A ocupação e consolidação do território na Amazônia apresentam diferentes características relacionadas à dinâmica das conversões de uso e cobertura da terra, que podem ser analisadas utilizando imagens orbitais de sensoriamento remoto. O objetivo do presente trabalho foi avaliar os produtos de detecção de mudanças gerados por análise de vetor de mudança (AVM) e subtração de imagens, a partir de imagens-fração derivadas das imagens ópticas TM/Landsat, para o estudo das conversões de uso e cobertura da terra presentes em área de colonização agrícola na região sudeste de Roraima. Analisaram-se as imagens de mudança provenientes da aplicação do AVM (magnitude, alfa e beta) e da subtração das imagens-fração (solo, sombra e vegetação) quanto à sua capacidade de identificar e discriminar as conversões existentes, de acordo com levantamento de campo. Foram testados dois algoritmos de classificação de imagens do tipo supervisionado, Bhattacharyya e Support Vector Machine. Foram feitos agrupamentos para otimizar a identificação das conversões nas classificações testadas. Houve melhor desempenho do classificador por regiões Bhattacharyya na discriminação das conversões. A utilização das imagens-diferença das frações como informação de entrada para o classificador apresentou qualidade de classificação muito boa ou excelente, sendo superior às classificações utilizando os produtos AVM, isoladamente ou em conjunto com as imagens-diferença.

Territory occupation and consolidation in the Amazon region have some specific characteristics related to the dynamics of land use and land cover conversions, which can be analyzed using orbital remote sensing images. The aim of this study was to evaluate change detection products generated by change vector analysis (AVM) and image subtraction techniques derived from linear spectral mixing modeling (MLME), applied to Thematic Mapper/Landsat optical images, to study land use and land cover conversions occurring in agricultural settlement areas in the southeastern region of Roraima, Brazil. We analyzed change images derived from application of AVM (magnitude, alpha and beta) and subtraction of fraction images (soil, vegetation and shade), for their ability to identify and discriminate the existing conversions. An extensive field work was used as a guide to define the classes. Exploratory analyses of class behaviors were made and two supervised algorithms for image classification - Bhattacharyya and Support Vector Machine - were tested. By grouping (clumping classes), we sought to optimize conversion identification in the classification products. The results indicated better Bhattacharyya region classifier performance of conversion discrimination. The use of MLME fractions difference images as input into the classifier resulted a very good or excellent classification quality, which was better in comparison with products using AVM images, either in isolation or in conjunction with MLME difference images.

O objetivo deste trabalho foi desenvolver e avaliar um método para estimar a área plantada de soja em escala regional e calcular o erro estatístico associado à estimação. O método (Geosafras), que associa técnicas de amostragem estatística com características das imagens obtidas por sensoriamento remoto orbital, foi aplicado para obter estimativa amostral objetiva da área cultivada com soja, na safra de 2005/2006, no Estado do Rio Grande do Sul. Os municípios produtores de soja, no RS, foram distribuídos em dez estratos, com base em dados pré‑existentes de área cultivada com a cultura. O número de municípios selecionados, em cada estrato, seguiu a regra de alocação de Neyman. Em cada município selecionado, foram aleatorizados pontos correspondentes aos pixels das imagens, classificados como "soja" ou "não soja" após visita a campo. A partir dos dados de 3.000 pontos distribuídos nos 30 municípios selecionados, nos dez estratos, foi estimada a área cultivada com soja no RS, que totalizou 4.069.887 ha, com coeficiente de variação (CV) de 3,4%. Esta estimativa foi consistente com os dados oficiais. O método amostral objetivo estratificado, auxiliado por sensoriamento remoto, permite estimar a área cultivada com soja no Rio Grande do Sul e é capaz de quantificar o erro associado à estimativa realizada.

The objective of this work was to develop and evaluate a method for estimating soybean crop area on a regional scale and to calculate the statistical error associated with the estimate. The method (Geosafras), which combines statistical sampling techniques with characteristics of images obtained by orbital remote sensing, was applied to obtain an objective sampling estimation for soybean crop area in the 2005/2006 harvest season in the state of Rio Grande do Sul (RS), Brazil. Soybean‑producing municipalities in RS were distributed into ten strata according to preexisting data on the area cultivated with the crop. The number of municipalities selected in each stratum followed Neyman's allocation rule. In each selected municipality, points corresponding to the pixels of images were randomized and classified as "soybean" or "non‑soybean" after site visitation. From the data of 3,000 points in the 30 selected municipalities across the ten strata, soybean crop area in RS was estimated, totaling 4,069,887 ha, with a coefficient of variation (CV) of 3.4%. This estimate was consistent with official data. The stratified objective sampling method, supported by remote sensing, allows for the estimation of the area cultivated with soybean in the state of Rio Grande do Sul and is able to quantify the error associated with the calculated estimate.

O objetivo deste trabalho foi analisar a evolução temporal (33 anos) da expansão agrícola usando a técnica de Análise por Componentes Principais (ACP) para a geração de componentes de brilho e verdor, aplicada a dados de múltiplos sensores com distintas características espectrais e de resolução espacial. A partir dessas componentes, a Análise por Vetores de Mudanças (AVM) pode, então, fornecer informações sobre a intensidade e o tipo de mudança ocorrida. Utilizaram-se imagens orbitais MSS/Landsat, TM/Landsat e CCD/CBERS adquiridas entre 1975 e 2008. O coeficiente Kappa variou de 0,18 a 0,41, indicando que a Análise por Vetores de Mudanças exibe concordância fraca ou regular em relação à interpretação visual. Considerando um nível de significância de p=0,05, verificou-se que o resultado da AVM é superior à classificação aleatória. De modo geral, os erros devem-se a confusões espectrais associadas à cobertura do solo natural ou antrópica, tal como campo sujo e pasto, além de incrementos na biomassa vegetal, que podem se referir à regeneração florestal ou desenvolvimento de culturas agrícolas. A AVM foi útil na detecção de mudanças a fim de permitir o uso de múltiplos parâmetros e a análise de suas variações ao longo do tempo. Como dados de entrada, as Componentes Principais mostraram meios diretos e rápidos para a geração de informações de brilho e verdor de uma determinada cena. As componentes principais foram viÁveis na análise da variação desses parâmetros.

The main objective was to study the multitemporal expansion of agriculture for 33 years using three different satellites/sensors, by applying Principal Components Analysis techniques in order to generate the components of brightness and greenness for each dataset. The use of these components for the Change Vector Analysis can thus provide information on the intensity and type of change occurred. We used MSS/Landsat, TM/Landsat and CCD/CBERS, acquired between 1975 and 2008. The Kappa coefficients ranged from 0.18 to 0.41, indicating that the change of Vector Analysis had slight or fair agreement with visual analysis. Assuming a significance level of 0.05, it was verified that the result of analysis by Change Vector Analysis is better than a random classification. In general, the errors are due to spectral confusion associated with natural or anthropogenic land use, such as “natural grassland� and grazing, and increases in plant biomass, which may refer to forest regeneration or development of agricultural crops. Change Vector Analysis was useful for detecting changes and it accepts the use of different parameters and considers their variation over time. As input data, the principal components are direct and rapid means for generating information of brightness and greenness of a particular scene. The principal components are feasible in studies involving the analysis of the variation of these parameters.

Este trabalho teve por objetivo analisar o efeito dos conteúdos de matéria orgânica e de ferro cristalino e amorfo na reflectância espectral de solos tropicais ocorrentes no Brasil, pela utilização de um espectrorradiômetro em condições de laboratório, na faixa espectral entre 400 e 2500 nm. Os solos estudados foram: a) Nitossolo Vermelho, designado como TR (Typic Argiudoll); b) Latossolo Vermelho Eutroférrico, LR (Typic Eutrorthox); c) Argissolo Vermelho, PE (Typic Argiudoll); d) Latossolo Vermelho, LE (Typic Haplortox), sudividido em três categorias de acordo com a textura; e) Neossolo Quartzarênico, AQ (Ty.pic Quartzipsamment) e f) Argissolo Vermelho-Amarelo, PV (Typic Paleudalf). Foram coletadas amostras superficiais e subsuperficiais, e analisadas quanto a características químicas, físicas e mineralógicas. As amostras de terra receberam quatro tratamentos químicos de dissolução seletiva: a) Testemunha; b) H2O2 para remoção de matéria orgânica; c) H2O2 + Oxalato Ácido de Amônio para remoção de matéria orgânica e de ferro amorfo; d) H2O2 e Ditionito-Citrato-Bicarbonato de Sódio para remoção de matéria orgânica, de ferro amorfo e de ferro cristalino. Esses tratamentos foram comparados utilizando suas respectivas curvas espectrais e simulação de dados do sensor TM (Thematic Mapper)/Landsat. A remoção da matéria orgânica promoveu aumento da reflectância em todo o espectro analisado, para todos os solos. A remoção da matéria orgânica e do ferro amorfo causou aumento geral da reflectância para todos os solos, mas sem modificar o formato das curvas espectrais. A remoção do ferro cristalino provocou aumento da reflectância na região inicial do espectro (até 1.000 nm), mas não nas regiões intermediárias (entre 1.000 e 1.900 nm) e final do espectro (acima de 1.900 nm). O ferro cristalino mostrou-se responsável pelas concavidades formadas em 400 nm e em 850nm. Os dados orbitais simulados mostraram que é possível discriminar diferenças relativas à matéria orgânica e às formas de ferro. O uso de radiometria de laboratório mostrou-se uma técnica rápida, não destrutiva, e pouco exigente em preparo para analisar feições de absorção por ferro e efeitos de matéria orgânica em curvas especiais de solos.

The influence of organic matter and amorphous and crystalline iron contents on the reflectance (400 to 2500 nm) of various soils was evaluated. Studied soils were Typic Argiudoll (TR), Typic Eutrorthox (LR), Typic Argiudoll (PE), Typic Haplortox (LE), Typic Quartzipsamment (AQ), and Typic Paleudalf (PV). Surface and subsurface soil samples were used in four conditions: a) as sampled; b) after removal of organic matter; c) after removal of the organic matter and the amorphous iron; and d) after removing organic matter and amorphous iron and crystalline iron. Reflectance factor was acquired from 400 nm to 2.450 nm and TM/Landsat spectral bands were simulated. Removal of organic and amorphous iron caused an overall increase of the reflectance along the spectrum, for all soils. Removal of crystalline iron caused the reflectance to increase in the first portion of the spectrum (400 to 1.000 nm), but not in intermediate (1.000 to 1.900 nm) and final portion of the spectrum (after 1.900 nm). Crystalline iron was responsible for concavities in the spectral region near 400 nm and 850 nm. Use of laboratory spectroradiometry proved to be a fast, non-destructive, and easy-to-prepare technique for analyzing absorption features caused by organic matter and iron forms in soils.

Estimativas da área cultivada são importantes para diversas aplicações. Entretanto, como os campos de cultivo são distribuídos irregularmente, os levantamentos agrícolas tornam-se operações complexas e dispendiosas. As imagens de satélite, por possuírem caráter de cobertura abrangente e serem obtidas repetidamente, podem auxiliar no levantamento da área ocupada pelas culturas, municipal ou nacional. Propõe-se um método amostral aleatório simples para a quantificação de áreas de culturas expressivas no município de Ipuã, SP. Com base na interpretação não exaustiva das áreas de soja e milho, de uma imagem Landsat-5, de janeiro de 2000, contabilizaram-se as áreas parciais de soja e de milho como 26,5% e 3% do município respectivamente. Amostraram-se 521 pontos sobre a imagem, aos quais foi atribuída a classe de uso: soja, milho, "não-soja ou milho". Pela simulação de subconjuntos variando de 10 a 500 pontos, e assumindo uma distribuição hipergeométrica, pôde-se avaliar o nível de variabilidade das estimativas em função dos tamanhos de amostras. Para a soja, observou-se que a média de um conjunto de 10 amostras de 250 pontos amostrais superestimava a área medida em 3%. Mostra-se, também, que quando a área cultivada com soja é 35% do município, para um nível de significância de 90% e com 500 pontos amostrais a porcentagem de área estimada é de 31,4% e 38,4% do município. A amostragem, com base na estrutura das imagens de satélite, permite um levantamento ágil e com conhecida precisão da área cultivada com grandes culturas no município.

Crop area estimates are important for several applications. However, as the crop fields are irregularly distributed, such surveys become a difficult and expensive operation. Remote sensing satellite images, for having a broad coverage and being obtained continuously, can be very helpful. In this paper a simple sampling method for quantifying the main crops in a municipality level is described. A non-exhaustive interpretation of soybean, corn and "non-corn or non-soybean" was performed on a TM/Landsat-5 image, and a random sampling of 521 pixels was selected. The areas of soybean and corn were 26.5% and 3.0% of the municipality, respectively. By simulating sets varying from 10 to 500 sampling points each, and assuming a hypergeometric distribution, it was possible to evaluate the variability of the estimation as a function of the sampling size. It was observed that for a sampling size of 250 pixels there was an overestimation of 3% for soybean and an underestimation of 1% for corn. It is also shown that when a crop occupies 35% of the municipality, for a significance level of 90%, and for 500 sampling pixels, the estimation results ranges between 31.4% and 38.4% of the municipality area. The sampling based on the satellite image structure allows a fast and fairly precise survey of the more important cultivated crop area of a municipality.

Dados hiperespectrais coletados no Brasil pelo sensor AVIRIS (Airborne Visible/Infrared Imaging Spectrometer) foram utilizados para a caracterização espectral de uma típica cena agropastoril e para testar o uso da técnica Spectral Feature Fitting (SFF) na identificação de minerais argilosos na imagem. Utilizou-se um modelo linear de mistura espectral, usando como membros de referência a vegetação verde e seca, a água, e os solos Nitossolo Vermelho, Latossolo Vermelho e Neossolo Quartzarênico órtico. Na identificação dos minerais, foram selecionados espectros de referência da biblioteca espectral do JPL/NASA. Os espectros dos pixels e das referências foram normalizados pelo método do contínuo espectral, entre 2.100 e 2.330 nm, e depois comparados quanto à similaridade com o uso da técnica SFF. A caulinita predomina na cena, cuja identificação remota é dependente do tipo de solo e das proporções dos componentes da cena no interior do pixels. Os melhores resultados foram obtidos em solos de reflectância intermediária a alta e em pixels com valor de abundância da fração solo superior a 70%. Isto ocorreu devido, respectivamente, à menor quantidade de substâncias opacas nestes solos e à redução nos pixels dos efeitos espectrais da lignina-celulose. Estes fatores tendem a mascarar as bandas de absorção das argilas.

AVIRIS (Airborne Visible/Infrared Imaging Spectrometer) data collected in Brazil were used for the spectral characterization of a typical crop-pasture scene, and for the evaluation of the Spectral Feature Fitting (SFF) technique for clay mineral identification in the image. A six-endmember linear spectral unmixing model was applied, consisting of green and senescent vegetation, water, and the soils Alfisol, Oxisol and Entisol. For mineral identification of kaolinite, montmorillonite and gibbsite in the AVIRIS image, reference spectra from the JPL/NASA spectral library were selected. Pixel and reference spectra were normalized by the continuum removal method, in the 2,100-2,330 nm interval, and then compared by the use of the SFF technique. Kaolinite is the dominant mineral in the scene, whose identification is dependent on the soil type and on the spectral mixture at sub-pixel level. The best results were obtained for soils with intermediate to high overall reflectance and for pixels with soil abundance values greater than 70%, due, respectively, to the lower amount of opaque substances of these soils and to the reduction of spectral effects of the lignin-cellulose features. These factors tend to obliterate the absorption bands of clay minerals.

A faixa espectral das microondas tem uma importância para o sensoriamento remoto agrícola, por ser uma faixa em que se tem uma quase certeza de disponibilidade de imagens de satélite, independentemente das condições atmosféricas. Entretanto, embora haja satélites em operação na faixa do radar, o aproveitamento desses dados ainda não é plenamente satisfatório, principalmente em virtude da falta de entendimento das interações que ocorrem entre o radar e os alvos agrícolas. Neste trabalho, são utilizadas três passagens do Radarsat para agrupar os valores de retroespalhamento (sigma°) representativos das diversas condições dos talhões agrícolas em uma região intensamente cultivada. Num diagrama de dispersão dos valores de sigma°, pôde-se verificar a existência de três grandes regiões: uma, caracterizada por baixos valores, e constituída por solos expostos; a segunda, com valores intermediários e constituída por culturas bem desenvolvidas; e uma terceira, com altos valores de retroespalhamento, constituída por superfícies muito rugosas, particularmente quando os sulcos de plantio são perpendiculares à direção de visada do satélite. Os resultados deste trabalho indicam que o uso de imagens Radarsat para agricultura é mais otimizado quando se faz uma análise multitemporal, aproveitando o calendário agrícola e a dinâmica das diferentes culturas.

Orbital remote sensing in the microwave electromagnetic region has been presented as an important tool for agriculture monitoring. The satellite systems in operation have almost all-weather capability and high spatial resolution, which are features appropriated for agriculture. However, for full exploration of these data, an understanding of the relationships between the characteristics of each system and agricultural targets is necessary. This paper describes the behavior of backscattering coefficient (sigma°) derived from calibrated data of Radarsat images from an agricultural area. It is shown that in a dispersion diagram of sigma° there are three main regions in which most of the fields can be classified. The first one is characterized by low backscattering values, with pastures and bare soils; the second one has intermediate backscattering coefficients and comprises well grown crops mainly; and a third one, with high backscattering coefficients, in which there are fields with strong structures causing a kind of double bounce effect. The results of this research indicate that the use of Radarsat images is optimized when a multitemporal analysis is done making the best use of the agricultural calendar and of the dynamics of different cultures.