O objetivo deste trabalho foi propor métodos para identificação de áreas agrícolas cultivadas com cereais de inverno na região norte do Rio Grande do Sul. Para isso, foi analisada a evolução do Índice de Vegetação por Diferença Normalizada (NDVI), proveniente de imagens do sensor MODIS, de abril a dezembro de 2000 a 2008. Foram elaboradas máscaras de cultivo pela subtração de imagens de mínimo NDVI (abril e maio), das de máximo NDVI (junho a outubro). Posteriormente, foi realizada a classificação não supervisionada das imagens (algoritmo Isodata), considerando as áreas pertencentes às máscaras de cultivo. As máscaras de cultivo identificaram pixels com as maiores variações de biomassa verde, associadas ou não à produção de grãos. A classificação não supervisionada gerou classes cujos perfis temporais foram condizentes com corpos d'água, pastagens e cultivos de cereais de inverno para produção de grãos e para cobertura do solo. Os perfis temporais de áreas destinadas à produção de grãos concordaram com os padrões de cultivo dos cereais de inverno na região (ciclo de desenvolvimento, manejo e épocas de semeadura). A classificação não supervisionada de áreas identificadas por máscaras de cultivo permite identificar e monitorar cultivos de cereais de inverno que se assemelham quanto à morfologia e à fenologia.

This study aimed to propose methods to identify croplands cultivated with winter cereals in the northern region of Rio Grande do Sul State, Brazil. Thus, temporal profiles of Normalized Difference Vegetation Index (NDVI) from MODIS sensor, from April to December of the 2000 to 2008, were analyzed. Firstly, crop masks were elaborated by subtracting the minimum NDVI image (April to May) from the maximum NDVI image (June to October). Then, an unsupervised classification of NDVI images was carried out (Isodata), considering the crop mask areas. According to the results, crop masks allowed the identification of pixels with greatest green biomass variation. This variation might be associated or not with winter cereals areas established to grain production. The unsupervised classification generated classes in which NDVI temporal profiles were associated with water bodies, pastures, winter cereals for grain production and for soil cover. Temporal NDVI profiles of the class winter cereals for grain production were in agree with crop patterns in the region (developmental stage, management standard and sowing dates). Therefore, unsupervised classification based on crop masks allows distinguishing and monitoring winter cereal crops, which were similar in terms of morphology and phenology.