O objetivo deste trabalho foi avaliar o desempenho do índice de vegetação realçado (EVI) e do índice de vegetação da diferença normalizada (NDVI) - ambos do sensor "moderate resolution imaging spectroradiometer" (Modis) -, para discriminar áreas de soja das áreas de cana‑de‑açúcar, pastagem, cerrado e floresta, no Estado do Mato Grosso. Foram utilizadas imagens adquiridas em dois períodos: durante a entressafra e por ocasião do pleno desenvolvimento da cultura da soja. Para cada classe analisada, foram selecionadas 31 amostras de mapas de referência e avaliadas as diferenças nos valores de cada índice de vegetação, para a classe soja, foram avaliadas frente às demais classes, por meio do teste de Tukey‑Kramer. Em seguida, foram avaliadas as diferenças entre os índices de vegetação, por meio do teste de Wilcoxon pareado. O NDVI apresentou melhor desempenho na discriminação das áreas de soja na entressafra, particularmente com uso das imagens do dia do ano (DA) 161 a 273, enquanto o EVI apresentou melhor desempenho no período de pleno desenvolvimento da cultura, especificamente com uso das imagens de DA 353 a 33. Portanto, o melhor resultado para classificação da soja, no Estado do Mato Grosso, via séries temporais do sensor Modis, pode ser obtida por meio do uso combinado do NDVI na entresssafra e do EVI no pleno desenvolvimento da soja.

The objective of this work was to evaluate the performance of the enhanced vegetation index (EVI) and the normalized difference vegetation index (NDVI) - both from the moderate resolution imaging spectroradiometer (Modis) sensor - to discriminate soybean cultivated areas from sugarcane, pasture, cerrado, and forest ones in the state of Mato Grosso, Brazil. Images acquired during two periods were used: off-season and maximum soybean crop development. For each analyzed class, 31 samples were selected from reference maps, and the differences in the values of each soybean vegetation index were evaluated against the other classes using the Tukey‑Kramer test. Afterwards, the differences between the vegetation indices were assessed using the Wilcoxon paired test. NDVI performed best in discriminating soybean areas during the off-season period, particularly when using images acquired from day of year (DOY) 161 to 273, whereas EVI performed best during maximum crop development, particularly when using images from DOY 353 to 33. Therefore, best classification results for soybean in the state of Mato Grosso can be achieved by coupling Modis NDVI images acquired during off-season period and EVI images acquired during the maximum crop development period.

O objetivo deste trabalho foi avaliar a aplicação do método de classificação por superfícies de resposta espectro-temporal (STRS) em imagens do sensor Moderate Resolution Imaging Spectroradiometer (MODIS, 250 m) para estimar áreas de plantio de soja no Estado de Mato Grosso, Brasil. A classificação foi realizada usando o algoritmo de máxima verossimilhança (MLA) adaptado ao algoritmo STRS. Trinta segmentos de 30x30 km foram escolhidos ao longo das principais regiões agrícolas do estado, com dados da safra de verão de 2005/2006 (outubro a março), e mapeados com base em dados de campo e de imagens orbitais TM/Landsat-5 e CCD/CBERS-2. Cinco classes temáticas foram consideradas: Soja, Floresta, Cerrado, Pastagem e Solos Expostos. A classificação pelo método das STRS foi feita com base em uma área interseccionada por um subconjunto de segmentos de 30x30 km. O STRS superestimou os valores de referência em 21,31% em regiões com predomínio da cultura da soja e em 132,37% em regiões nas quais a soja era menos predominante. A exatidão global da classificação foi de 80%. As imagens MODIS e o algoritmo STRS mostraram-se promissores para a classificação da soja em regiões com predominância de grandes fazendas. Entretanto, os resultados para áreas fragmentadas em fazendas menores foram menos eficientes, superestimando as áreas de soja.

The objective of this work was to evaluate the application of the spectral-temporal response surface (STRS) classification method on Moderate Resolution Imaging Spectroradiometer (MODIS, 250 m) sensor images in order to estimate soybean areas in Mato Grosso state, Brazil. The classification was carried out using the maximum likelihood algorithm (MLA) adapted to the STRS method. Thirty segments of 30x30 km were chosen along the main agricultural regions of Mato Grosso state, using data from the summer season of 2005/2006 (from October to March), and were mapped based on fieldwork data, TM/Landsat-5 and CCD/CBERS-2 images. Five thematic classes were considered: Soybean, Forest, Cerrado, Pasture and Bare Soil. The classification by the STRS method was done over an area intersected with a subset of 30x30-km segments. In regions with soybean predominance, STRS classification overestimated in 21.31% of the reference values. In regions where soybean fields were less prevalent, the classifier overestimated 132.37% in the acreage of the reference. The overall classification accuracy was 80%. MODIS sensor images and the STRS algorithm showed to be promising for the classification of soybean areas in regions with the predominance of large farms. However, the results for fragmented areas and smaller farms were less efficient, overestimating soybean areas.