislação ambiental em vigor. Como o lago de Furnas possui margem dupla,
considerou-se um mapa de distância apenas nessa dupla margem, sem considerar no
contexto as pequenas ilhas existentes.
Para mapear a vegetação ciliar, realizou-se uma operação matemática envolvendo a
razão entre a banda 4 e a banda 3 do sensor TM na imagem de 09/07/2005 para realçar
somente a vegetação mais densa, nesse caso as matas ciliares. Com o objetivo de
melhorar o contraste entre as feições claras e escuras (regiões de alto e baixo contraste)
da imagem resultante da razão entre as bandas TM4 e TM3, aplicou-se uma função
quadrática, conforme equação 3.2 , que resultou em outra imagem para a obtenção de
um mapa temático de vegetação, aumentando o contraste das áreas vegetadas.
2.YX α= (3.2)
Na Equação 3.2, a variável X corresponde ao nível de cinza resultante, Y corresponde
ao nível de cinza original e α um fator de ajuste para manter os níveis de cinza entre 0 e
255 (8 bits).
Com a imagem resultante da razão entre os canais TM4 e TM3 e a delimitação das áreas
de matas ciliares exigidas pela legislação florestal em vigor, realizou-se uma operação
booleana com a interseção entre a vegetação mapeada e o mapa de distância
previamente obtido com a delimitação das matas ciliares, o que resultou em uma
imagem com as áreas de preservação permanente respeitadas.
3.4.6 Digitalização do Mapa de Solos
74
Para obter um mapa de solos representativo da região de estudo procedeu-se à
digitalização do mapa de solos elaborado por MA (1962). Este mapa na escala
1:250.000, permite, segundo o IBGE (1999), realizar a indicação de classes ou
associações dominantes dos solos encontrados nos municípios. O dado, disponibilizado
em meio digital com resolução 100 pontos por polegada, foi importado em um sistema
de informação geográfica, e os limites entre as classes de solo foram estabelecidos
manualmente. O sistema de classificação de solos de referência é anterior ao
estabelecido pela EMBRAPA (1999) e por isso foi necessário correlacionar as antigas
classes ao novo sistema de classificação dos solos no Brasil. Padronizou-se também a
representação cartográfica das classes de solo de acordo com a tabela de cores
disponibilizada pela EMBRAPA (1999) com o auxílio de Bertoldo (2006).
3.4.7 Modelagem Digital do Terreno – Processamento dos dados SRTM
A Figura 3.10 ilustra todas as etapas desenvolvidas na modelagem de terreno,
detalhadamente explicadas a seguir.
FIGURA 3.10 - Fluxograma das Etapas de Modelagem do Terreno.
75
A primeira etapa necessária à utilização da grade regular com valores de altimetria
(SRTM) corresponde à correção de valores incorretos representados na grade numérica
como valores negativos que foram apontados por Valeriano (2004). Esse problema foi
causado pela reflexão especular da energia eletromagnética emitida pelo sensor ativo
principalmente em áreas de drenagem no lago de Furnas. Para eliminar o problema,
realizou-se a substituição dos valores negativos da grade regular utilizando um
interpolador do tipo Delaunay, que calcula o novo valor da cota altimétrica do pixel por
meio de um processo de triangulação com os pixels vizinhos.
Eliminados os valores negativos supracitados, alterou-se a projeção e o datum original
da grade regular SRTM de Lat-Long/WGS84 para UTM/SAD69 para adequar-se ao
banco de dados geográficos já estruturado, evitando deslocamentos dos planos de
informação após importação no banco de dados geográfico.
Com os dados na projeção e datum desejados, realizou-se a reamostragem da grade
retangular originalmente com resolução espacial de 90m para uma resolução espacial de
30m, utilizando-se um interpolador bilinear indicado por Crepani et al. (2004).
A partir da grade regular refinada (30m de resolução espacial), foram obtidas as
isolinhas, com equidistância de 15m. Na sequência, obteve-se uma grade triangular
considerando a drenagem nesta operação como linhas de quebra. Utilizou-se o método
de triangulação por Delaunay com modificação por menor ângulo entre as normais
conforme Crepani et al. (2004).
Com a grade triangular estruturada gerou-se uma grade regular e calculou-se a
declividade. Esta variável foi obtida através da tangente do ângulo de inclinação
conforme a Figura 3.11.
76
FIGURA 3.11 - Simulação do cálculo da declividade (D).
Em um sistema de informação geográfica o cálculo da declividade é realizado por
filtragem através de máscaras móveis, explorando-se a função de derivação na
vizinhança de cada célula da grade triangular. Utilizou-se uma máscara padrão de 3x3
pixels que percorre a grade triangular calculando novos valores para cada pixel. Os
valores originais de altimetria são substituídos por valores de declividade. Obtida a
variável declividade, verificou-se o histograma de freqüência desta variável na região de
estudo, com o objetivo de definir as classes temáticas de representação cartográfica
final, bem como realizar o diagnóstico dos municípios.
Para o cálculo da orientação de vertentes, Wood (1996) comentou que a parametrização
da superfície terrestre em relação a esta variável exige que a área seja representada por
uma grade retangular ou triangular, dividida em quatro quadrantes no sentido azimutal,
no qual 0o corresponde no contexto à direção norte, com os valores aumentando no
sentido horário fechando o quadrante em 360o, conforme Figura 3.12.
FIGURA 3.12 - Parametrização da Orientação de Vertentes
77
Neste processo, foram obtidas duas variáveis através de cálculos derivativos sobre a
grade triangular de altimetria: a primeira corresponde ao gradiente e a segunda
denomina-se exposição. Segundo Wood (1996), o gradiente corresponde ao cálculo da
declividade, ilustrado na Figura 3.11, enquanto a exposição (Equação 3.3) representa a
direção da variação da declividade em cada quadrante, calculada por meio da derivada
de segunda ordem, onde A = exposição; x e y (coordenadas axiais); z (altimetria); π
(180 graus).
(3.3)
Para cada ponto desta grade triangular foram calculadas as derivadas parciais,
computando-se os valores de altitude em uma janela de 3 x 3 pixels que se desloca
sucessivamente sobre a grade. O resultado foi representado em um plano de informação
numérico com valores compreendidos entre 0 e 360 graus na direção azimutal,
representando tridimensionalmente a superfície do terreno.
Para validar os resultados obtidos, aplicaram-se filtros direcionais sobre a grade
altimétrica triangular conforme metodologia proposta por Valeriano (2003). Os filtros
utilizados estão implementados em janelas móveis de 3x3 (Tabela 3.5), e permitem
realçar na direção correspondente as faixas de orientação da iluminação solar,
comparando-se com o cálculo realizado anteriormente. A determinação das faixas
correspondentes às direções de operação dos filtros foram obtidas pela interpretação
visual e análise simultânea entre o perfil do terreno, expresso na grade de declividade e
o resultado obtido pela variação da declividade em cada quadrante, calculado
anteriormente. Partiu-se da hipótese que áreas planas, não possuem orientação de
vertentes determinada.
78
TABELA 3.5 - Filtros direcionais aplicados sobre a grade altimétrica SRTM.NORTE SUL
-1 0 1 1 0 -1-1 0 1 1 0 -1-1 0 1 1 0 -1
LESTE OESTE-1 -1 -1 1 1 10 0 0 0 0 01 1 1 -1 -1 -1
Considerando que a orientação de vertentes está ligada à direção de iluminação solar,
conforme Alzugaray e Alzugaray (1984) gerou-se um histograma da variável para a
definição dos intervalos de classes temáticas e verificar sua ocorrência em cada um dos
municípios, relacionando-a finalmente com as áreas de café mapeadas.
Obtidas as variáveis supracitadas, procedeu-se uma operação de fatiamento em função
da distribuição dos valores em intervalos numéricos, definindo-se assim, os intervalos
de classes conforme a Tabela 3.6. Nessa tabela são descritas as faixas de declividade,
altimetria e orientação de vertentes utilizadas no processo de fatiamento dos dados
numéricos calculados, cujas representações foram utilizadas na geração de mapas
geoambientais.
TABELA 3.6 - Variáveis mapeadas e respectivas classes temáticas de representação.
DECLIVIDADE VERTENTES ALTIMETRIA0 a 10.9% 0 a 45o(N-NE) 743 a 800.9m11 a 15.9% 45.1 a 90o(NE-E) 801 a 850.9m16 a 20.9% 90.1 a 135o(E-SE) 851 a 900.9m21 a 25.9% 135.1 a 180o(SE-S) 901 a 950.9m26 a 50.9% 180.1 a 225o(S-SW) 951 a 1000.9m51 a 75.9% 225.1 a 270o(SW-W) 1100 a 1200.9m76 a 100% 270.1 a 315o(W-NW) 1201 a 1300.9m
>100% 315.1 a 360o(NW-N) 1301 a 1410.9m
3.4.8 Geoprocessamento entre as Variáveis Temáticas
A Figura 3.13 ilustra as principais operações e procedimentos na obtenção dos mapas
envolvendo cafeicultura e as variáveis fisiográficas, utilizando operações booleanas,
conforme descrito por Burrough e McDonnell (1998).
79
FIGURA 3.13 - Geoprocessamento na obtenção dos mapas geoambientais.
3.4.8.1 Processo Analítico Hierárquico (AHP) na obtenção de um mapa geoambiental
O processo analítico hierárquico (AHP), criado por Saaty (1986), foi utilizado para a
geração de um mapa geoambiental que indicou áreas favoráveis ao plantio de café com
base no levantamento das variáveis fisiográficas dos municípios estudados como
também em parâmetros obtidos na literatura. Os critérios para definição das condições
propícias ao cultivo do café foram citados por Sediyama et al. (2001) e Matiello (1991),
permitindo realizar os julgamentos para a definição dos pesos utilizados na ponderação
de cada variável, em função de sua importância na região, bem como ao cultivo de
cafezais. Trata-se de um método que permite associar em um único mapa, todas as
variáveis abordadas representando de uma forma contínua o espaço geográfico em
estudo.
Para a definição da hierarquia entre as variáveis, optou-se em primeiro lugar pela
variável drenagem e matas ciliares, devido à restrição legal à cafeicultura nessas áreas.
A segunda variável mais importante foi representada pelo mapa de solos, que em
princípio deveria ser a variável mais importante. Porém, devido à escala de
80
representação cartográfica do mapa digitalizado (1:250.000) como também a ausência
de uma amostragem em campo mais refinada, impediu que a mesma fosse ponderada de
acordo com a sua relevância. Os parâmetros de fertilidade foram qualificados segundo
análises químicas realizados por MA (1962).
A terceira variável em importância foi a declividade cuja representação foi obtida em
cálculos derivativos a partir da grade altimétrica SRTM. A declividade está associada
diretamente ao tipo de manejo da cultura, de maneira restritiva ou não à mecanização
das lavouras cafeeiras. Os dados de altimetria e orientação de vertentes foram inseridos
no estudo uma vez que puderam ser obtidos a partir de dados de sensoriamento remoto e
são importantes pois estão indiretamente ligadas às condições climáticas de instalação
de lavouras cafeeiras, ou seja, faixas de altimetria e vertentes inadequadas podem deixar
as lavouras cafeeiras suscetíveis a fenômenos climáticos adversos.
Com as variáveis mapeadas agrupadas, utilizou-se o modelo proposto por Saaty (1986),
para definir o grau de importância de cada uma das variáveis fisiográficas e outras
variáveis correspondentes a áreas com proibição à exploração agropecuária, como as
áreas de preservação permanente correspondente às matas ciliares nas margens do lago
de Furnas e rios anteriormente mapeados, utilizando uma lógica de comparação
pareada. As variáveis foram comparadas duas a duas, e um critério de importância
relativa foi atribuído ao relacionamento entre estas variáveis, conforme a escala
fornecida por Alphonce (1996), e apresentadas na Tabela 3.7.
TABELA 3.7 - Escala de Valores do modelo AHP para comparar duas variáveis.Grau de Importância Descrição
1 as duas variáveis contribuem igualmente para o objetivo3 uma variável é um pouco mais importante que a outra5 uma variável é claramente mais importante que a outra7 uma variável é fortemente favorecida 9 A evidência que diferencia as variáveis é da maior ordem
possível.2,4,6,8 valores intermediários entre os julgamentos das variáveis
Fonte: Alphonce (1996).
81
Selecionadas as variáveis em comparação e estabelecida a importância relativa de cada
uma, o modelo AHP informa uma razão de consistência, que deve ser menor do que 0,1
(Alphonce, 1996). Esta razão de consistência informa a coerência nos julgamentos
realizados entre as variáveis.
Para a aplicação do modelo AHP e obtenção do mapa geoambiental, utilizaram-se os
critérios apresentados na Tabela 3.8 embasados em revisão de literatura, observações de
campo e a qualidade da representação temática na estruturação do modelo. Partiu-se da
hipótese de que os maiores pesos das classes correspondentes a cada variável deverão
influir com maior representatividade no mapa final. Os pesos de cada uma das variáveis
foram obtidos com a comparação entre as mesmas considerando os parâmetros
qualitativos apresentados na Tabela 3.7, que está implementado em um sistema de
informação geográfica.
TABELA 3.8 - Pesos globais das variáveis e pesos individuais em cada classe temática ponderada.
Drenagem Altimetria Declividade Vertentes Solos0,638 0,034 0,155 0,07 0,189
"app":0, 743-800m=0.2 0-10%=0.5 N-NE=0.25 Argissolo Vermelho Amarelo:0,20"rio":0, 801-850m=0.2 11-15%=0.25 NE-E=0.25 Argissolo Vermelho:0,20
851-900m=0.2 16-20%=0.25 E-SE=0 Latossolo Vermelho:0,25901-950m=0.2 21-25%=0 SE-S=0 Latossolo Vermelho Amarelo: 0,25951-1000m=0.1 26-50%=0 S-SW=0 Cambissolo Haplico: 01100-1200m=0.1 51-75%=0 SW-W=0 Argissolo Amarelo: 0,11201a1300m=0 76-100%=0 W-NW=0.25 Neossolo Litolico: 0
1301a1410m=0 >100%=0 NW-N=0.25 Gleissolo + Organossolo: 0Neossolo Quartzarênico: 0
App: área de preservação permanente
Com base nos pesos das variáveis em suas respectivas classes, realizou-se o cálculo de
uma grade regular numérica representada por valores compreendidos entre 0 e 1, na
escala de 1:100.000, resultando na associação ponderada de todas as variáveis obtidas
no presente trabalho. Essa representação indicou áreas potencialmente favoráveis ao
plantio de café com base na hipótese anteriormente formulada conforme a Equação 3.4.
)(*070,0)(*189,0)(*638,0)(*155,0)(*034,0 vertentessolosappdrenagemedeclividadaltimetriaX +++++= (3.4)
82
Na equação 3.4, X representa uma grade regular com os valores do modelo calculados
entre 0 e 1. Quanto mais próximo da unidade, melhores as condições para o
agroecossistema na instalação de cafezais, com base na hipótese supracitada. O valor X,
indicará a favorabilidade à instalação de cafezais a partir das cinco variáveis obtidas em
dados de sensoriamento remoto.
3.4.9 Análise Estatística dos Dados
A primeira etapa para a descrição gráfica do conjunto de dados por município que
incluem os valores de altimetria, declividade e orientação de vertentes é a verificação do
histograma das variáveis em cada município estudado. Freqüência, segundo Costa Neto
(1977) é definida como o número de vezes em que uma variável qualitativa ou
quantitativa foi observada. A freqüência pode ser representada graficamente como um
diagrama de barras ou circular. Nesta pesquisa a freqüência foi representada em um
diagrama de barras, com os valores seus respectivos valores quantitativos no eixo x e a
porcentagem do número total de amostras no eixo Y correspondentes a cada intervalo
de valores do eixo x. Além do gráfico de freqüência, levou-se em consideração algumas
características numéricas relacionadas à distribuição das freqüências:
a) Variância: é uma medida de dispersão de dados, obtida pelo cálculo da média dos
quadrados das diferenças dos valores em relação a sua média (Costa Neto, 1977). Tem
como inconveniente de se expressar numa unidade quadrática em relação à variável em
questão, sanado pelo cálculo do desvio padrão.
b) Desvio Padrão: define-se esta variável estatística como a raiz quadrada positiva da
variância, expressa na mesma unidade da variável em questão.
c) Coeficiente de Variação: trata-se de um coeficiente utilizado para caracterizar a
dispersão dos dados relativamente ao valor médio, onde se parte do princípio que uma
pequena dispersão absoluta pode ser considerável quando comparada com a ordem de
grandeza dos valores da variável, eliminando possíveis enganos de interpretação (Costa
Neto, 1977).
83
d) Coeficiente de Assimetria: é um tipo de medida de assimetria de distribuição de
freqüências, comumente utilizadas para caracterizar como e quanto a distribuição das
freqüências se afasta da condição de simetria. As distribuições alongadas à direita da
média são consideradas positivamente assimétricas e aquelas alongadas à esquerda,
negativamente assimétricas. Este coeficiente é obtido pelo quociente da média pelo
cubo do desvio padrão (Costa Neto, 1977).
e) Mediana: é uma medida que permite caracterizar o centro de distribuição das
freqüências, e seu valor não sofre influência dos valores extremos como acontece com a
média (Costa Neto, 1977). O valor da mediana permite dividir o conjunto ordenado dos
dados em análise em dois subconjuntos com igual número de elementos.
84
CAPÍTULO 4
RESULTADOS
4.1 Processamento Digital de Imagens
4.1.1 Classificação da imagem TM (09/07/2005)
O desempenho da classificação supervisionada foi avaliado em cada município com o
cálculo da estatística kappa, conforme Fonseca (2000). Para estimar a estatística kappa
(Equações 2.1 a 2.3) empregaram-se os valores contidos na matriz de confusão,
representadas nas Tabelas 4.1, 4.2, 4.3 e 4.4.
TABELA 4.1– Matriz de confusão da classificação Maxver dos recortes da imagem TM, bandas 3, 4 e 5-Aguanil/MG.
Matriz de Confusão : Município de Aguanil: Recorte cena TM (bandas 3,4 e 5) - 219/74 - 09/07/2005
Classes Café Pastagem VegetaçãoNativa
Eucalipto Abstenção Total Exatidão ExatidãoProdutor Usuário
café 129 47 56 6 0 238 81,65% 54,2%pastagem 15 212 4 0 0 231 80,61% 91,8%
vegetaçãonativa 13 4 130 0 0 147 68,42% 88,4%
eucalipto 1 0 0 8 0 9 57,14% 88,9%Total 158 263 190 14 0 625
kappa 65,4desempenho geral 76,6confusão média 23,4abstenção média 0
variância 0,0006
No município de Aguanil o café é cultivado em áreas de pequeno a médio porte. Nesta
situação conforme Tabela 4.1, o desempenho da classificação foi relativamente baixo
(76,6%), com uma confusão média de 23,4%. Notou-se que a classe café foi
considerada semelhante pelo classificador com a classe vegetação nativa. Isso ocorre
porque a data da imagem utilizada (julho de 2005) foi adquirida em período de seca,
85
quando há o predomínio da resposta espectral da vegetação nativa, eucalipto e café,
únicas espécies vegetais resistentes nessa época do ano. Observou-se maior semelhança
entre cafeicultura e a classe vegetação nativa porque em campo ambos apresentam
fenologia muito semelhante nesta época. A estatística kappa resultou em um valor de
65,4% o que enquadrou a classificação como muito boa, conforme Fonseca (2000).
Mesmo assim, o processo poderia ter um desempenho melhor com o aumento do
número de amostras válidas em cada uma das classes, cuja restrição foi imposta pela
limitação do tempo da atividade no campo e acesso à maioria das áreas com cafeicultura
no município. Com base no desempenho do classificador, foi necessário realizar a
edição manual da classe cafeicultura através de interpretação visual das imagens para
melhorar os resultados da classificação e obtenção do mapa final de cafeicultura.
TABELA 4.2 - Matriz de confusão da classificação Maxver dos recortes da imagem TM, bandas 3, 4 e 5 - Boa Esperança/MG.
Matriz de Confusão : Recorte cena TM (bandas 3,4 e 5) - 219/74 e 75 - 09/07/2005
Classes Café
Agropecuária Agropecuária Vegetação1 2 Nativa
Eucalipto Abstenção Total Exatidão ExatidãoProdutor Usuário
café 312 0 0 13 0 0 325 98,7% 96,0%
agropecuária1 3 144 9 0 0 0 156 72% 92,3%
agropecuária2 0 56 293 0 0 0 349 97,0% 84,0%
vegetaçãonativa 0 0 0 96 0 0 96 88,07% 100,00%
eucalipto 1 0 0 0 94 0 95 100% 99,0%
Total 316 200 302 109 94 0 1021
kappa 65,1%
desempenho geral 74,0%
confusão média 1,9%
abstenção média 0
variância 0,0005
Em relação ao município de Boa Esperança conforme apresentado na Tabela 4.2, a
classificação da cena que representa seu limite municipal resultou em um desempenho
geral de 74,0%, com uma confusão média de 1,9% entre as classes temáticas. A
estatística kappa final foi de 65,1%, o que permite concluir que o desempenho do
classificador foi qualificado como muito bom, segundo Fonseca (2000). O baixo erro de
confusão média pode estar relacionado a dois fatores: as lavouras cafeeiras apresentam-
86
se em talhões maiores e concentradas em regiões de relevo plano. A maior semelhança
no comportamento espectral dos alvos ocorreu entre as classes cafeicultura e vegetação
nativa, devido à similaridade fenológica entre as espécies em campo, relacionada
principalmente com o porte das plantas e cobertura do solo. Devido à esse problema,
houve a necessidade de edição manual das áreas confusas ou não detectadas pelo
classificador.
Em Campo Belo, conforme a Tabela 4.3 o desempenho da classificação do recorte da
cena correspondente ao município foi de 67,0%, com uma confusão média de 33,0%
entre as classes. A estatística kappa final foi de 37,3%, o que permite concluir que o
desempenho do classificador segundo Fonseca (2000) foi qualificado como razoável.
Neste município, a classe cafeicultura apresentou maior semelhança espectral com as
áreas ocupadas por pastagens (agropecuária), uma vez que as lavouras em Campo Belo
estavam em condições de recuperação fisiológica pós-colheita e com ataque
significativo de uma praga que enfraquecem as plantas, resultando na queda de folhas e
predomínio da resposta espectral de galhos e solo exposto, dai a confusão com as áreas
ocupadas com pastagens.
TABELA 4.3 – Matriz de confusão da classificação Maxver dos recortes da imagem TM, bandas 3, 4 e 5 – Campo Belo/MG.
Matriz de Confusão : Recorte cena TM (bandas 3,4 e 5) - 219/74 - 09/07/2005
Classes Café Eucalipto Agropecuária Abstenção Total Exatidão ExatidãoProdutor Usuário
café 553 114 199 0 866 96,9% 63,9%
eucalipto 6 64 5 0 75 32,2% 85,3%
agropecuária 12 21 107 0 140 34,4% 76,4%
Total 571 199 311 0 1081
kappa 37,3%
desempenho geral 67,0%
confusão média 33,0%
abstenção média 0
variância 0,00053
87
TABELA 4.4 - Matriz de confusão da classificação Maxver dos recortes da imagem TM, bandas 3, 4 e 5 – Cristais/MG.
Matriz de Confusão : Município de Cristais: Recorte cena TM (bandas 3,4 e 5) - 219/74 - 09/07/2005
Classes Café Eucalipto Agropecuária VegetaçãoNativa
Abstenção Total Exatidão Exatidão Produtor Usuário
café 744 47 47 33 0 871 81,49% 85,4%
eucalipto 25 692 1 1 0 719 93,64% 96,2%
agropecuária 141 0 985 0 0 1126 95,35% 87,5%
vegetaçãonativa 3 0 0 127 0 130 78,88% 97,7%Total 913 739 1033 161 0 2846
kappa 84,8%
desempenho geral 89,5%
confusão media 10,5%
abstenção media 0
variância 0,00007
O desempenho geral da classificação do recorte da cena que representa o município de
Cristais foi calculado em 89,5%, com uma confusão média de 10,5% conforme a Tabela
4.4. A estatística kappa resultou em um valor de 84,8% o que enquadrou a classificação
como excelente segundo Fonseca (2000). Nesse município, como ocorreu em Boa
Esperança, as lavouras cafeeiras mostraram-se mais vigorosas e com melhor manejo
tecnológico. Os talhões ocupados por cafeicultura são maiores e as condições
fisiográficas permitem um bom desempenho de classificação como também na edição
final das áreas cafeeiras. Observou-se que as áreas de café foram espectralmente
similares com áreas sob exploração agropecuária e áreas com eucalipto plantadas mais
recentemente, principalmente em lavouras mais novas e recém colhidas
respectivamente.
De modo geral, notou-se nos resultados das classificações, mesmo conceituadas como
razoável a excelente por Fonseca (2000), apresentaram desempenho muito variável
(67,0% a 84,8%) e confusão média entre 1,9 a 31,0%. Esses resultados assemelham-se
com o trabalho realizado por Moreira et al. (2004) que enfatizaram a heterogeneidade
no comportamento espectral de lavouras cafeeiras relacionadas com parâmetros
agronômicos de manejo das lavouras, como espaçamento, tratos culturais e desfolha pós
88
colheita. Nessa linha de pesquisa, os trabalhos de Vieira et al. (2001) e Pellerin et al.
(1993) ressaltaram respectivamente a influência das condições fisiográficas no
desempenho da classificação de áreas cafeeiras e a maior similaridade espectral entre
áreas de mata (vegetação nativa) e cafeicultura, fato constatado também em relação às
classificações realizadas no presente estudo. Para a obtenção dos mapas de cafeicultura
finalizados, foi necessário realizar a edição manual das áreas cafeeiras utilizando
técnicas de interpretação visual, demonstrando a ineficiência do classificador
supracitado na discriminação de culturas cafeeiras.
Na Tabela 4.5 são apresentadas as estimativas de área plantada de café divulgadas pelo
IBGE (2005) e escritórios da EMATER-MG localizados em Aguanil, Boa Esperança,
Campo Belo e Cristais em comparação aos resultados obtidos na classificação e
interpretação das imagens TM e CCD.
TABELA 4.5 - Áreas de cafeicultura obtidas via interpretação das imagens TM e CCD comparativamente a métodos subjetivos.
MunicípiosÁreas de café cultivado (ha)
MapeamentoImagens TM/CCD IBGE - 2004* EMATER**
Aguanil 1.099 1.118 1.100Boa Esperança 13.990 16.467 18.000Campo Belo 4.006 4.600 4.000Cristais 5.806 7.810 7000Total 24.901 29.995 30.100*FONTE: IBGE (2005) **Informações obtidas nos escritórios municipais da EMATER.
Constata-se na Tabela 4.5 que os dados obtidos via mapeamento são discrepantes às
estimativas do IBGE e EMATER. Porém, os métodos utilizados pelo IBGE e EMATER
são mais subjetivos do que a realização do mapeamento realizado e o período vigente
também não é o mesmo da data das imagens utilizadas para mapeamento da
cafeicultura. O mapa final das áreas de cafeicultura nos quatro municípios estão
ilustrados na Figura 4.2. Os municípios de Aguanil, Boa Esperança, Campo Belo e
Cristais totalizaram juntos 24.901 ha de áreas cultivadas com café considerando
19/07/2005 como a data de referência no mapeamento. A Figura 4.1 ilustra a
participação de cada um dos municípios no cultivo de café, destacando-se no contexto
89
os municípios de Boa Esperança (56,18%) e Cristais (23,31%) devido à maior área
plantada e rendimento em colheita e conseqüentemente a importância dessas lavouras
na economia local.
Cafeicultura Municipal
4,41%
56,18%16,09%
23,31%
Aguanil Boa Esperança CampoBelo Cristais
FIGURA 4.1- Proporção de lavouras cafeeiras nos municípios em estudo.
90
FIGURA 4.2 - Mapa das áreas cafeeiras obtido a partir da classificação e interpretação visual de imagens TM-Landsat e CCD-Cbers2.
91
A classificação da imagem TM via algoritmo supervisionado maxver não forneceu bons
resultados na geração dos mapas temáticos de cafeicultura, com a necessidade da
interpretação visual das imagens para a finalização do mapeamento. As imagens CCD
Cbers e TM-Landsat não se mostraram as mais adequadas para a interpretação visual
das áreas cafeeiras devido à grande mistura espectral entre as diferentes espécies
cultivadas, como também a influência do relevo muito movimentado. Este problema foi
resolvido com a aquisição de cenas com maior resolução espacial para dirimir essas
dúvidas. Notou-se durante o processo de interpretação visual que as áreas de
cafeicultura cercadas por áreas de cerrado só puderam ser discriminadas em imagens do
sensor TM, com a composição TM3 (azul), TM4 (vermelho) e TM5 (verde). Nas
imagens CCD, a saturação da faixa espectral do infravermelho próximo e a ausência de
uma banda no infravermelho médio impediram a separação das áreas cafeeiras em meio
ao cerrado, mesmo com uma resolução espacial de 20m contra 30m da imagem TM.
Infere-se, portanto que a faixa espectral referente ao infravermelho médio associada a
um filtro colorido pode melhorar a separabilidade visual das classes cafeicultura e
cerrado, conforme já havia sido comentado por Batista et al. (1990) e pode ser
observado na Figura 4.3. No recorte de imagem à esquerda, verifica-se que é possível
distinguir áreas de cafeicultura muito vigorosas de outras com o predomínio de
gramíneas, enquanto na imagem à direita, a discriminação da cultura em relação à
vegetação torna-se mais difícil.
FIGURA 4.3 - Imagem TM B4(R)-B5(G)-B3(B) (esquerda) e Imagem CCD B4(R)B3(G)B2(B) (direita) com contraste linear 2%. Detalhe: área com café com vegetação de cerrado no entorno.
92
Observando-se as classificações das imagens correspondentes em cada um dos
municípios, constatou-se que a topografia influiu negativamente no resultado do
classificador Maxver, associado também à quantidade e à distribuição das amostras no
treinamento e avaliação do classificador. Para áreas de cafeicultura em terrenos muito
acidentados, a visita em campo tornou-se imprescindível ao mapeamento da cultura,
principalmente em áreas cuja fenologia da vegetação nativa foi semelhante à resposta
espectral das áreas com café, além do uso de imagens de várias datas que permitiram
distinguir as áreas de cafeicultura de outros tipos de exploração agropecuária.
4.1.2 Delimitação da Drenagem e Matas Ciliares
Conforme metodologia utilizada, constatou-se que a razão entre as bandas 4 e 3 do
sensor TM permitiu com sucesso a delimitação da vegetação mais densa localizada nos
municípios em estudo, que incluem nesse contexto as matas ciliares, muito mais
vigorosas do que pastagens e arbustos que dominam a paisagem da região. Essa etapa,
preliminar à delimitação final das matas ciliares preservadas pode ser observada na
Figura 4.4.
FIGURA 4.4 – Imagem resultante da razão entre as bandas TM4/TM3 realçando a vegetação (em tonalidade mais clara) com seu fatiamento em cor verde.
93
Após a delimitação da vegetação mais densa em todos os municípios, obteve-se um
mapa contendo a rede de drenagem intermunicipal, cuja delimitação ocorreu com o
auxílio indireto da presença da mata de galeria, principalmente em drenagens de
pequeno porte. Houve também a delimitação do grande lago de Furnas, respeitando-se
os limites legais para a delimitação das áreas de preservação permanente às margens do
lago e rios. A Figura 4.5 ilustra a delimitação da drenagem e a faixa de matas ciliares
exigida pela legislação ambiental em vigor, e a Figura 4.6 a mata ciliar preservada após
a realização da operação booleana envolvendo o a delimitação dos corpos d´água e o
mapa de distância com as áreas de preservação permanente legalmente protegidas.
94
FIGURA 4.5 - Delimitação da drenagem e matas de galeria exigidas por Lei. A (Cristais); B (Campo Belo); C (Aguanil); D (Boa Esperança).
95
FIGURA 4.6 – Detalhe da drenagem e matas ciliares preservadas com base na imagem TM4/TM3 de 09/07/2005.
96
Após o levantamento espacial das áreas preservadas segundo o método utilizado, esses
valores foram comparados com a estimativa das áreas de matas ciliares exigidas pela
legislação apresentadas na Tabela 4.6.
TABELA 4.6 - Matas ciliares exigidas e preservadas.Descrição Aguanil
(km2)Boa Esp
(km2)Campo Belo
(km2)Cristais(km2)
mata ciliar exigida 18,67 29,87 56,64 24,27mata ciliar detectada 5,01 13,26 2,8 5,35
% detectada 26,8 44,4 4,9 22saldo -13,66 -16,61 -53,84 -18,92
Boa Esperança é o município que apresenta a maior área de matas ciliares preservadas.
Cristais, Aguanil e Campo Belo aparecem na seqüência. O método para detecção das
matas ciliares mostrou-se eficiente, contudo faz-se necessária a verificação em campo
para que os resultados possam ser avaliados quanto à precisão. A influência do solo na
operação aritmética entre as bandas do infravermelho próximo e vermelho evita que
áreas com vegetação arbustiva e gramínea sejam computadas como matas ciliares,
devido à maior resposta do solo em relação às espécies de baixa resposta no
infravermelho próximo. Para obter melhores resultados na detecção das matas ciliares
da região em estudo, recomenda-se a utilização de imagens captadas por sensores com
maior resolução espacial do que as imagens TM-Landsat utilizadas.
4.2 Modelagem de Terreno e Cálculo das Variáveis Ambientais
4.2.1 Altimetria
Observou-se, após o refinamento da grade altimétrica que a interpolação bilinear tornou
mais suave a transição entre feições de baixa e alta freqüência, a exemplo da Serra da
Boa Esperança localizada na área em estudo. Porém, o mesmo procedimento aumentou
o contraste em áreas com pequenas variações de altimetria devido à homogeneização
dos valores com base nos pixels vizinhos.
97
Por sua vez, a tentativa de aplicar um modelo geoestatístico para refinamento da grade
altimétrica não permitiu preservar a amplitude do relevo e o ajuste dos modelos.
Constatou-se que os parâmetros no semivariograma, não conduzem a resultados que
permitam repetitividade, uma vez que devem ser testados individualmente de acordo
com a situação encontrada. Valeriano (2004) apontou em seus estudos comparativos
entre interpoladores lineares e geoestatísticos sobre a grade altimétrica do SRTM, que o
método linear de interpolação é recomendado para estudos em que se queira a máxima
exatidão dos níveis altimétricos, optando-se neste estudo em preservar ao máximo os
valores originais da grade altimétrica utilizada.
A Tabela 4.7 traz a estatística descritiva com relação à altimetria em todos os
municípios em estudo.
TABELA 4.7 – Estatísticas descritivas para a variável altimetria.Estatísticas Aguanil Boa Esperança Campo Belo Cristais
Média 843,8 847,5 862,4 814,36Desvio Padrão 63,5 101,4 53 36,9
Coeficiente de Variação 7,53 11,96 6,15 4,53Valor Máximo 1090,3 1399,2 1074,2 1023Valor Mínimo 755,4 755,8 754,8 751,1
Moda 761 761 848 761
4.2.1.1 Aguanil
A Figura 4.7 ilustra a representação em nível de cinza da variável altimetria com a
representação temática dos valores das classes apresentados a seguir. A Figura 4.8
apresenta o histograma dos valores da mesma variável em Aguanil. Percebe-se que a
maior freqüência de altimetria em Aguanil ocorre entre 786 e 820m acima do nível do
mar.
98
FIGURA 4.7 - Altimetria em formato numérico (esquerda) e temático (direita) no município de Aguanil-MG.
FIGURA 4.8 - Histograma com a porcentagem de ocorrência dos valores altimétricos em Aguanil-MG.
99
4.2.1.2 Boa Esperança
As representações numéricas em nível de cinza e temáticas a partir do fatiamento dos
valores altimétricos para o município de Boa Esperança estão apresentadas na Figura
4.9 e o histograma com os intervalos de freqüência na Figura 4.10. Nota-se que a maior
freqüência de valores de altimetria ocorrem entre 754 e 820m, com a freqüência da
altimetria decrescendo a partir desse intervalo.
FIGURA 4.9 - Altimetria em formato numérico (esquerda) e temático (direita) no município de Boa Esperança-MG.
100
FIGURA 4.10 - Histograma com a porcentagem de ocorrência dos valores altimétricos em Boa Esperança-MG.
4.2.1.3 Campo Belo
As Figuras 4.11 e 4.12 ilustram os resultados com representações espacial e histograma
a respeito da variável altimetria no município de Campo Belo. Na representação em
nível de cinza, o valor nessa representação é proporcional à altimetria do terreno,
também representado em intervalo de classes. Percebe-se que as maiores freqüências
ocorrem em torno de 849m nesse município.
101
FIGURA 4.11 - Altimetria em formato numérico (esquerda) e temático (direita) no município de Campo Belo-MG.
FIGURA 4.12 - Histograma de ocorrência dos valores altimétricos em Campo Belo-MG.
102
4.2.1.4 Cristais
A Figura 4.13 ilustra o resultado do modelo numérico de terreno com representações em
nível de cinza e pós-fatiamento dos valores de altimetria em Cristais. A maior
freqüência de valores ocorre em torno de 815m e a menor frequência em áreas acima de
900m conforme histograma (Figura 4.14).
FIGURA 4.13 - Altimetria em formato numérico (esquerda) e temático (direita) no município de Cristais-MG.
103
FIGURA 4.14 - Histograma com a porcentagem de ocorrência dos valores altimétricos em Cristais-MG.
Nos histogramas de altimetria (Figuras 4.8, 4.10, 4.12 e 4.14), as freqüências
apresentadas estão associadas a intervalos de variação da altimetria denominados de
classes de freqüências e não a valores individuais.
As figuras em formato numérico estão representadas em nível de cinza proporcional ao
valor de altimetria, de forma que quanto menor o nível de cinza na imagem, menor a
altimetria e vice-versa.
Observa-se que a maior amplitude nos valores de altimetria ocorre no município de Boa
Esperança devido à presença da serra de Boa Esperança, facilmente visualizada na
Figura 4.9 representada pela área mais clara na imagem monocromática e área de cor
laranja e vermelho na representação temática.
Cristais é o município que apresentou maior homogeneidade nos valores de altimetria,
comprovadamente pelo menor coeficiente de variação. Boa Esperança, Aguanil e
Campo Belo possuem respectivamente maior heterogeneidade de valores, com destaque
a Boa Esperança. O coeficiente de variação foi interpretado como a variabilidade dos
104
dados em relação à média. Neste caso quanto menor o coeficiente de variação mais
homogêneo é o conjunto de dados.
Ao analisar a variável altimetria como possível fator limitante ou não à cafeicultura, não
foram constatados valores abaixo de 500m o que seria apontado por Matiello (1991)
como um intervalo de altimetria limitante à essa cultura. Porém, Boa Esperança
apresenta valores acima daqueles recomendados pelo mesmo autor o que pode
ocasionar na estação de inverno, a incidência de ventos frios prejudiciais à cultura,
principalmente em áreas com face orientadas ao sul, em que as frentes frias e áreas de
instabilidade adentram com maior facilidade. Contudo, as áreas sob essas condições
estão localizadas na Serra da Boa Esperança inexplorável economicamente com café.
Mesmo assim, Sediyama et al. (2001) não apontaram limitações de ordem climática
para qualquer um dos municípios em estudo. Os resultados obtidos demonstram o
quanto estudos nessa temática são importantes na realização de zoneamentos
agroclimáticos. Com o acesso de dados contínuos como o SRTM que permitem a
modelagem de terreno, torna-se importante a abordagem realizada no presente trabalho.
4.2.2 Cálculos da Declividade e Orientação de Vertentes a partir dos dados SRTM
Pôde-se verificar que os valores obtidos para ambas as variáveis produziram resultados
diferentes em função da resolução espacial (dados com 90m originais e dados com 30m)
e escalas de trabalho combinadas. Com base nestes resultados constatou-se que os
processamentos realizados com a grade altimétrica de 30m (resolução espacial) foram
mais satisfatórios, uma vez que após o processo de interpolação houve um processo de
suavização na transição entre as áreas de alta e baixa frequência, minimizando a
obtenção de valores superestimados durante os cálculos da primeira e segunda derivada
respectivamente.
Mesmo assim, em relação à declividade notou-se a obtenção de valores maiores que
100% considerados superestimados em áreas de alta freqüência (contatos abruptos entre
áreas planas e encostas, por exemplo) como por exemplo a Serra da Boa Esperança.
105
A utilização da drenagem como linha de quebra na obtenção da grade triangular para o
cálculo da declividade permitiu representar fielmente a ausência de mudanças nos
valores de declividade nessas áreas.
A aplicação da segunda derivada para a obtenção das curvaturas de vertentes, permitiu
caracterizar a orientação da iluminação solar em relação ao relevo e finalmente à
cafeicultura. Contudo, a resolução da grade altimétrica de 30m, bem como as
características fisiográficas dos municípios de Aguanil e Campo Belo causaram
superestimativas em alguns valores, porém menores do que aquelas obtidas com a grade
na resolução espacial de 90m. Nota-se no município de Boa Esperança, áreas
visivelmente planas com orientação de vertentes determinada. Isso ocorre, porque a
orientação de vertentes é uma variável independente da declividade, e ligada ao formato
do relevo em relação ao ângulo azimutal solar. Como o relevo local é muito
movimentado, e a resolução espacial da grade altimétrica não permite reproduzir
fielmente pequenas variações no relevo. Mesmo assim o método mostrou-se eficiente na
obtenção dessa variável.
A tabela 4.8 e traz as estatísticas descritivas para as variáveis declividade em todos os
municípios em estudo.
TABELA 4.8 – Estatísticas descritivas para a variável declividade.
Estatísticas Declividade (%)
Aguanil Boa Esperança Campo Belo CristaisMédia 11,9 11 13,6 5,1
Desvio Padrão 9,04 10,4 8,8 3,4Coeficiente de Variação 76 94 65 66
Valor Máximo 100 188 101 32Valor Mínimo 0 0 0 0
Moda 6 0 10 5,8
Na seqüência serão apresentados os resultados dos cálculos derivativos para a obtenção
das variáveis declividade e orientação de vertentes, com a respectiva representação
numérica e temática e a frequência representada em histogramas.
4.2.2.1 Aguanil (declividade)
106
As Figuras 4.15 e 4.16 ilustram os resultados obtidos no cálculo e representação da
variável declividade em relação ao município de Aguanil. O histograma apresentado na
Figura 4.16 permite verificar que a maior freqüência de valores encontra-se próximo a
10% de declividade com valores máximos entre 40 e 50%, e as menores frequências
entre 0 e 5% e acima de 32%.
FIGURA 4.15 – Representação da declividade em formato numérico (esquerda) e temático (direita) no município de Aguanil-MG.
107
FIGURA 4.16 - Histograma com a porcentagem de ocorrência dos valores de declividade em Aguanil-MG.
4.2.2.2 Boa Esperança (declividade)
A Figura 4.17 ilustra o resultado em nível de cinza após o cálculo derivativo da
declividade e sua respectiva representação temática. O valor máximo encontrado situa-
se na base da Serra da Boa Esperança, facilmente visualizado e representado no mapa
temático.
108
FIGURA 4.17 - Declividade em formato numérico (esquerda) e temático (direita) no município de Boa Esperança-MG.
Observa-se no histograma representado na Figura 4.18 que a maior freqüência de
valores de declividade está compreendida entre 0 e 10% e as menores frequências em
faixas de declividade acima de 37%.
Infere-se com base nos resultados obtidos que o município de Boa Esperança mesmo
apresentando um maior coeficiente de variação, possui extensas áreas com relevo plano
a suave ondulado prováveis de exploração agropecuária.
109
FIGURA 4.18 - Histograma com a porcentagem de ocorrência dos valores de declividade em Boa Esperança-MG.
4.2.2.3 Campo Belo (declividade)
Observa-se na Figura 4.19 as representações numérica e temática para a variável
declividade no município de Campo Belo. Observa-se no histograma representado na
Figura 4.20 que a maior freqüência de valores de declividade ocorrem entre 9 e 15% e a
menor frequência entre 0 e 5%.
110
FIGURA 4.19 – Representação da declividade em formato numérico (esquerda) e temático (direita) no município de Campo Belo-MG.
FIGURA 4.20 - Histograma com a porcentagem de ocorrência dos valores de declividade em Campo Belo-MG.
111
4.2.2.4 Cristais (declividade)
A Figura 4.21 mostra a representação da declividade em nível de cinza e em formato
temático após o cálculo da declividade. A maior freqüência de declividade localizada
entre 5 e 6%, decrescendo após 9,5% conforme a Figura 4.22.
FIGURA 4.21 – Representações da declividade em formato numérico (esquerda) e temático (direita) no município de Cristais-MG.
112
FIGURA 4.22 - Histograma com a porcentagem de ocorrência dos valores de declividade em Cristais-MG.
Observando as variáveis calculadas para os municípios envolvidos neste estudo,
constatou-se que o município com menor variabilidade nos valores de declividade é
Cristais, seguido respectivamente por Campo Belo, Aguanil e Boa Esperança,
diferenciados através do coeficiente de variação.
Observou-se nos histogramas e representações temáticas da variável declividade que os
municípios de Cristais e Boa Esperança são aqueles que possuem as melhores condições
de relevo para o plantio de café mecanizado, principalmente em áreas próximas à
represa de Furnas, desde que fora das áreas de preservação permanente e solos com
limitações físicas. Os municípios de Aguanil e Campo Belo possuem um perfil de
terreno bem acidentado, se compararmos com Cristais e Boa Esperança.
O município de Boa Esperança, mesmo apresentando valores de declividade superiores
a 100% possui a grande maioria de sua área própria à mecanização para a cafeicultura,
com exceção em áreas próximas à serra de Boa Esperança, cujas condições de solo e
relevo não permitem o cultivo nestas áreas.
113
Considerando a metodologia baseada em filtros derivativos para a obtenção dos valores
de declividade, pôde-se verificar que os cálculos produziram resultados variáveis em
função da resolução (grade altimétrica com 90m e grade altimétrica interpolada com
30m) e escalas de trabalho combinadas. Com base nestes resultados constatou-se que os
cálculos realizados a partir da grade altimétrica com resolução de 30m foram mais
satisfatórios e por isso considerados na apresentação dos resultados propostos, uma vez
que o interpolador suaviza o contato entre áreas de alta e baixa frequência, evitando
valores superestimados durante a aplicação de filtros derivativos.
Notou-se que após o cálculo derivativo da declividade foram obtidos valores maiores
que 100% considerados superestimados em algumas áreas como no município de
Aguanil. Mesmo assim, os resultados permitiram a descrição do meio físico local, de
uma forma automática e com pouco esforço computacional, o que pode servir como
ferramenta de planejamento e estudos para a determinação de áreas aptas ou não à
cafeicultura em estudos regionais, onde as escalas de trabalho são pequenas e reduzem
possíveis cálculos superestimados em áreas de alta freqüência, bem como em local onde
a vegetação e elementos antrópicos são realçados na aplicação de métodos derivativos.
A utilização da drenagem como linha de quebra na obtenção da grade triangular e
posteriormente a obtenção da declividade eliminaram valores superestimados em áreas
próximas à drenagem, possibilitando inclusive a visualização das linhas de drenagem de
rios, córregos e o lago de Furnas.
A maior amplitude nos valores de declividade ocorre no município de Boa Esperança
devido à presença da Serra da Boa Esperança, facilmente visualizada na Figura 4.17, o
mesmo ocorrendo com a altimetria.
No município de Aguanil, a faixa de declividade que apresenta maior freqüência está
entre 5,15 e 10,30% de declividade conforme atesta o histograma. Boa Esperança
caracteriza-se por um relevo menos acidentado, e a faixa de declividade com maior
freqüência está situada entre 0 e 18%, conforme atesta o histograma.
114
Campo Belo caracteriza-se pelo relevo acidentado, com maior freqüência de valores de
declividade entre 4,65 e 14,45%, com menor amplitude em relação à Boa Esperança,
por exemplo. Cristais por sua vez, é o único dos municípios em que o cálculo da
declividade não obteve valores maiores ou iguais a 100%. Neste município, as maiores
freqüências da declividade encontram-se entre 4,25 e 6%.
4.2.2.5 Aguanil (orientação de vertentes)
O município de Aguanil possui relevo com orientação de vertentes bem diversificada. A
média do município está relacionada à vertente sudoeste, mas a orientação de vertentes
à noroeste é a predominante no município, conforme atesta o histograma (Figura 4.24).
As áreas com menor frequência de ocorrência estão orientadas a sudeste. A Figura 4.23
ilustram as representações numérica e temática dessa variável em Aguanil.
FIGURA 4.23 - Orientação de Vertentes em formato numérico (esquerda) e temático (direita) no município de Aguanil-MG.
115
FIGURA 4.24 - Histograma de ocorrência dos valores de orientação de vertentes em Aguanil-MG.
4.2.2.6 Boa Esperança (orientação de vertentes)
O município de Boa Esperança possui relevo com orientação de vertentes variável. A
média do município está relacionada à vertente sudoeste, mas a orientação de vertentes
ao sul é a predominante no município. As Figuras 4.25 e 4.26 ilustram os comentários
supracitados, com maior frequência de valores de orientação de vertentes na direção sul
e menor frequência na direção sudeste.
116
FIGURA 4.25 - Orientação de Vertentes em formato numérico (esquerda) e temático (direita) no município de Boa Esperança-MG.
FIGURA 4.26 - Histograma de ocorrência dos valores de orientação de vertentes em Boa Esperança-MG.
117
4.2.2.7 Campo Belo (orientação de vertentes)
No município de Campo Belo, o valor médio na orientação das vertentes ocorre na
direção sudeste, com os valores de maior freqüência na direção sudoeste, e áreas com
menor frequência à leste, conforme atesta o histograma (Figura 4.28). Na Figura 4.27
verifica-se uma representação do perfil do relevo local.
FIGURA 4.27 - Orientação de Vertentes em formato numérico (esquerda) e temático (direita) no município de Campo Belo-MG.
118
FIGURA 4.28 - Histograma de ocorrência dos valores de orientação de vertentes em Campo Belo-MG.
4.2.2.8 Cristais (orientação de vertentes)
O município de Cristais possui em média vertentes orientadas à sudoeste, com os
valores de maior freqüência em direção noroeste, ilustrados em nível de cinza e formato
temático na Figura 4.29. No histograma (Figura 4.30) observa-se de maneira geral que o
município de Cristais possui maior frequência de áreas com orientação na direção
noroeste. As áreas com menor frequência estão localizadas em áreas orientadas à
sudeste. Esse perfil indica que o município apresenta condições propícias à cafeicultura,
se for considerada somente a variável supracitada.
119
FIGURA 4.29 - Orientação de Vertentes em nível de cinza (esquerda) e temático (direita) no município de Cristais-MG.
FIGURA 4.30 - Histograma de ocorrência dos valores de orientação de vertentes em Cristais-MG.
120
A aplicação da segunda derivada para a obtenção das curvaturas de vertentes, permitiu
caracterizar a orientação da iluminação solar na superfície terrestre conforme relatou
Wood (1996). Porém, a resolução espacial da grade altimétrica de 30m, bem como as
características fisiográficas dos municípios de Aguanil e Campo Belo causaram
superestimativas de alguns valores em áreas com alta freqüência. Nota-se no município
de Boa Esperança, áreas visivelmente planas com orientação de vertentes determinada.
Isso ocorreu, porque a orientação de vertentes é uma variável que pode ser independente
da declividade, e ligada ao formato do relevo em relação ao ângulo azimutal solar.
A utilização de filtros direcionais conforme Valeriano (2003) permitiu ajudar na análise
de coerência dos resultados obtidos após a aplicação da segunda derivada na grade
altimétrica com resolução espacial de 30m. Notou-se um aumento na freqüência de
valores de áreas com orientação noroeste e sudoeste, superestimados em função da
amplitude do relevo associado também à resolução espacial da grade altimétrica.
Se considerarmos a variável orientação de vertentes e sua importância para a
cafeicultura, conclui-se que se deve plantar café preferencialmente em áreas com
orientação de vertentes ao norte, nordeste e noroeste. São áreas menos suscetíveis a
eventos climáticos adversos e com maior irradiância solar, e conseqüentemente maior
atividade fotossintética fornecendo condições propícias à cultura. Os municípios de
Aguanil e Cristais possuem as maiores freqüências de áreas orientadas a nordeste e
noroeste enquanto Boa Esperança e Campo Belo predominam vertentes orientadas ao
sul e sudoeste respectivamente.
4.3 Mapa de Solos
A Figura 4.31 apresenta os solos identificados na região de estudo e a descrição da
importância de cada classe nos municípios disponíveis na Figura 4.31.
121
FIGURA 4.31 - Mapa de solos nos municípios de A(Cristais), B(Campo belo), C (Aguanil) e D (Boa Esperança) com base em MA (1962) e Bertoldo (2006).
Em Aguanil, Campo Belo e Cristais o solo de maior ocorrência é o Argissolo Vermelho
Amarelo conforme atestam os gráficos da Figura 4.32. No município de Boa Esperança
o solo predominante é o Latossolo Vermelho, que está presente em menor proporção
também em Campo Belo e Aguanil. Durante o trabalho de campo, o mapa de solos
utilizado mostrou-se coerente em relação às classes descritas, com limitações inerentes à
escala final de representação e faixas de transição entre os solos o que dificulta a sua
correta delimitação e representação sem um trabalho detalhado em campo. Constatou-se
principalmente nos municípios de Aguanil e Campo Belo, a ocorrência de Argissolo
Vermelho Amarelo com variação rasa cascalhenta e transições do Latossolo Vermelho
com Neossolo Litólico, anteriormente citado no trabalho desenvolvido por MA (1962).
122
FIGURA 4.32 - Solos mapeados nos municípios em estudo.
4.4 Relação entre a cafeicultura e o meio físico
A partir dos resultados obtidos realizou-se a quantificação das áreas cafeeiras em função
das variáveis calculadas (declividade, altimetria, orientação de vertentes e solos)
permitindo realizar a caracterização das lavouras instaladas em cada um dos municípios.
4.4.1 Cafeicultura e Declividade
A Figura 4.33 ilustra os valores médios de declividade com o desvio padrão em cada
um dos municípios. Pode-se verificar que Campo Belo possui lavouras cafeeiras em
áreas com maior declividade comparativamente aos demais municípios. Cristais,
Aguanil e Boa Esperança possuem respectivamente as lavouras em áreas com menor
declividade conforme atesta a Figura 4.33.
123
Declividade e Cafeicultura
Aguanil9,55
Boa Esperança10,11
Campo belo14,94
Cristais9,49
0
5
10
15
20
25
30
%
FIGURA 4.33 - Declividade média em áreas com cafeicultura nos municípios em estudo.
Observa-se na Figura 4.34 que 73% as lavouras cafeeiras em Aguanil estão localizadas
em áreas com declividade média entre 0 e 10%, permitindo assim a mecanização das
lavouras. Há restrições para a mecanização somente em áreas cuja transição entre os
solos evidencie sinais de pedregosidade. Mesmo superestimando alguns valores de
declividade no município através dos cálculos derivativos, não se constatou o mesmo
erro em relação às áreas cultivadas com café, uma vez que o universo amostral é mais
restrito e direcionado às áreas mais planas e próximas aos mananciais e locais de fácil
acesso, normalmente fora das áreas mais acidentadas.
Cafeicultura e Declividade - Aguanil-MG
73%
16%
6% 2%3%
0a10 11a15 16a20 21a25 26a50
FIGURA 4.34 - Classes de declividade em função das áreas de cafeicultura em Aguanil.
124
Em Boa Esperança 69,14% das áreas de cafeicultura estão instaladas em áreas com até
10% de declividade, constatando a preferência do cultivo em áreas mecanizáveis.
Evidencia-se a diminuição de áreas plantadas com o aumento da declividade, conforme
mostra a Figura 4.35.
Cafeicultura e Declividade - Boa Esperança-MG
5,70%2,40%
3,20%0,14%
69,14%19,42%
0a10 11a15 16a20 21a25 26a50 51a75
FIGURA 4.35 - Classes de declividade em função das áreas plantadas em Boa Esperança.
Em Campo Belo, 44% das áreas de cafeicultura estão instaladas em regiões com até
10% de declividade, conforme Figura 4.36. Observa-se a redução de área plantada com
o aumento das classes de declividade, com a presença de lavouras cafeeiras em áreas
com alta declividade, o que pode vir a causar problemas na conservação do solo e água
se medidas preventivas no manejo desses recursos não forem adotados.
125
Cafeicultura e Declividade - Campo Belo-MG
12,98%
6,58%
23,66%
44,61%
0,77%11,40%
0a10 11a15 16a20 21a25 26a50 51a75
FIGURA 4.36 - Classes de declividade em áreas de cafeicultura em Campo Belo.
O município de Cristais possui 69% das áreas de cafeicultura instaladas em relevo com
até 10% de declividade, conforme atesta a Figura 4.37. As áreas cultivadas decrescem
com o aumento de declividade, indicando a preferência dos agricultores por áreas
mecanizáveis.
Cafeicultura e Declividade - Cristais-MG
69%
23%
1%2%5%
0-10 11a15 16a20 21a25 26a50
FIGURA 4.37 - Classes de declividade em função das áreas de cafeicultura em Cristais.
126
Observando os gráficos supracitados, notou-se um padrão na instalação das áreas
cafeeiras em relevo com até 10% de declividade indicados para a mecanização da
cultura e normalmente localizados em solos mais permeáveis e sem maiores limitações
físicas. Campo Belo mostrou-se como o município mais problemático à instalação de
lavouras cafeeiras, se for considerado no contexto apenas a variável declividade. Nesse
sentido, medidas preventivas de conservação do solo devem ser adotadas.
4.4.2 Cafeicultura e Solos
Com base no mapeamento realizado por MA (1962), verificou-se após a interseção
entre as áreas de cafeicultura e solos que no município de Aguanil 70,85% das lavouras
cafeeiras são cultivadas em Argissolo Vermelho Amarelo conforme o gráfico da Figura
4.38. MA (1962) cita ainda que as possíveis variações na representação cartográfica
desses solos ocorrem devido à escala final cartográfica. Os Latossolos somam 28,69%
de áreas cultivadas, principalmente em áreas mais planas com pequena parcela em áreas
com Organossolos (menos que 1%).
Cafeicultura e Solos - Aguanil
70,85%
23,32%
5,37% 0,46%
ArgissoloVermelhoAmarelo LatossoloVermelhoLatossoloVermelhoAmarelo Gleissolo+Organossolo
FIGURA 4.38 - Classes de solos nas áreas de cafeicultura em Aguanil.
127
Com base no mapeamento realizado por MA (1962) e anotações de campo verificou-se
que aproximadamente 65% das áreas de cafeicultura no município de Boa Esperança
são cultivados em Latossolos. Bertoldo (2006) cita que há variações na representação
cartográfica desses solos devido à escala final cartográfica do mapa utilizado, o que
permite a inclusão de áreas em transição com outras classes de solos. O grupo de solos
classificado como Neossolo Litólico, compreende segundo MA (1962) fase de transição
com Argissolo Vermelho amarelo e Latossolo Vermelho, normalmente localizados em
áreas de baixadas associadas a esta unidade de mapeamento. A Figura 4.39 ilustra a
distribuição dos principais solos no município, cujo mapa de referência foi classificado
pelo IBGE (1999) como um mapa de reconhecimento, indicado para a verificação de
classes dominantes. Constata-se o predomínio do Latossolos Vermelho em cerca de
56% das áreas.
Cafeicultura e Solos - Boa Esperança-MG
55,98%
7,63%0,93%
8,56%
6,39%
0,14%
20,38%
ArgissoloVermelhoAmarelo LatossoloVermelhoLatossoloVermelhoAmarelo CambissoloHáplicoGleissolo+Organossolo NeossoloQuartzarênicoNeossoloLitólico
FIGURA 4.39 - Classes de solos nas áreas de cafeicultura em Boa Esperança.
Em Campo Belo, 90,60% das áreas cafeeiras são cultivadas em Argissolo Vermelho
Amarelo, conforme atesta a Figura 4.40. Faz-se necessário ressaltar que observou-se em
128
campo e foi relatado por MA (1962) que essa classe de solo possui algumas variações
decorrentes da escala de representação do mapa original (1:250.000). Na classe
Argissolo, estão inclusas áreas de Argissolo Vermelho Amarelo fase cascalhenta, que
apresenta limitação à mecanização, devido à presença de fragmentos rochosos não
intemperizados. O solo com menor área de cultivo é o Gleissolo + Organossolo, devido
às limitações de aptidão características do mesmo.
Cafeicultura e Solos - Campo Belo-MG
90,60%
5,40%1,80% 0,41%
1,78%
ArgissoloVermelhoAmarelo LatossoloVermelhoLatossoloVermelhoAmarelo NeossoloLitólicoGleissolo+Organossolo
FIGURA 4.40 - Classes de solos nas áreas de cafeicultura em Campo Belo.
Em Cristais, 62,43% das áreas com cafeicultura são cultivadas em Latossolo Vermelho
com variações de Latossolo Vermelho Amarelo e Argissolo Vermelho Amarelo. Tais
áreas apresentam inclusões de Cambissolos e Gleissolos, apontados por MA (1962) e
Bertoldo (2006), também constatados no trabalho de campo. Ressalta-se que tais
variações e inclusões geram imprecisões no mapeamento final e por isso podem estar ou
não representadas na Figura 4.41 individualmente. O solo com menor área de cultivo é
o Argissolo Vermelho. Pode-se afirmar que a utilização do mapa de solos em escala de
reconhecimento permitiu caracterizar a cafeicultura nos municípios em estudo em
relação aos solos predominantes no meio fisiográfico.
129
Cafeicultura e Solos - Cristais-MG
10,37%
3,36% 10,12%0,04%
62,43%
13,68%
ArgissoloVermelhoAmarelo ArgissoloVermelhoLatossoloVermelho LatossoloVermelhoAmareloCambissoloHaplico Gleissolo+Organossolo
FIGURA 4.41 - Classes de solos nas áreas de cafeicultura em Cristais.
4.4.3 Cafeicultura e Orientação de Vertentes
Após a interseção entre as áreas de cafeicultura e a variável orientação de vertentes, foi
obtido para cada um dos municípios as faixas de orientação predominantes em relação
às lavouras cafeeiras mapeadas.
Em Aguanil, observa-se na Figura 4.42 que 26,34% das lavouras cafeeiras cultivadas
em áreas com orientação de vertentes à noroeste sentido norte e 22,72% a nordeste
sentido leste, o que indica boas condições de iluminação à cultura durante o ano inteiro.
Constatou-se à medida em que a orientação das lavouras volta-se para a face sul, há uma
diminuição das áreas cafeeiras cultivadas.
130
Orientação de Vertentes e Cafeicultura - Aguanil-MG
22,72%
13,92%
7,42%
12,05%
26,34%
7,25%5,28%5,02%
N-NE NE-E E-SE SE-S S-SW SW-W W-NW NW-N
FIGURA 4.42 - Classes de orientação de vertentes em relação à cafeicultura em Aguanil.
Em Boa Esperança, verifica-se na Figura 4.43 que 17,94% das lavouras cafeeiras são
cultivadas em áreas com orientação de vertentes à norte, sentido nordeste e 14,26% à
noroeste, sentido leste, indicando áreas preferenciais ao cultivo do café se comparados
às vertentes orientadas a sudeste e sudoeste, mais suscetíveis à incidência de eventos
climáticos adversos e menor irradiância solar principalmente no período de outono e
inverno. Notou-se também que Boa Esperança foi o município onde houve um grande
equilíbrio entre as áreas cultivadas no sentido norte e sul.
Cafeicultura e Orientação de Vertentes - Boa Esperança-MG
14,26%
10,92%
10,69%
17,94%
13,14%
9,25%
9,97%
13,83%
N-NE NE-E E-SE SE-S S-SW SW-W W-NW NW-N
FIGURA 4.43 - Classes de orientação de vertentes em relação à cafeicultura em Boa Esperança.
131
Em Campo Belo, após a interseção entre as áreas de cafeicultura e a orientação de
vertentes, constatou-se que as áreas com café plantadas a nordeste sentido norte e
noroeste sentido leste são a maioria no município, com mais de 60%, conforme
ilustrado na Figura 4.44. Tratam-se das áreas com a melhor orientação ao plantio de
café, se considerarmos que essas áreas recebem maior irradiância solar mesmo em
época do ano onde o ângulo de elevação solar é menor (outono-inverno). Mesmo assim,
as áreas cultivada com orientação a sudeste e sudoeste ultrapassam 37% da cafeicultura
municipal. As áreas de cafeicultura ao sul, sentido sudoeste são as que possuem a menor
área cultivada em Campo Belo.
Cafeicultura e Orientação de Vertentes - Campo Belo-MG
19,11%
18,27%
13,19%
8,37%
6,40%
9,13%
16,33%
9,21%
N-NE NE-E E-SE SE-S S-SW SW-W W-NW NW-N
FIGURA 4.44 - Classes de orientação de vertentes em relação à cafeicultura em Campo Belo.
Em Cristais, constata-se que 18,90% das áreas mapeadas com café estão orientadas à
nordeste sentido norte e 16,97% orientadas à nordeste, sentido leste, conforme ilustra a
Figura 4.45. Como ocorreu com os demais municípios, constatou-se que os agricultores
tendem a implantar suas lavouras em áreas menos suscetíveis a eventos climáticos
adversos, permitindo às culturas maior exposição à irradiância solar durante o ano
inteiro.
132
Cafeicultura e Orientação de Vertentes - Cristais-MG
18,90%
16,97%
11,16%
12,87%
9,39%
7,13% 6,65%
16,94%
N-NE NE-E E-SE SE-S S-SW SW-W W-NW NW-N
FIGURA 4.45 - Classes de orientação de vertentes em relação à cafeicultura em Cristais.
4.4.4 Cafeicultura e Altimetria
Na Figura 4.46 são apresentados os valores médios de altimetria em relação às lavouras
cafeeiras nos municípios em estudo.
Altimetria e Cafeicultura
Cristais 825,2
Aguanil 830,08
Boa Esperança 847,84
Campo belo 878,49
700
750
800
850
900
950
Alt
imet
ria
(m)
FIGURA 4.46 - Valores médios de altimetria em áreas com cafeicultura.
133
Em Aguanil, as lavouras cafeeiras estão localizadas em áreas com altimetria variando
entre 801 a 850 em 45,71% das lavouras. Cerca de 32,7% estão localizadas em áreas
com altimetria variando entre 743 e 800m, decrescendo à medida em que aumenta a
altitude no município. A Figura 4.47 ilustra a distribuição das classes de altimetria em
função das áreas com cafeicultura.
Cafeicultura e Altimetria - Aguanil2,60%
45,71%
7,61%
10,92%
0,46%
32,70%
743a800 801a850 851a900 901a950 951a1000 1100a1000
FIGURA 4.47 - Intersecção entre altimetria e cafeicultura no município de Aguanil.
Constatou-se em Boa Esperança que 38,81% das lavouras de café situam-se entre 801 a
850m de altitude, e 29,02% das lavouras localizadas em faixa de altimetria entre 851 a
900m decrescendo em área plantada nas faixas de altimetria superiores a 900m,
normalmente situados em áreas próximas à serra de Boa Esperança, cujas condições
fisiográficas não são ideais à cafeicultura (Figura 4.48).
134
Cafeicultura e Altimetria - Boa Esperança
1,63% 6,66%0,71%
7,82%15,36%
29,02%38,81%
743a800 801a850 851a900 901a950951a1000 1100a1200 1201a1300
FIGURA 4.48 - Intersecção entre cafeicultura e altimetria em Boa Esperança.
Em Campo Belo, 37,58% das áreas de café localizam-se na faixa de altimetria entre 851
e 900m, decrescendo à medida que o intervalo desta variável aumenta, o que tornam as
condições de instalação da cultura pouco favoráveis devido a existência de solos
cascalhentos e afloramentos de rocha, bem como áreas com declividade acentuadas A
Figura 4.49 ilustra o resultado entre a interseção das áreas com café e a grade altimétrica
SRTM. Verificou-se que a faixa entre 1100 a 1200m apresentam a menor proporção de
café cultivado.
135
Cafeicultura e Altimetria - Campo Belo
24,54%
37,58%
5,90% 0,74%5,25%
25,99%
743a800 801a850 851a900 901a950 951a1000 1100a1200
FIGURA 4.49 - Intersecção entre altimetria e cafeicultura em Campo Belo.
Em Cristais, as áreas de cafeicultura ocorrem mais freqüentemente na faixa de altimetria
entre 801 a 850m (60,91%) conforme ilustra a Figura 4.50. À medida que a faixa de
altimetria aumenta, fica evidente a diminuição da área plantada em áreas com altimetria
acima de 851m. São expressivas também, as lavouras cultivadas entre 743 e 800m de
altitude (24,27%), conforme ilustra a Figura 4.50.
Cafeicultura e Altimetria - Cristais
24,27%
13,42%
1,32%
60,91%
0,08%
743a800 801a850 851a900 901a950 951a1000
FIGURA 4.50 - Intersecção entre altimetria e cafeicultura em Cristais.
136
4.5 Mapa Geoambiental – Áreas favoráveis ao agroecossistema cafeeiro com base no modelo AHP
Conforme metodologia já descrita e hipótese formulada para a representação das áreas
favoráveis ao agroecossistema cafeeiro, obteve-se uma representação cartográfica em
nível de cinza para toda a região em estudo, após a ponderação e cálculo do modelo.
Aguanil em média foi o município com o menor índice de favorabilidade ao
agroecossistema cafeeiro com base exclusivamente na hipótese formulada. Os demais
municípios empatam nos valores encontrados, devido à semelhança em relação às
variáveis fisiográficas. Devido ao maior peso em relação às áreas de drenagem e matas
ciliares, houve a penalização dos municípios com maior malha hídrica, como é o caso
de Boa Esperança e Cristais. Com 5% de significância, não houve diferença
significativa entre os municípios.
Outro aspecto que pode vir a melhorar a utilização desta técnica em estudos nessa
temática, seria a obtenção de mapas temáticos em escalas maiores principalmente em
relação a solos, que neste contexto foi considerado apenas como um dado de
reconhecimento, com um peso de ponderação pequeno em relação à importância desta
variável no planejamento agrícola.
Observa-se que o resultado expresso pela Figura 4.51 é coerente com os mapas
relacionados às variáveis utilizadas, como declividade, altimetria, solos, drenagem,
matas ciliares e orientação de vertentes. Observa-se claramente que as áreas de
drenagem e matas ciliares regulamentares possuem baixo nível de cinza, indicando
pequena favorabilidade ao agroecossistema cafeeiro em todos os municípios. Em áreas
com solos limitantes, associados à alta declividade e altimetria acima de 2000m,
também são observados baixos níveis de cinza, conforme se constata na Serra da Boa
Esperança, no município de Boa Esperança. Constatou-se também áreas com níveis de
cinza mais altos, indicando favorabilidade ao agroecossistema cafeeiro, como no centro-
sul do município de Boa Esperança e noroeste do município de Cristais, facilmente
observado na Figura 4.51.
137
FIGURA 4.51 - Mapa geoambiental obtido via método AHP – (A)Cristais, (B)Campo Belo, (C)Aguanil, (D) Boa Esperança.
138
Constatou-se a partir do mapa de favorabilidade ao agroecossistema cafeeiro, que
Aguanil em média é o município com o menor índice de favorabilidade ao cultivo do
café, com base exclusivamente na hipótese formulada. Devido ao maior peso em relação
às áreas de drenagem e matas ciliares, houve a penalização dos municípios com maior
malha hídrica, como é o caso de Boa Esperança e Cristais. Não houve diferença
significativa entre os índices de favorabilidade para os municípios estudados.
Outro aspecto que pode vir a melhorar a utilização desta técnica em estudos nessa
temática, seria a utilização de mapas em escalas maiores, principalmente em relação à
classe solos, que neste contexto foi considerado apenas como um dado de
reconhecimento, com um peso de ponderação pequeno em relação à importância desta
variável no planejamento agrícola. Observa-se na Figura 4.52 que todos os municípios
apresentam mais do que 50% da sua área útil apropriada ao cultivo do café,
considerando apenas o cenário e as variáveis utilizadas.
Favorabilidade ao Cultivo de Café
0,610,58 0,61 0,61
00,10,20,30,40,50,60,70,80,9
1
Aguanil Boa Esperança Campo Belo Cristais
FIGURA 4.52 - Favorabilidade ao agroecossistema cafeeiro da área de estudo, com base na hipótese e modelo AHP.
Observa-se na Figura 4.53 que as lavouras cultivadas em Boa Esperança obtiveram um
índice de favorabilidade igual a 0,72. Cristais apresentou um valor de 0,71 e Aguanil e
Campo Belo, respectivamente 0,65 e 0,64. Esses valores indicam o quanto as lavouras
aproximam-se das condições ideais para a exploração do agroecossistema cafeeiro
139
nesses municípios. Quanto mais próximo da unidade, melhores as condições ambientais
ao cultivo do café. Porém, não há diferença significativa entre os índices de
favorabilidade nas áreas com cafeicultura.
Favorabilidade em Áreas com Cafeicultura
0,710,64
0,720,65
0
0,2
0,4
0,6
0,8
1
Aguanil Boa Esperança Campo Belo Cristais
FIGURA 4.53 – Favorabilidade ao agroecossistema cafeeiro em relação às áreas atualmente com cafeicultura.
O método analítico hierárquico permitiu associar em um único produto final as variáveis
que compõem o meio geográfico em estudo, seguindo critérios hipotéticos subsidiados
pela literatura consultada. A maior dificuldade em relação à execução do método está
relacionado à determinação dos pesos das variáveis e também a determinação dos pesos
individuais para cada uma das classes associadas às variáveis, problema comumente
encontrado em outros trabalhos que utilizaram o modelo AHP (Thirumalaivasan et al.,
2003; Li et al.,2005).
O presente estudo refere-se à indicação de áreas estritamente relacionadas aos fatores e
variáveis utilizadas, com a necessidade da criação de novos cenários de favorabilidade à
cultura com a associação de outras variáveis no processo bem como a alteração nos
pesos utilizados.
Pode-se aplicar a metodologia utilizada em estudos de zoneamento agrícola, uma vez
que os métodos tradicionais tratam o espaço geográfico de forma determinística, não
traduzindo a continuidade de variáveis fisiográficas, como solo, altimetria e declividade.
140
Os maiores interessados na aplicação desse estudo são empresas de certificação
ambiental, empresas de seguro agrícola e o setor de planejamento agrícola, sejam eles
do setor privado ou público. Para estudos de previsão de safras, pode-se indicar áreas
potencialmente limitantes ou não à determinada exploração agropecuária,
principalmente se forem associadas variáveis climáticas como temperatura e
precipitação.
141
CAPÍTULO 5
CONCLUSÕES E RECOMENDAÇÕES
As áreas com cafeicultura mapeadas a partir de cenas TM e CCD mostraram resultados
discrepantes às estimativas oficiais e escritório locais da EMATER. Os municípios de
Boa Esperança e Cristais foram aqueles que apresentaram maior diferença em relação às
estimativas do IBGE (2005). Essa diferença pode ser atribuída à abordagem
metodológica entre dados oficiais e mapeamento direto. Os municípios de Aguanil e
Campo Belo apresentaram resultados próximos às estimativas do IBGE (2005), devido
a pouca mudança no quadro produtivo da cafeicultura nesses municípios. Ressalta-se
que a estimativa oficial do IBGE (2005) refere-se à safra de 2004 e que as estimativas
dos escritórios de assistência técnica municipal subsidiam as estimativas oficiais.
O mapeamento da drenagem e matas ciliares propiciou a atualização cartográfica dos
elementos e caracterização geral das matas ciliares preservadas. De acordo com os
dados cartográficos utilizados no apoio (cartas topográficas 1:50.000), percebeu-se que
a hidrografia local sofreu mudanças significativas a partir da formação do lago de
Furnas. Sugere-se novos estudos nessa temática para a constatação das mudanças
supracitadas.
A modelagem de terreno utilizando-se dados do SRTM em um sistema de informação
geográfica mostrou-se eficaz para o cálculo das variáveis fisiográficas em nível
municipal. Há a necessidade de um pré-processamento dos dados SRTM anteriormente
à aplicação de métodos derivativos para o cálculo da declividade e orientação de
vertentes.
A cafeicultura na região de estudo possui dois perfis produtivos bem distintos
evidenciados com os dados de sensoriamento remoto e apoio de campo. Em Boa
Esperança e Cristais nota-se um nível tecnológico e condições fisiográficas mais
propícias à instalação e condução de lavouras cafeeiras. Em Aguanil e Campo Belo, as
143
condições fisiográficas são mais limitantes à instalação da cafeicultura e a situação
fundiária é bem diferente de Boa Esperança e Cristais. A interpretação visual das
imagens permitiu verificar o predomínio de pequenas propriedades em todos os
municípios em estudo. Neles, a cafeicultura não é a principal atividade, com o cultivo
consorciado de lavouras de subsistência e fruticultura, sem caráter estritamente
comercial. Imagens TM permitem melhor a discriminação de áreas cafeeiras quando
vizinhas de áreas com cerrado, mesmo com uma resolução espacial de 30m contra 20m
do sensor CCD, cujas imagens mostraram-se saturadas na faixa do infravermelho
próximo não permitindo o mapeamento de áreas cafeeiras exclusivamente com essas
imagens. A literatura afirmou e constatou-se no presente estudo que a faixa do
infravermelho médio é importante na discriminação de áreas cafeeiras principalmente
em pequenos talhões em que a mistura espectral dos alvos torna-se um problema
evidente.
A geração de mapas ponderados utilizando o método analítico hierárquico é uma
alternativa ao zoneamento agrícola tradicional, que trata o espaço geográfico como uma
superfície particionada sem áreas de transição ou sob tensão ecológica. O sistema
utilizado manteve a continuidade do espaço geográfico e permitiu total manipulação das
variáveis, com sua representação em formato numérico. Dados numéricos permitem
comparações entre diferentes situações, com o potencial da realização de estudos
multitemporais.
O mapa geoambiental obtido permitiu determinar regiões homogêneas em cada um dos
municípios, com maior ou menor favorabilidade ao agroecosistema cafeeiro . Faz-se
necessário ressaltar, que a construção de outros cenários deverão ser testados, utilizando
dados sócio-econômicos e meteorológicos, por exemplo.
Apesar dos resultados satisfatórios obtidos no mapeamento da cafeicultura, recomenda-
se a continuidade do mesmo com a utilização de imagens de sensores com maior
resolução espacial, principalmente em áreas onde o relevo é bastante acidentado, como
na zona da Mata e algumas regiões do Sul de Minas Gerais.
144
REFERÊNCIAS BIBLIOGRÁFICAS
Alphonce, C.B. Application of the analytic hierarchy process in agriculture in developing coutries. Agricultural Systems, v.53, n.1 p. 97-112, jan. 1997.
Alves, H.M.R.; Vieira, T.G.C.; Andrade, H. Sistema de Informação Geográfica na avaliação de impactos ambientais provenientes de atividades agrícolas. Informe Agropecuário, v. 21, n. 202, p. 99-109, 2003.
Alzugaray, D.; Alzugaray, C. Flora brasileira. São Paulo-SP: Três Livros, 1984.
Amaral, F.C.S; Pereira, N.R.; Carvalho Junior, W. Principais limitações dos solos brasileiros. EMBRAPA Solos. 1999. Disponível em: <www.cnps.embrapa.br/serch/pesqs/tema3/tema3.html>. Acesso em: 15 jul. 2005.
Andrade, H.; Alves, H. M. R.; Vieira, T. G. C.; Esteves, D. R.; Resende, R. J. T. P.; Brasil, J. P. K.. Diagnóstico ambiental do município de Lavras com base em dados georreferenciados do meio fisico: III - Estratificação em classes de declive. In: Congresso Brasileiro de Engenharia Agrícola, 27. 1998, Poços de Caldas - MG. Anais... Lavras - MG: UFLA/SBEA, 1998. v. 4. p. 356-357.
Assad, E.D.; Sano, E.E. Sistema de Informações Geográficas: aplicações na agricultura. Brasília: EMBRAPA, 1998. 434p.
Associação Brasileira da Indústria do Café (ABIC). Cafeicultura. Boletim Técnico, n.355, 4p., 2003. Disponível em: <www.abic.com.br/arquivos/>. Acesso em: 06 jan. 2005.
Batista, G.T.; Tardin, A.T.; Chen, S.C.; Dallemand, J.F. Avaliação de produtos HRV/SPOT e TM/LANDSAT na discriminação de culturas. Pesquisa Agropecuária Brasileira, v. 25, n. 3, p. 379-386, 1990.
Bertoldo, M.A. Atualização do sistema de classificação dos solos sob o domínio do lago de Furnas. [mensagem pessoal]. Mensagem recebida por< aurelio@dsr.inpe.br > em 23 jan. 2006.
Bertoldo, M.A.; Alves, H.M.R.; Vieira, T.G.C. Avaliação de ambientes cafeeiros de Minas Gerais por imagem de satélite. Parte III - São Sebastião do Paraíso. In: Simpósio de Pesquisa dos Cafés do Brasil, 3; Wokshop Internacional de Café & Saúde, 2003. Anais... Porto Seguro: EPAMIG, 2003a. p.57.
145
Bertoldo, M.A.; Vieira, T.G.; Alves, H.M.R. Mapeamento do uso da terra utilizando imagem de satélite - Parte II - Machado. In: Simpósio de Pesquisas dos Cafés do Brasil, 3.; Workshop Internacional do café & saúde, 2003. Anais... Porto Seguro: EPAMIG, 2003b. p.73.
Bertoldo, M.A.; Alves, H.M.R.; Vieira, T.G.C. Avaliação de ambientes cafeeiros de Minas Gerais.Parte I - Patrocínio. In: Simpósio de Pesquisas dos Cafés do Brasil, 3.; Workshop Internacional de Café & Saúde, 2003. Anais... Porto Seguro: EPAMIG, 2003c. p. 55.
Brasil. Ministério da Agricultura. Centro Nacional de Ensino e Pesquisas Agronômicas. Levantamento de Reconhecimento dos Solos da Região sob Influência do Reservatório de Furnas. Boletim do Serviço Nacional de Pesquisas Agronômicas. Contribuição à carta de solos. Rio de Janeiro. 1962. 462 p.
Brasil. Decreto-lei nº 243, de 28 de fevereiro de 1967. Fixa as Diretrizes e Bases da Cartografia Brasileira. Disponível em: http://www.senado.gov.br/legisla. Acesso em: 18 jul. 2005.
Bunnik, N.J.J. The multiespectral reflectance of shortwave radiation by agricultural crops in relation with their morphological and optical properties. Wageningen: H. Veenman & Zonen B.V., 1978. 176p.
Burrough, P. A.; McDonnell, R.A. Principles of geographical information systems. Oxford: Oxford University Press, 1998. 329 p.
Câmara, G.; Medeiros, J.S. Princípios básicos em geoprocessamento. In: Assad, E.D.; Sano, E.E. Sistema de Informações Geográficas: aplicações na agricultura. Planaltina, GO: Empresa Brasileira de Pesquisa Agropecuária / CPAC, 1993. p.03-11.
Câmara, G.; Souza, R.C.M.; Freitas, U.M.; Garrido, J. SPRING: Integrating remote sensing and GIS by object-oriented data modelling. Computers e Graphics, v. 20, n.3, p. 395-403, maio-junho 1996.
Chalita, M.A.N. Desenvolvimento rural, agricultura e natureza: novas questões de pesquisa. Agricultura em São Paulo, v. 52, n. 1, p. 97-113, jan. 2005.
Chavez Jr., P.S. An improved dark-object subtraction technique for atmospheric scattering correction of multiespectral data. Remote Sensing of Environment, v. 24, p.459-479, 1988.
Chen, C.S.; Tardin, A.T.; Batista, G.T. Índices de vegetação e suas aplicações na agricultura. São José dos Campos, SP: Instituto Nacional de Pesquisas Espaciais, 1986. 24p. (INPE-3912-MD/030).
146
Companhia de Tecnologia da Informação do Estado de Minas Gerais (PRODEMGE). Limite dos Municípios de Minas Gerais. Belo Horizonte,1998. Escala 1:100.000. Disponível em:< http://www.geominas.mg.gov.br/>. Acesso em: 15 mar. 2005.
Companhia Nacional de Abastecimento (CONAB). Acompanhamento da safra 2005/2006. Disponível em: <www.conab.gov.br>. Acesso em: 10 fev. 2005.
Congalton, R.G.; Mead, R.A. A quantitative method to test for consistency and correctness in photointerpretation. Remote Sensing of Environment, v.37, n.1, p.35-46, 1991.
Costa Neto, P.L.O. Estatística. São Paulo: Edgard Blücher, 1977. 264p.
Crepani, E.; Medeiros, J.S.; Filho, P.H.; Florenzano, T.G.; Duarte, V.; Barbosa, C.C.F. Sensoriamento remoto e geoprocessamento aplicados ao zoneamento ecológico-econômico e ao ordenamento territorial. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2001. 101 p. (INPE-8454-RPQ/722).
Crepani, E.; Medeiros, J.S. Imagens fotográficas derivadas de MNT do Projeto SRTM para fotointerpretação na geologia, geomorfologia e pedologia. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2004. 39 p. (INPE-11238-RPQ/761).
Criterion decision plus 3.04. Seattle, InfoHarvest. 2001.
Crosta, A.P. Processamento digital de imagens de sensoriamento remoto. Campinas: UNICAMP, 1992. 170 p.
Dallemand, J.F. Identificação de culturas de inverno por interpretação de dados SPOT e LANDSAT TM no noroeste do Paraná.1987. 131p. (INPE-4334-TDL/290).Dissertação (Sensoriamento Remoto). Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 1987
DeMers, M.N. Fundamentals of geographic information systems. New York: John Wiley and Sons, 1997. 486 p.
Eineder, M.; Rabus, B.; Roth, A.; Bamler, R. The shuttle radar topography mission - a new class of digital elevation models acquired by spaceborne radar. Journal of Photogrammetry & Remote Sensing, v.57, n.01, p. 241-262, jan. 2003.
Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). Sistema brasileiro de classificação de solos. Brasília: Ministério da Agricultura e do Abastecimento, 1999. 412 p.
Felgueiras, C.A.; Erthal, G.J. Aplicações de modelos numéricos de elevação e integração com imagens digitais. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 1988. (INPE-4776-PRE/1445).
147
Fonseca, L.M. Processamento digital de imagens. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2000. 105p.
Food and Agriculture Organization of The United Nations (FAO). A framework for land evaluation. Roma: Wageningen, 1976. 72p.
Formaggio, A.R. Características agronômicas e espectrais para sensoriamento remoto de trigo e feijão. Tese (Doutorado em Agronomia) – Universidade de São Paulo, Piracicaba, 1989.
Franco A. Características de las coordenadas UTM y descripción de este tipo de coordenadas. 2001. Disponível em: < ftp://ftp.elgps.com/Documentos/cartografia-Geograficas-UTM-Datum.zip>. Acesso em 10 jan. 2005.
Gao, J. Comparison of sampling schemes in construction DTMs from topographic maps. ITC Journal, n.1, p.18-22, 1995.
Guo, L.S.; He, Y.S. Integrated multi-criterial decision model: a case study for the allocation of Facilities in Chinese Agriculture. Journal of Agricultural Engineering Research, v.73, p.8, Jan. 1999.
Hay, A.M. The derivation of global estimates from a confusion matrix. International Journal of Remote Sensing, v.9, n.8, p.1395-1398, 1988.
Holben, B.; Justice, C. An examination of espectral band rationing to reduce the topographic effect on remotely sensed data. International Journal of Remote Sensing, v. 2, n. 2, p. 115-133, 1981.
Instituto Brasileiro de Geografia e Estatística (IBGE). Manual técnico de uso da terra. Rio de Janeiro: IBGE, 1999. 58 p.
Instituto Brasileiro de Geografia e Estatística (IBGE). Produção Agrícola Municipal (PAM). Brasília, 2004. Disponível em: <http://www.sidra.ibge.gov.br/ Acesso em: 12 dez. 2005.
Instituto Brasileiro de Geografia e Estatística (IBGE) : Folha Campo Belo. SF-23-Y-D-II-1 MI-2769/1. Brasília, 2005. 3 Mapas. Escala 1:50.000. Disponível em: <http://www.ibge.gov.br>. Acesso em: 12 mar. 2005.
Instituto Nacional de Pesquisas Espaciais (INPE). Catálogo de Imagens. São José dos Campos,2005. Disponível em <www.dgi.inpe.br>. Acesso em: 15 abr. 2005.
Ippoliti-Ramilo, G.A. Imagens TM/Landsat-5 da época de pré-plantio para a previsão da área de culturas de verão. São José dos Campos. 183p. (INPE-7116-TDI/668). Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 1998.
148
Karami, E. Appropriateness of farmers´adoption of irrigation methods: the application of the AHP model. Agricultural Systems, v.87, p.101-119, Jan. 2006. Disponível em: < www.elsevier.com/locate/agsy >. Acesso em 05 jan. 2006.
Karaska, M.; Walsh, S.J.; Butler, D.R. Impact of environmental variables on spectral signatures acquired by the Landsat Thematic Mapper. International Journal of Remote Sensing, v.7, n. 12, p. 1653-1667, 1986.
Kurkdjian, M.L.N.O.; Valério Filho, M.; Veneziane, P.; Pereira, M.N.; Florenzano, T.G.; Anjos, C.E.; Ohara, T.; Donizeti, P.L.; Abdon, M.M.; Sausen, T.M.; Pinto, S.A.F.; Bertoldo, M.A.; Blanco, J.G.; Czorda, S.M. Macrozoneamento da região do Vale do Paraíba e Litoral Norte do Estado de São Paulo. São José dos Campos, INPE, 1992.176p. (INPE 5381-PRP/165).
Lacerda, M.P.C. Caracterização de agroecossistemas cafeeiros de Minas Gerais por meio do SPRING: parte II. Agroecossistema de Machado. Belo Horizonte: Empresa de Pesquisa Agropecuária de Minas Gerais, 2004.
Leonardi, L. Influência de parâmetros culturais de cafezais sobre os dados TM/LANDSAT-5. São José dos Campos-SP. (INPE-5209-TDL/430). Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 1990.
Lepsch, I.F. Solos: formação e conservação. Brasília: Universidade de São Paulo, 1980. 160 p.
Li, X.; Min, M.; Tan, C. The functional assessment of agricultural ecosystems in Hubei Province, China. Ecological Modelling, v.187, n.2-3, p.352-360, Mar. 2005..
Li, Z. Variation of the accuracy of digital terrain models with sampling interval. Photogrammetric Record, v.14, n.79, p.113-128, 1992.
Mascarenhas, N.D.A.; Velasco, F.R.D. Processamento de imagens. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 1984. 315p. (INPE-3325-PRE/624).
Matiello, J.B. Café: do cultivo ao consumo. São Paulo: Globo, 1991. 320p.
Ministério da Agricultura.Levantamento de Reconhecimento dos Solos da Região sob Influência do Reservatório de Furnas. Rio de Janeiro: MA, 1962. 462 p.
Ministério do Meio Ambiente. Agricultura sustentável. 2000.Brasília: MMA, 2000. 190p. Disponível em: <http://www.mma.gov.br/estruturas/agenda21/_arquivos/agricultura.zip>. Acesso em: 03 jan. 2005.
Minitab. Minitab Statistical Tab. 2000. 1Cd Rom.
149
Moreira, H.J.C. SAACI: sistema agroclimático para o acompanhamento das culturas irrigadas:manual prático para o manejo da irrigação. Brasília: SENAR, 1992. 86 p.
Moreira, M.A. Fundamentos do sensoriamento remoto e metodologias de aplicação. Viçosa, MG: Ed. Universidade de Viçosa, 2003. 307p.
Moreira, M.A.; Adami, M.; Rudorff, B.F.T. Análise espectral e temporal da cultura do café em imagens Landsat. Pesquisa Agropecuária Brasileira, v. 39, p. 223-231, 2004.
National Aeronautics and Space Administration (NASA). MrSid data image. California, 2004. 2 produtos. 219/74 e 219/75. Disponível em: < http://www.jpl.nasa.gov>. Acesso em: 20 jul. 2004.
National Aeronautics and Space Administration (NASA). Shuttle Radar Topography Mission (SRTM) data product. California, 2005. 2 produtos. SRTM – S21W046 e S22W046. Disponível em: < http://www2.jpl.nasa.gov/srtm/dataprelimdescriptions.html>. Acesso em: 20 jan. 2005.
Odum, H.T.; Odum, E.C. A prosperous way down: principles and policies. Colorado, USA: University Press of Colorado, 2001.
Özdamar, L.; Demirhan, M; Özpinar, A. A comparison of spatial interpolation methods and fuzzy areal evaluation scheme in environmental site characterization. Computers Environment and Urban Systems, v.23, n.5, p. 399-423, 1999.
Pellerin, J.; Pouget, J.; Valeriano Filho, M. Metodologia de utilização de dados espaciais Landsat MSS e TM no estudo de uso do solo: região de Marília, SP. Geosul, v. 8, n. 16, p. 79-98, 1993.
Pinter Jr.,P.J.; Jackson,R.D.; Ezra,C.E.;Gausman, H.W. Sun-angle and canopy-architeture effects on the spectral reflectance of six wheat cultivars. International Journal of Remote Sensing, v. 6, n. 12, p. 1813-1825,Dec. 1985.
Ponzoni, F.J. Comportamento espectral da vegetação. In: Meneses, P.R.; Madeira Netto, J.S.(eds.). Sensoriamento remoto: reflectância dos alvos naturais. Brasília: Universidade de Brasília, 2001. Cap. 5, p. 157-199.
Ponzoni, F.J. Parâmetros TM e ETM+. [mensagem pessoal]. Mensagem recebida por: <aurelio@ltid.inpe.br > em 22 nov. 2004.
Prado, H. Solos do Brasil. Piracicaba, SP: Universidade de São Paulo, Câmpus Luiz de Queiroz, 2003. 275 p.
RadamBrasil. Geologia, geomorfologia, pedologia, vegetação e uso potencial da terra. In:Departamento Nacional de Produção Mineral Folha SF 23/24 - Rio de Janeiro/Vitória. Rio de Janeiro: 1983. v. 32, p. 775.
150
Reiss, P. High-quality DTMs. GIM International, v. 16, p. 40-43, 2002.
Rena, A.B.; Malavolta, E.; Rocha, M.; Yamada,T. Cultura do cafeeiro: fatores que afetam a produtividade. Piracicaba, SP: Associação Brasileira para Pesquisa da Potassa e do Fosfato, 1986. 440p.
Rodrigues, G.S. Avaliação de impactos ambientais em projetos de pesquisa II: avaliação da formulação de projetos: versão I. Jaguariúna: EMBRAPA, 1998. 66 p.
Rudorff, B.F.T.; Berka, L.M.S.; Moreira, M.; Duarte, V.; Rosa, V. Estimativa de área plantada com cana-de-açúcar em municípios do Estado de São Paulo por meio de imagens de satélites e técnicas de geoprocessamento: ano safra 2004/2005. (INPE-11421-RPQ/762). 54p. 2004, Disponível em: <http://www.dsr.inpe.br/mapdsr/data/artigos/2004.pdf>. Acesso em: 01 fev. 2006.
Rudorff, B.F.T.; Berka, L.M.S.; Moreira, M.A.; Duarte, V.; Xavier, A.C.; Rosa, V.G.C.; Shimabukuro, Y.E. Imagens de satélite no mapeamento e estimativa de área de cana-de-açúcar em São Paulo: ano safra 2003/04. Revista de Economia Agrícola, v.52, n. 1, p. 21-39, jan. 2005.
Saaty, T.L. Axiomatic foundation of the analytic hierarchy process. Management Science, v. 32, n.7, p. 841-855, July 1986.
Sediyama, G.C.; Melo Junior, J.C.; Santos, A.R.; Ribeiro, A.; Costa, M.H.; Hamakawa, P.J.; Costa, J.M.N.; Costa, L.C. Zoneamento agroclimático do cafeeiro (Coffea arabica L.) para o Estado de Minas Gerais. Revista Brasileira de Agrometeorologia, v. 9, p.501-509, 2001.
Slater, P.N.; Biggar, S.F.; Holm, R.G.; Jackson, R.D.; Mao, M.S.; Moran, J.M. Reflectance- and radiance-based methods for the in-flight absolute calibration of multispectral sensors . Remote Sensing of Environment, v.22, n.1, p. 11-37, Junho 1987.
Strahler, A.H.; Logan, T.L.; Bryant, N.A. Improving forest cover classification accuracy from Landsat by incorporating topographic information. In: International Symposium on Remote Sensing of Environment, Ann Arbor, 1978. Anais... Ann Arbor, MI: [S.n.], 1978. p. 20-26.
Tardin, A. T. Análise preliminar de imagens TM visando a discriminação de café, citrus e cana-de-açúcar na região de Furnas-MG. São José dos Campos,SP: Instituto Nacional de Pesquisas Espaciais, 1990. (INPE-5066-RPE/622).
The Environment for Visualizing Images (ENVI) 4.1. Boulder, CO: Research Systems. 2004.
151
Thirumalaivasan,D.; Karmegam,M.; Venugopal,K. AHP-Drastic: software for specific aquifer vulnerability assessment using Drastic model and GIS. Environmental Modelling & Software, v.18, p.645-656, Feb. 2003 Disponível em: <www.elsevier.com/locate/envsoft>. Acesso em 5 jan. 2006.
Tomlin, C.D. Technical Issues. In: Maguirre, D.J.; Goodchild, M.F.; Rhind, D.W. (eds.). Geographical information systems: principles and applications. Harlow: Longman Scientific and Technical, 1991. v. 1, n.23, p. 361-375.
Tucker, C.J.; Grant, D.M.; Dykstra, J.D. NASA’s Global Orthorectified Landsat Data Set. Photogrammetric Engineering & Remote Sensing, v.70, n.3, p.313-322, Mar. 2004.
Universidade Estadual de Campinas (UNICAMP). Zoneamento climático do café. 2005. Disponível em: <http://www.cpa.unicamp.br/cafe/index.shtml-flash.html>. Acesso em: 10 maio 2005.
Valeriano, M.M.; Moraes, J.F.L. Extração de rede de drenagem e divisores por processamento digital de dados topográficos. In: Simposio Brasileiro de Sensoriamento Remoto, 10., Foz do Iguaçu, 2001. Anais... São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2001.
Valeriano, M.M. Curvatura vertical de vertentes em microbacias pela análise de modelos digitais de elevação. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 7, n. 3, p. 539-546, nov. 2003.
Valeriano, M.M. Modelo digital de elevação com dados SRTM disponíveis para a América do Sul. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2004. 72p.
Van Zyl, J.J. The Shuttle Radar Topography Mission (SRTM): a breakthrough in remote sensing of topography. Acta Astronáutica, v.48, n.5-12, p.559-565, 2001.
Venturieri, A. Utilização da segmentação de imagens e lógica nebulosa para treinamento de uma rede neural artificial na caracterização de classes de uso da terra na região de Tucuruí - PA. 1999. 111p. (INPE-6645-TDI/622). Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 1999.
Vieira, T.G.C.; Lacerda, M.P.C.; Alves, H.M.R. Imagens orbitais aplicadas ao levantamento da cultura do café em Minas Gerais. In: Simpósio de Pesquisa dos Cafés do Brasil, 2. Vitória, ES, 2001. Anais... Vitória: Consórcio Brasileiro de Pesquisas, 2001.
152
Wood, J. The geomorphological characterisation of Digital Elevation Models. 1996. 184p. Tese (Doutorado em Information Science) - City University of London, London, 1996.
Zambolim, L. Tecnologia de produção de café com qualidade. Viçosa,MG: Universidade Federal de Viçosa, 2001. 648 p.
Zhang,B.; Zhang, Y.; Chen,D.; White,R.E.; Li,Y. A quantitative evaluation system of soil productivity for intensive agriculture in China. Geoderma, v.123, p.319-331, Mar. 2004.
Zimback. C.R.L. Mapa de solos da bacia do Rio Pardo (SP). Botucatu: Universidade Estadual Paulista, 1997. 55 p.
153
APÊNDICE
PONTOS DE GPS COLETADOS EM CAMPO
X Y OBSERVAÇÕES GERAIS20 57 21.0 45 30 54.9 café com poda drástica20 58 12.3 45 30 15.6 café podado e abandonado20 58 05.8 45 30 07.1 café formado Referência: porteira20 58 33 45 29 24.8 café novo com 1,5 anos
20 58 32.4 45 29 22.8 pastagem20 59 48.3 45 28 19.8 café seco+café novo, com lavoura acima20 59 40.5 45 27 56.6 café seco+banana+capoeira+pastagem20 59 52.0 45 26 56.6 café pequeno+pasto20 59 40.3 45 24 52.3 café com cerrado próximo20 59 57.1 45 25 07.3 cerrado + pasto no alto do morro20 56 07.2 45 28 26.6 café21 02 25.3 45 23 27.4 café21 02 51.7 45 23 24.5 lavoura de café velha21 02 55.3 45 23 25.3 café: à esquerda e direita do ponto21 03 22.9 45 22 49 café ao lado do campo e no alto do morro21 00 36.8 45 27 07.5 café catuai, bem formado21 00 38.7 45 27 06.4 café catuai bem formado,próximo à represa café + cana.20 59 40.5 45 28 06.3 café no morro20 57 07.1 45 28 18.3 faixa de eucalipto estreita20 54 22.4 45 23 21.2 café no alto do morro e lavoura colhida20 53 34.3 45 23 16.5 pasto+cana na beira da estrada. Café a montante e jusante20 53 55.9 45 23 43.6 café bem formado, 1,70 altura20 54 14.9 45 24 48.7 pasto na beira da estrada. Café bem distante20 53 58.7 45 26 04.6 café fechado + solo arado na beira da estrada20 54.092 45 26.489 ponto de referencia20 55 17.7 45 27 10.6 café novo, com gramíneas até o rio, café desfolhado e banana perto da estrada20 55.15 45 27.198 pasto+café de divisa - foto: casa20 55 35 45 25 51.7 café porte baixo, semi-desfolhado com solo aparente
21 03 59.6 45 39 16.3 café21 04 18.2 45 39 35.7 pasto (direita e esquerda)21 04 10.3 45 39 27.2 café21 02 52.8 45 41 26.4 café pequeno21 03 40.8 45 45 12.0 brejo-Beira da Estrada21 03 55.3 45 34 51.4 lavoura de Milho Colhido - café ao fundo20 59 24.7 45 34 20.4 café com lago ao fundo, pasto e lavoura ruim20 58 56.3 45 33 26.8 café de 2 anos20 58 23.9 45 31 21.5 ponte-Ponto Referência20 51 51.9 45 31 05.3 tangerina e café20 50 33.2 45 31 36.7 café a esquerda do ponto, estrada, jusante lavoura e eucalipto
155
X Y OBSERVAÇÕES GERAIS20 49 25.6 45 32 33.2 eucalipto pequeno com pastagem ao redor e café próximo20 48 59.6 45 32 46.3 pasto e café a jusante20 48 04.8 45 32 54.3 mandioca e café - beira da estrada20 47 39.7 45 32 38.4 café bem formado, com entrelinhas abertas20 48 07.8 45 34 18.9 ponto central, não há café ao redor, várzea e eucalipto próximos20 49 18.8 45 34 27.7 ponto com café em ambos os lados20 50 06.6 45 33 28.3 beira da estrada, com área de café a direita e esquerda, a montante pastagem20 50 35.8 45 33 25.4 lavoura de café novo e velho20 52 40.5 45 33 12.3 ponto na estrada, com café bem vigoroso contrastando com o pasto que era café20 53 54.2 45 33 26.6 eucalipto e café no fundo do vale20 54 28.2 45 32 58.9 pasto com café próximo20 52 55.6 45 31 25.5 ponto do Cristo redentor, com café abaixo20 55 11.3 45 14 38.8 café colhido, porte de 1,90m, beira da rodovia, café em ambos os lados20 56 11.3 45 14 07.8 café em todo o vale20 57 15.3 45 12 53.9 ponto de referencia com três lavouras de café pequenas no alto do morro20 59 31.2 45 21 09.3 lavoura de alto porte no alto do morro, com resposta espectral de solo + palha20 59 48.9 45 13 49.7 eucalipto - alto do morro20 59 45.3 45 13 57.6 café ralo+café vigoroso20 59 44.5 45 13 40.2 café morro abaixo20 59 28.9 45 12 27.3 café ralo no alto do morro20 56 45.6 45 13 03.6 alto do morro sem café20 52 46.7 45 14 34.6 café sem folhas, atacado por cigarrinha20 52 38.6 45 13 39.9 ponto cercado por café de porte baixo em todas as direções20 52 53.7 45 13 17.8 café de porte alto desfolhado20 53 02.5 45 12 55.9 café de médio porte, em todas as direções, com maior resposta espectral do solo20 53 27.6 45 12 40.4 café, porte alto, desfolhado, com alta resposta espectral do solo20 53 39.9 45 12 05.8 café20 53 40.6 45 12 03.4 café recepado, com maior resposta espectral do solo 20 53 48.6 45 11 47.7 ponto com café alto e solo coberto20 53 46.5 45 11 12.8 ponto de referencia no alto do morro: café na parte baixa20 53 38.9 45 10 36.2 café, lavoura nova plantada em nível no alto do morro20 53 37.8 45 10 36.8 café homogêneo de porte alto. Em pontos a jusante não há café20 53 24.3 45 10 41.7 eucalipto20 52 51.4 45 11 27.8 café bem formado, pouca resposta do solo20 52 24.8 45 09 11.9 café. Foto-Ref: marco+café20 52 01.9 45 09 11.9 cana-de-açúcar ao lado da estrada20 52 20.2 45 07 26.5 ponto com lavouras de café próximas20 52 21.1 45 06 57.2 café de porte alto, desfolhado20 51 24.1 45 07 20.4 café novo com solo exposto (2anos)20 51 34.6 45 07 05.9 ponto de referência com lavoura de café no alto do morro20 51 28.9 45 07 14.1 café alto, desfolhado, alta resposta do solo20 51 22.7 45 07 02.4 lavoura de café ruim20 51 27.5 45 06 45.3 cana-de-açúcar, com café na parte alta20 51 38.6 45 06 28.8 café alto do morro, talhão em forma triangular20 52 06 45 05 24.1 cana-de-açúcar
20 51 53.3 45 05 18 ponto com café local e a jusante, perto da estrada
156
X Y OBSERVAÇÕES GERAIS20 51 16.1 45 05 58.8 café bicolor, com lavouras contiguas20 49 26.7 45 07 59.2 café desfolhado20 53 18.9 45 15 12.9 ponto de café com 3 anos, porte baixo. A jusante outra lavoura de café20 53 21.5 45 17 51.6 café fechado, +- 150ha20 53 28 45 18 38.9 café no ponto e eucalipto a montante
20 53 30.4 45 19 13.09 café bem formado, com outra lavoura em sentido oposto20 53 29.5 45 19 31.6 café recepado+café formado20 51 43.2 45 18 24.7 ponto na beira da estrada - café adensado nos dois lados da estrada
157