Mapeamento dos estádios fenológicos da cultura do milho utilizando o NDVI derivado dos sensores OLI e MODIS
DOI:
https://doi.org/10.5433/1679-0359.2020v41n5p1517Palavras-chave:
Índice de vegetação, Imagens de satélite, Sensoriamento remoto, Zea mays L.Resumo
O conhecimento da fenologia das culturas é relevante para uma série de ações relacionadas ao seu manejo e pode ser acessada por meio de índices de vegetação. Portanto, objetivou-se com este trabalho avaliar o potencial do uso do Índice de Vegetação por Diferença Normalizada (NDVI), calculado a partir de imagens dos sensores OLI e MODIS para obter informações fenológicas da cultura do milho. Para tanto, foram utilizadas duas áreas de cultivo de milho irrigadas por sistema de pivô central na região oeste do estado da Bahia, Brasil. Estas áreas foram manejadas com alta tecnologia e sem registro de ocorrência de estresses bióticos e abióticos. O NDVI apresentou um padrão temporal bem definido ao longo do ciclo de desenvolvimento, com rápido incremento no início do desenvolvimento, estabilização nos estádios intermediários, e decréscimos na parte final do ciclo. Excelentes ajustes para as equações polinomiais foram obtidos para estimar o NDVI em função dos dias após a semeadura (DAS), com R² de 0,96 e 0,95 para as imagens do sensor OLI e MODIS, respectivamente, demonstrando que os sensores são capazes de caracterizar temporalmente as modificações do dossel da cultura do milho ao longo do ciclo. Intervalos de valores de NDVI foram correlacionados com os principais estádios fenológicos (EF) da cultura do milho, utilizando a relação direta de ambas as variáveis (NDVI e EF) com os dias após a semeadura (DAS). Os intervalos de valores de NDVI para o início e final de cada estádio fenológico foram validados através do teste de identidade do modelo, tornando o NDVI uma variável adequada para ser utilizada no acesso a fenologia do milho com precisão de maneira remota. Por fim, esses valores também são uma importante ferramenta para detecção de problemas bióticos e abióticos ao longo do ciclo de cultivo e para tomadas de decisão baseadas na fenologia da cultura.Downloads
Não há dados estatísticos.
Referências
Adole, T., Dash, J., & Atkinson, P. M. (2016). Ecological informatics a systematic review of vegetation phenology in Africa. Ecological Informatics, 34, 117-128. doi: 10.1016/j.ecoinf.2016.05.004
Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). Crop evapotranspiration: guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper No. 56. Rome, Italy: Food and Agriculture Organization of the United Nations.
Alvares, C. A., Stape, J. L., Sentelhas, P. C., Moraes Gonçalves, J. L. de, & Sparovek, G. (2013). Köppen’s climate classification map for Brazil. Meteorologische Zeitschrift, 22(6), 711-728. doi: 10.1127/0941-2948/2013/0507
Atzberger, C. (2013). Advances in remote sensing of agriculture: Context description, existing operational monitoring systems and major information needs. Remote Sensing, 5(2), 949-981. doi: 10.3390/rs5020949
Battude, M., Al Bitar, A., Morin, D., Cros, J., Huc, M., Marais Sicre, C., & Demarez, V. (2016). Estimating maize biomass and yield over large areas using high spatial and temporal resolution Sentinel-2 like remote sensing data. Remote Sensing of Environment, 184, 668-681. doi: 10.1016/j.rse.2016.07.030
Bergamaschi, H., Dalmago, G. A., Comiran, F., Bergonci, J. I., Müller, A. G., França, S., & Pereira, P. G. (2006). Deficit hídrico e produtividade na cultura do milho. Pesquisa Agropecuaria Brasileira, 41(2), 243-249. doi: 10.1590/S0100-204X2006000200008
Bernardo, S., Mantovani, E. C., Silva, D. D., & Soares, A. A. (2019). Manual de irrigação. Viçosa, MG: Editora UFV.
Bertolin, N. de O., Filgueiras, R., Venancio, L. P., & Mantovani, E. C. (2017). Predição da produtividade de milho irrigado com auxílio de imagens de satélite. Revista Brasileira de Agricultura Irrigada, 11(4), 1627-1638. doi: 10.7127/rbai.v11n400567
Borges, I. D., Von Pinho, R. G., & Pereira, J. L. D. A. R. (2009). Acúmulo de micronutrientes em híbridos de milho em diferentes estádios de desenvolvimento. Ciência e Agrotecnologia, 33(4), 1018-1025. doi: 10.1590/S1413-70542009000400011
Campos, I., González-Gómez, L., Villodre, J., González-Piqueras, J., Suyker, A. E., & Calera, A. (2018). Remote sensing-based crop biomass with water or light-driven crop growth models in wheat commercial fields. Field Crops Research, 216, 175-188. doi: 10.1016/j.fcr.2017.11.025
Castro, A. I., Six, J., Plant, R. E., & Peña, J. M. (2018). Mapping crop calendar events and phenology-related metrics at the parcel level by object-based image analysis (OBIA) of MODIS-NDVI time-series: a case study in central California. Remote Sensing, 10(11), 973. doi: 10.3390/rs10111745
Cross, H. Z., & Zuber, M. S. (1972). Prediction of flowering dates in maize based on different methods of estimating thermal units 1. Agronomy Journal, 64(3), 351-355. doi: 10.2134/agronj1972. 00021962006400030029x
Cruz, C. D. (2001). Programa GENES - versão windows. Aplicativo computacional em genética e estatística. Viçosa, MG: Editora UFV.
Cutforth, H. W., & Shaykewich, C. F. (1990). A temperature response function for corn development. Agricultural and Forest Meteorology, 50(3), 159-171. doi: 10.1016/0168-1923(90)90051-7
Ding, Y., Zhao, K., Zheng, X., & Jiang, T. (2014). Temporal dynamics of spatial heterogeneity over cropland quantified by time-series NDVI, near infrared and red reflectance of Landsat 8 OLI imagery. International Journal of Applied Earth Observation and Geoinformation, 30(1), 139-145. doi: 10.1016/j.jag.2014.01.009
European Space Agency (2015). SENTINEL-2 User Handbook. European Space Agency. Retrieved from https://sentinel.esa.int/documents/247904/685211/Sentinel-2_User_Handbook
Fancelli, A. L., & Dourado, D., Neto. (2000). Produção de milho (2a ed.). Guaiba, RS: Agropecuária.
Fontana, D. C., Pinto, D. G., Junges, A. H., & Bremm, C. (2015). Using temporal NDVI/MODIS profiles for inferences on the crop soybean calendar. Bragantia, 74(3), 350-358. doi: 10.1590/1678-4499.0439
Forsthofer, E. L., Silva, P. R. F. D., Argenta, G., Strieder, M. L., Suhre, E., & Rambo, L. (2004). Desenvolvimento fenológico e agronômico de três híbridos de milho em três épocas de semeadura. Ciência Rural, 34(5), 1341-1348. doi: 10.1590/S0103-84782004000500004
Gadioli, J. L., Dourado, D., Neto, García, A. G., & Basanta, M. D. V. (2000). Temperatura do ar, rendimento de grãos de milho e caracterização fenológica associada à soma calórica. Scientia Agricola, 57(3), 377-383. doi: 10.1590/S0103-90162000000300001
Gitelson, A. A., Peng, Y., & Huemmrich, K. F. (2014). Relationship between fraction of radiation absorbed by photosynthesizing maize and soybean canopies and NDVI from remotely sensed data taken at close range and from MODIS 250m resolution data. Remote Sensing of Environment, 147, 108-120. doi: 10.1016/j.rse.2014.02.014
Guindin-Garcia, N., Gitelson, A. A., Arkebauer, T. J., Shanahan, J., & Weiss, A. (2012). An evaluation of MODIS 8- and 16-day composite products for monitoring maize green leaf area index. Agricultural and Forest Meteorology, 161, 15-25. doi: 10.1016/j.agrformet.2012.03.012
Hanway, J. J. (1966). How a corn plant develops. How a corn plant develops. (Special Report, 38). Ames: Iowa State University of Science and Technology Cooperative Extension Service.
Hatfield, J. L., & Prueger, J. H. (2010). Value of using different vegetative indices to quantify agricultural crop characteristics at different growth stages under varying management practices. Remote Sensing, 2(2), 562-578. doi: 10.3390/rs2020562
Huang, S., Miao, Y., Zhao, G., Yuan, F., Ma, X., Tan, C., & Bareth, G. (2015). Satellite remote sensing-based in-season diagnosis of rice nitrogen status in Northeast China. Remote Sensing, 7(8), 10646-10667. doi: 10.3390/rs70810646
Huete, A., Justice, C., & Leeuwen, W. (1999). MODIS vegetation index (MOD 13) - Algorithm Theoretical Basis Document Version 3. Washington: National Aeronautics and Space Administration, 129 p.
Instituto Nacional de Meteorologia (2018). Normais Climatológicas do Brasil 1961-1990. Recuperado de http://www.inmet.gov.br/portal/normais_climatologicas/mobile/index.html#p=1
Jayawardhana, W. G. N. N., & Chathurange, V. M. I. (2016). Extraction of agricultural phenological parameters of Sri Lanka using MODIS, NDVI time series data. Procedia Food Science, 6, 235-241. doi: 10.1016/j.profoo.2016.02.027
Jensen, J. R. (2011). Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. São José dos Campos, SP: Parêntese.
Ji, L., & Peters, A. J. (2007). Performance evaluation of spectral vegetation indices using a statistical sensitivity function. Remote Sensing of Environment, 106(1), 59-65. doi: 10.1016/j.rse.2006.07.010
Justice, C. O., Townshend, J. R. G., Vermote, E. F., Masuoka, E., Wolfe, R. E., Saleous, N., & Morisette, J. T. (2002). An overview of MODIS Land data processing and product status. Remote Sensing of Environment, 83(1-2), 3-15. doi: 10.1016/S0034-4257(02)00084-6
Kalfas, J. L., Xiao, X., Vanegas, D. X., Verma, S. B., & Suyker, A. E. (2011). Modeling gross primary production of irrigated and rain-fed maize using MODIS imagery and CO2 flux tower data. Agricultural and Forest Meteorology, 151(12), 1514-1528. doi: 10.1016/j.agrformet.2011.06.007
Khanal, S., Fulton, J., & Shearer, S. (2017). An overview of current and potential applications of thermal remote sensing in precision agriculture. Computers and Electronics in Agriculture, 139, 22-32. doi: 10.1016/j.compag.2017.05.001
Kozlowski, L. A. (2002). Período crítico de interferência das plantas daninhas na cultura do milho baseado na fenologia da cultura. Planta Daninha, 20(3), 365-372. doi: 10.1590/S0100-83582002000300006
Kozlowski, L. A., Koehler, H. S., & Pitelli, R. A. (2009). Épocas e extensões do período de convivência das plantas daninhas interferindo na produtividade da cultura do milho (Zea mays). Planta Daninha, 27(3), 481-490. doi: 10.1590/S0100-83582009000300008
Kross, A., McNairn, H., Lapen, D., Sunohara, M., & Champagne, C. (2015). Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops. International Journal of Applied Earth Observation and Geoinformation, 34(1), 235-248. doi: 10.1016/j.jag.2014.08.002
Kuplich, T. M., Moreira, A., & Fontana, D. C. (2013). Série temporal de índice de vegetação sobre diferentes tipologias vegetais no Rio Grande do Sul. Revista Brasileira de Engenharia Agrícola e Ambiental, 17(10), 1116-1123. doi: 10.1590/s1415-43662013001000014
Li, F., Miao, Y., Feng, G., Yuan, F., Yue, S., Gao, X., & Chen, X. (2014). Improving estimation of summer maize nitrogen status with red edge-based spectral vegetation indices. Field Crops Research, 157, 111-123. doi: 10.1016/j.fcr.2013.12.018
Maresma, Á., Ariza, M., Martínez, E., Lloveras, J., & Martínez-Casasnovas, J. A. (2016). Analysis of vegetation indices to determine nitrogen application and yield prediction in maize (Zea Mays L.) from a standard uav service. Remote Sensing, 8(12), 1-15. doi: 10.3390/rs8120973
Martins, K. V., Dourado- D., Neto, Reichardt, K., Favarin, J. L., Sartori, F. F., Felisberto, G., & Mello, S. C. (2017). Maize dry matter production and macronutrient extraction model as a new approach for fertilizer rate estimation. Anais da Academia Brasileira de Ciencias, 89(1), 705-716. doi: 10.1590/0001-3765201720160525
Matsushita, B., Yang, W., Chen, J., Onda, Y., & Qiu, G. (2007). Sensitivity of the Enhanced Vegetation Index (EVI) and Normalized Difference Vegetation Index (NDVI) to topographic effects: a case study in high-density cypress forest. Sensors, 7, 2636-2651. doi: 10.3390/s7112636
Pan, Z., Huang, J., Zhou, Q., Wang, L., Cheng, Y., Zhang, H., & Liu, J. (2015). Mapping crop phenology using NDVI time-series derived from HJ-1 A/B data. International Journal of Applied Earth Observation and Geoinformation, 34(1), 188-197. doi: 10.1016/j.jag.2014.08.011
Ponzoni, F. J., Shimabukuro, Y. E., & Kuplich, T. M. (2012). Sensoriamento remoto da vegetação (2a ed.). São Paulo, SP: Oficina de Textos.
Povh, F. P., Molin, J. P., Gimenez, L. M., Pauletti, V., Molin, R., & Salvi, J. V. (2008). Comportamento do NDVI obtido por sensor ótico ativo em cereais. Pesquisa Agropecuaria Brasileira, 43(8), 1075-1083. doi: 10.1590/S0100-204X2008000800018
QGIS Development Team (2019). Geographic Information System (QGIS) software, version 3.6.1. Open source geospatial foundation project. Retrieved from https://qgis.org/en/site/index.html
Regazzi, A. J. (1993). Teste para se verificar a identidade de modelos de regressão e a igualdade de alguns parâmetros num modelo polinomial ortogonal. Revista Ceres, 40(228), 176-195.
Ritchie, S. W., Hanway, J. J., & Benson, G. O. (1993). How a corn plant develops. Ames: Iowa State University of Science and Technology Cooperative Extension Service. (Special Report, 48).
Rizzard, M. A., Silva, L. F., & Vargas, L. (2006). Controle de plantas daninhas em milho em função de quantidades de palha de nabo forrageiro. Planta Daninha, 24(2), 263-270. doi: 10.1590/S0100-83582006000200008
Rouse, J. W., Hass, R. H., Schell, J. A., & Deering, D. W. (1973). Monitoring vegetation systems in the great plains with ERTS. Proceedings of the Third Earth Resources Technology Satellite-1 Symposium, Washington, D.C., USA.
Roy, D. P., Wulder, M. A., Loveland, T. R., Woodcock, C. E., Allen, R. G., Anderson, M. C., & Zhu, Z. (2014). Landsat-8: Science and product vision for terrestrial global change research. Remote Sensing of Environment, 145, 154-172. doi: 10.1016/j.rse.2014.02.001
Sakamoto, T., Yokozawa, M., Toritani, H., Shibayama, M., Ishitsuka, N., & Ohno, H. (2005). A crop phenology detection method using time-series MODIS data. Remote Sensing of Environment, 96(3-4), 366-374. doi: 10.1016/j.rse.2005.03.008
Santos, H. G., Carvalho, W., Jr., Dart, R. de O., Áglio, M. L. D., Sousa, J. S., Pares, J. G., & Oliveira, A. P. O. (2011). O novo mapa de solos do Brasil: legenda atualizada, escala 1:5.000.000 (1st ed.). Rio de Janeiro, RJ, Brasil: EMBRAPA Solos.
Soufizadeh, S., Munaro, E., McLean, G., Massignam, A., Van Oosterom, E. J., Chapman, S. C., & Hammer, G. L. (2018). Modelling the nitrogen dynamics of maize crops - Enhancing the APSIM maize model. European Journal of Agronomy, 100(2016), 118-131. doi: 10.1016/j.eja.2017.12.007
Tsimba, R., Edmeades, G. O., Millner, J. P., & Kemp, P. D. (2013). The effect of planting date on maize: Phenology, thermal time durations and growth rates in a cool temperate climate. Field Crops Research, 150, 145-155. doi: 10.1016/j.fcr.2013.05.021
United States Geological Survey (2016). Landsat 8 (L8) data users handbook. Version 2.0. Department of the Interior U.S. Geological Survey, United States Geological Survey. Retrieved from https://www.usgs.gov/land-resources/nli/landsat/landsat-8-data-users-handbook
Venancio, Cunha, Mantovani, Amaral, & Reis. (2019). Evapotranspiração de cultura: uma abordagem dos principais métodos aplicados às pesquisas científicas e na agricultura. Irriga, 24 (3), 719-746. doi: 10.15809/irriga.2019v24n4p719-746
Vermote, E. F. (2015). MODIS surface reflectance user’s guide. Collection 6. MODIS land surface reflectance science computing facility. Retrieved from https://modisland.gsfc.nasa.gov/pdf/MOD09_ UserGuide_v1.4.pdf
Wang, M., Tao, F. L., & Shi, W. J. (2014). Corn yield forecasting in northeast china using remotely sensed spectral indices and crop phenology metrics. Journal of Integrative Agriculture, 13(7), 1538-1545. doi: 10.1016/S2095-3119(14)60817-0
Wardlow, B. D., & Egbert, S. L. (2008). Large-area crop mapping using time-series MODIS 250 m NDVI data: an assessment for the U.S. Central Great Plains. Remote Sensing of Environment, 112(3), 1096-1116. doi: 10.1016/j.rse.2007.07.019
Xiao, J., & Moody, A. (2005). A comparison of methods for estimating fractional green vegetation cover within a desert-to-upland transition zone in central New Mexico, USA. Remote Sensing of Environment, 98(2-3), 237-250. doi: 10.1016/j.rse.2005.07.011
Zanzarini, F. V., Pissarra, T. C. T., Brandao, F. J. C., & Teixeira, D. D. B. (2013). Spatial correlation of the vegetation index (NDVI) of a Landsat/ETM plus images with soil attributes. Revista Brasileira de Engenharia Agricola e Ambiental, 17(6), 608-614. doi: 10.1590/S1415-43662013000600006
Zheng, Y., Wu, B., Zhang, M., & Zeng, H. (2016). Crop phenology detection using high spatio-temporal resolution data fused from SPOT5 and MODIS products. Sensors, 16(12), 2099. doi: 10.3390/s16122099
Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). Crop evapotranspiration: guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper No. 56. Rome, Italy: Food and Agriculture Organization of the United Nations.
Alvares, C. A., Stape, J. L., Sentelhas, P. C., Moraes Gonçalves, J. L. de, & Sparovek, G. (2013). Köppen’s climate classification map for Brazil. Meteorologische Zeitschrift, 22(6), 711-728. doi: 10.1127/0941-2948/2013/0507
Atzberger, C. (2013). Advances in remote sensing of agriculture: Context description, existing operational monitoring systems and major information needs. Remote Sensing, 5(2), 949-981. doi: 10.3390/rs5020949
Battude, M., Al Bitar, A., Morin, D., Cros, J., Huc, M., Marais Sicre, C., & Demarez, V. (2016). Estimating maize biomass and yield over large areas using high spatial and temporal resolution Sentinel-2 like remote sensing data. Remote Sensing of Environment, 184, 668-681. doi: 10.1016/j.rse.2016.07.030
Bergamaschi, H., Dalmago, G. A., Comiran, F., Bergonci, J. I., Müller, A. G., França, S., & Pereira, P. G. (2006). Deficit hídrico e produtividade na cultura do milho. Pesquisa Agropecuaria Brasileira, 41(2), 243-249. doi: 10.1590/S0100-204X2006000200008
Bernardo, S., Mantovani, E. C., Silva, D. D., & Soares, A. A. (2019). Manual de irrigação. Viçosa, MG: Editora UFV.
Bertolin, N. de O., Filgueiras, R., Venancio, L. P., & Mantovani, E. C. (2017). Predição da produtividade de milho irrigado com auxílio de imagens de satélite. Revista Brasileira de Agricultura Irrigada, 11(4), 1627-1638. doi: 10.7127/rbai.v11n400567
Borges, I. D., Von Pinho, R. G., & Pereira, J. L. D. A. R. (2009). Acúmulo de micronutrientes em híbridos de milho em diferentes estádios de desenvolvimento. Ciência e Agrotecnologia, 33(4), 1018-1025. doi: 10.1590/S1413-70542009000400011
Campos, I., González-Gómez, L., Villodre, J., González-Piqueras, J., Suyker, A. E., & Calera, A. (2018). Remote sensing-based crop biomass with water or light-driven crop growth models in wheat commercial fields. Field Crops Research, 216, 175-188. doi: 10.1016/j.fcr.2017.11.025
Castro, A. I., Six, J., Plant, R. E., & Peña, J. M. (2018). Mapping crop calendar events and phenology-related metrics at the parcel level by object-based image analysis (OBIA) of MODIS-NDVI time-series: a case study in central California. Remote Sensing, 10(11), 973. doi: 10.3390/rs10111745
Cross, H. Z., & Zuber, M. S. (1972). Prediction of flowering dates in maize based on different methods of estimating thermal units 1. Agronomy Journal, 64(3), 351-355. doi: 10.2134/agronj1972. 00021962006400030029x
Cruz, C. D. (2001). Programa GENES - versão windows. Aplicativo computacional em genética e estatística. Viçosa, MG: Editora UFV.
Cutforth, H. W., & Shaykewich, C. F. (1990). A temperature response function for corn development. Agricultural and Forest Meteorology, 50(3), 159-171. doi: 10.1016/0168-1923(90)90051-7
Ding, Y., Zhao, K., Zheng, X., & Jiang, T. (2014). Temporal dynamics of spatial heterogeneity over cropland quantified by time-series NDVI, near infrared and red reflectance of Landsat 8 OLI imagery. International Journal of Applied Earth Observation and Geoinformation, 30(1), 139-145. doi: 10.1016/j.jag.2014.01.009
European Space Agency (2015). SENTINEL-2 User Handbook. European Space Agency. Retrieved from https://sentinel.esa.int/documents/247904/685211/Sentinel-2_User_Handbook
Fancelli, A. L., & Dourado, D., Neto. (2000). Produção de milho (2a ed.). Guaiba, RS: Agropecuária.
Fontana, D. C., Pinto, D. G., Junges, A. H., & Bremm, C. (2015). Using temporal NDVI/MODIS profiles for inferences on the crop soybean calendar. Bragantia, 74(3), 350-358. doi: 10.1590/1678-4499.0439
Forsthofer, E. L., Silva, P. R. F. D., Argenta, G., Strieder, M. L., Suhre, E., & Rambo, L. (2004). Desenvolvimento fenológico e agronômico de três híbridos de milho em três épocas de semeadura. Ciência Rural, 34(5), 1341-1348. doi: 10.1590/S0103-84782004000500004
Gadioli, J. L., Dourado, D., Neto, García, A. G., & Basanta, M. D. V. (2000). Temperatura do ar, rendimento de grãos de milho e caracterização fenológica associada à soma calórica. Scientia Agricola, 57(3), 377-383. doi: 10.1590/S0103-90162000000300001
Gitelson, A. A., Peng, Y., & Huemmrich, K. F. (2014). Relationship between fraction of radiation absorbed by photosynthesizing maize and soybean canopies and NDVI from remotely sensed data taken at close range and from MODIS 250m resolution data. Remote Sensing of Environment, 147, 108-120. doi: 10.1016/j.rse.2014.02.014
Guindin-Garcia, N., Gitelson, A. A., Arkebauer, T. J., Shanahan, J., & Weiss, A. (2012). An evaluation of MODIS 8- and 16-day composite products for monitoring maize green leaf area index. Agricultural and Forest Meteorology, 161, 15-25. doi: 10.1016/j.agrformet.2012.03.012
Hanway, J. J. (1966). How a corn plant develops. How a corn plant develops. (Special Report, 38). Ames: Iowa State University of Science and Technology Cooperative Extension Service.
Hatfield, J. L., & Prueger, J. H. (2010). Value of using different vegetative indices to quantify agricultural crop characteristics at different growth stages under varying management practices. Remote Sensing, 2(2), 562-578. doi: 10.3390/rs2020562
Huang, S., Miao, Y., Zhao, G., Yuan, F., Ma, X., Tan, C., & Bareth, G. (2015). Satellite remote sensing-based in-season diagnosis of rice nitrogen status in Northeast China. Remote Sensing, 7(8), 10646-10667. doi: 10.3390/rs70810646
Huete, A., Justice, C., & Leeuwen, W. (1999). MODIS vegetation index (MOD 13) - Algorithm Theoretical Basis Document Version 3. Washington: National Aeronautics and Space Administration, 129 p.
Instituto Nacional de Meteorologia (2018). Normais Climatológicas do Brasil 1961-1990. Recuperado de http://www.inmet.gov.br/portal/normais_climatologicas/mobile/index.html#p=1
Jayawardhana, W. G. N. N., & Chathurange, V. M. I. (2016). Extraction of agricultural phenological parameters of Sri Lanka using MODIS, NDVI time series data. Procedia Food Science, 6, 235-241. doi: 10.1016/j.profoo.2016.02.027
Jensen, J. R. (2011). Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. São José dos Campos, SP: Parêntese.
Ji, L., & Peters, A. J. (2007). Performance evaluation of spectral vegetation indices using a statistical sensitivity function. Remote Sensing of Environment, 106(1), 59-65. doi: 10.1016/j.rse.2006.07.010
Justice, C. O., Townshend, J. R. G., Vermote, E. F., Masuoka, E., Wolfe, R. E., Saleous, N., & Morisette, J. T. (2002). An overview of MODIS Land data processing and product status. Remote Sensing of Environment, 83(1-2), 3-15. doi: 10.1016/S0034-4257(02)00084-6
Kalfas, J. L., Xiao, X., Vanegas, D. X., Verma, S. B., & Suyker, A. E. (2011). Modeling gross primary production of irrigated and rain-fed maize using MODIS imagery and CO2 flux tower data. Agricultural and Forest Meteorology, 151(12), 1514-1528. doi: 10.1016/j.agrformet.2011.06.007
Khanal, S., Fulton, J., & Shearer, S. (2017). An overview of current and potential applications of thermal remote sensing in precision agriculture. Computers and Electronics in Agriculture, 139, 22-32. doi: 10.1016/j.compag.2017.05.001
Kozlowski, L. A. (2002). Período crítico de interferência das plantas daninhas na cultura do milho baseado na fenologia da cultura. Planta Daninha, 20(3), 365-372. doi: 10.1590/S0100-83582002000300006
Kozlowski, L. A., Koehler, H. S., & Pitelli, R. A. (2009). Épocas e extensões do período de convivência das plantas daninhas interferindo na produtividade da cultura do milho (Zea mays). Planta Daninha, 27(3), 481-490. doi: 10.1590/S0100-83582009000300008
Kross, A., McNairn, H., Lapen, D., Sunohara, M., & Champagne, C. (2015). Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops. International Journal of Applied Earth Observation and Geoinformation, 34(1), 235-248. doi: 10.1016/j.jag.2014.08.002
Kuplich, T. M., Moreira, A., & Fontana, D. C. (2013). Série temporal de índice de vegetação sobre diferentes tipologias vegetais no Rio Grande do Sul. Revista Brasileira de Engenharia Agrícola e Ambiental, 17(10), 1116-1123. doi: 10.1590/s1415-43662013001000014
Li, F., Miao, Y., Feng, G., Yuan, F., Yue, S., Gao, X., & Chen, X. (2014). Improving estimation of summer maize nitrogen status with red edge-based spectral vegetation indices. Field Crops Research, 157, 111-123. doi: 10.1016/j.fcr.2013.12.018
Maresma, Á., Ariza, M., Martínez, E., Lloveras, J., & Martínez-Casasnovas, J. A. (2016). Analysis of vegetation indices to determine nitrogen application and yield prediction in maize (Zea Mays L.) from a standard uav service. Remote Sensing, 8(12), 1-15. doi: 10.3390/rs8120973
Martins, K. V., Dourado- D., Neto, Reichardt, K., Favarin, J. L., Sartori, F. F., Felisberto, G., & Mello, S. C. (2017). Maize dry matter production and macronutrient extraction model as a new approach for fertilizer rate estimation. Anais da Academia Brasileira de Ciencias, 89(1), 705-716. doi: 10.1590/0001-3765201720160525
Matsushita, B., Yang, W., Chen, J., Onda, Y., & Qiu, G. (2007). Sensitivity of the Enhanced Vegetation Index (EVI) and Normalized Difference Vegetation Index (NDVI) to topographic effects: a case study in high-density cypress forest. Sensors, 7, 2636-2651. doi: 10.3390/s7112636
Pan, Z., Huang, J., Zhou, Q., Wang, L., Cheng, Y., Zhang, H., & Liu, J. (2015). Mapping crop phenology using NDVI time-series derived from HJ-1 A/B data. International Journal of Applied Earth Observation and Geoinformation, 34(1), 188-197. doi: 10.1016/j.jag.2014.08.011
Ponzoni, F. J., Shimabukuro, Y. E., & Kuplich, T. M. (2012). Sensoriamento remoto da vegetação (2a ed.). São Paulo, SP: Oficina de Textos.
Povh, F. P., Molin, J. P., Gimenez, L. M., Pauletti, V., Molin, R., & Salvi, J. V. (2008). Comportamento do NDVI obtido por sensor ótico ativo em cereais. Pesquisa Agropecuaria Brasileira, 43(8), 1075-1083. doi: 10.1590/S0100-204X2008000800018
QGIS Development Team (2019). Geographic Information System (QGIS) software, version 3.6.1. Open source geospatial foundation project. Retrieved from https://qgis.org/en/site/index.html
Regazzi, A. J. (1993). Teste para se verificar a identidade de modelos de regressão e a igualdade de alguns parâmetros num modelo polinomial ortogonal. Revista Ceres, 40(228), 176-195.
Ritchie, S. W., Hanway, J. J., & Benson, G. O. (1993). How a corn plant develops. Ames: Iowa State University of Science and Technology Cooperative Extension Service. (Special Report, 48).
Rizzard, M. A., Silva, L. F., & Vargas, L. (2006). Controle de plantas daninhas em milho em função de quantidades de palha de nabo forrageiro. Planta Daninha, 24(2), 263-270. doi: 10.1590/S0100-83582006000200008
Rouse, J. W., Hass, R. H., Schell, J. A., & Deering, D. W. (1973). Monitoring vegetation systems in the great plains with ERTS. Proceedings of the Third Earth Resources Technology Satellite-1 Symposium, Washington, D.C., USA.
Roy, D. P., Wulder, M. A., Loveland, T. R., Woodcock, C. E., Allen, R. G., Anderson, M. C., & Zhu, Z. (2014). Landsat-8: Science and product vision for terrestrial global change research. Remote Sensing of Environment, 145, 154-172. doi: 10.1016/j.rse.2014.02.001
Sakamoto, T., Yokozawa, M., Toritani, H., Shibayama, M., Ishitsuka, N., & Ohno, H. (2005). A crop phenology detection method using time-series MODIS data. Remote Sensing of Environment, 96(3-4), 366-374. doi: 10.1016/j.rse.2005.03.008
Santos, H. G., Carvalho, W., Jr., Dart, R. de O., Áglio, M. L. D., Sousa, J. S., Pares, J. G., & Oliveira, A. P. O. (2011). O novo mapa de solos do Brasil: legenda atualizada, escala 1:5.000.000 (1st ed.). Rio de Janeiro, RJ, Brasil: EMBRAPA Solos.
Soufizadeh, S., Munaro, E., McLean, G., Massignam, A., Van Oosterom, E. J., Chapman, S. C., & Hammer, G. L. (2018). Modelling the nitrogen dynamics of maize crops - Enhancing the APSIM maize model. European Journal of Agronomy, 100(2016), 118-131. doi: 10.1016/j.eja.2017.12.007
Tsimba, R., Edmeades, G. O., Millner, J. P., & Kemp, P. D. (2013). The effect of planting date on maize: Phenology, thermal time durations and growth rates in a cool temperate climate. Field Crops Research, 150, 145-155. doi: 10.1016/j.fcr.2013.05.021
United States Geological Survey (2016). Landsat 8 (L8) data users handbook. Version 2.0. Department of the Interior U.S. Geological Survey, United States Geological Survey. Retrieved from https://www.usgs.gov/land-resources/nli/landsat/landsat-8-data-users-handbook
Venancio, Cunha, Mantovani, Amaral, & Reis. (2019). Evapotranspiração de cultura: uma abordagem dos principais métodos aplicados às pesquisas científicas e na agricultura. Irriga, 24 (3), 719-746. doi: 10.15809/irriga.2019v24n4p719-746
Vermote, E. F. (2015). MODIS surface reflectance user’s guide. Collection 6. MODIS land surface reflectance science computing facility. Retrieved from https://modisland.gsfc.nasa.gov/pdf/MOD09_ UserGuide_v1.4.pdf
Wang, M., Tao, F. L., & Shi, W. J. (2014). Corn yield forecasting in northeast china using remotely sensed spectral indices and crop phenology metrics. Journal of Integrative Agriculture, 13(7), 1538-1545. doi: 10.1016/S2095-3119(14)60817-0
Wardlow, B. D., & Egbert, S. L. (2008). Large-area crop mapping using time-series MODIS 250 m NDVI data: an assessment for the U.S. Central Great Plains. Remote Sensing of Environment, 112(3), 1096-1116. doi: 10.1016/j.rse.2007.07.019
Xiao, J., & Moody, A. (2005). A comparison of methods for estimating fractional green vegetation cover within a desert-to-upland transition zone in central New Mexico, USA. Remote Sensing of Environment, 98(2-3), 237-250. doi: 10.1016/j.rse.2005.07.011
Zanzarini, F. V., Pissarra, T. C. T., Brandao, F. J. C., & Teixeira, D. D. B. (2013). Spatial correlation of the vegetation index (NDVI) of a Landsat/ETM plus images with soil attributes. Revista Brasileira de Engenharia Agricola e Ambiental, 17(6), 608-614. doi: 10.1590/S1415-43662013000600006
Zheng, Y., Wu, B., Zhang, M., & Zeng, H. (2016). Crop phenology detection using high spatio-temporal resolution data fused from SPOT5 and MODIS products. Sensors, 16(12), 2099. doi: 10.3390/s16122099
Downloads
Publicado
2020-06-17
Como Citar
Venancio, L. P., Filgueiras, R., Cunha, F. F. da, Silva, F. C. dos S., Santos, R. A. dos, & Mantovani, E. C. (2020). Mapeamento dos estádios fenológicos da cultura do milho utilizando o NDVI derivado dos sensores OLI e MODIS. Semina: Ciências Agrárias, 41(5), 1517–1534. https://doi.org/10.5433/1679-0359.2020v41n5p1517
Edição
Seção
Artigos
Licença
Copyright (c) 2020 Semina: Ciências Agrárias
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Semina: Ciências Agrárias adota para suas publicações a licença CC-BY-NC, sendo os direitos autorais do autor, em casos de republicação recomendamos aos autores a indicação de primeira publicação nesta revista.
Esta licença permite copiar e redistribuir o material em qualquer meio ou formato, remixar, transformar e desenvolver o material, desde que não seja para fins comerciais. E deve-se atribuir o devido crédito ao criador.
As opiniões emitidas pelos autores dos artigos são de sua exclusiva responsabilidade.
A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua e a credibilidade do veículo. Respeitará, no entanto, o estilo de escrever dos autores. Alterações, correções ou sugestões de ordem conceitual serão encaminhadas aos autores, quando necessário.
