Agricultura na Venezuela: aplicação do sensoriamento remoto na determinação da qualidade do solo
Palavras-chave:
agricultura de precisão, análise geoespacial, NDVI, processamento digital de imagens, segmentação semânticaResumo
A gestão agrícola moderna requer ferramentas de precisão para monitorar a fertilidade do solo e garantir a sustentabilidade de sistemas produtivos estratégicos. O objetivo deste estudo foi caracterizar a variabilidade espacial da qualidade do solo por meio de técnicas avançadas de sensoriamento remoto, com a finalidade de gerar informações geoespaciais de alta precisão que sirvam de base para o planejamento agrícola e a formulação de políticas públicas. A metodologia foi baseada no processamento de imagens de satélite da constelação Sentinel-2, utilizando a plataforma Google Earth Engine para aplicar correções atmosféricas no nível de reflectância de superfície (L2A). A análise concentrou-se especificamente em sistemas de produção de arroz (Oryza sativa) localizados no Sistema de Irrigação do Rio Guárico, em Calabozo. Diversos índices de vegetação foram empregados como indicadores indiretos de fertilidade, permitindo distinguir com sucesso o sinal espectral entre a fração de vegetação pura e a mistura complexa de solo e vegetação. Os resultados obtidos demonstram a viabilidade técnica de correlacionar a resposta espectral do dossel vegetal com as propriedades intrínsecas do substrato edáfico. A discussão destaca que essa abordagem possibilita identificar variações em campo que frequentemente passam despercebidas pelos métodos convencionais de amostragem. Conclui-se que a integração da análise geoespacial e da agricultura de precisão constitui uma estratégia fundamental para otimizar o uso de insumos e aumentar a resiliência das culturas de cereais, fornecendo mapas detalhados que facilitam a tomada de decisões informadas em tempo real.
Referências
H. Chaudhry et al., «Evaluating the Soil Quality Index Using Three Methods to Assess Soil Fertility», Sensors, vol. 24, n.o 3, p. 864, ene. 2024, doi: https://doi.org/10.3390/s24030864.
M. Guerini Filho, T. M. Kuplich, y F. L. F. D. Quadros, «Estimating natural grassland biomass by vegetation indices using Sentinel 2 remote sensing data», Int. J. Remote Sens., vol. 41, n.o 8, pp. 2861-2876, abr. 2020, doi: https://doi.org/10.1080/01431161.2019.1697004.
R. Orsini, M. Fiorentini, y S. Zenobi, «Evaluation of Soil Management Effect on Crop Productivity and Vegetation Indices Accuracy in Mediterranean Cereal-Based Cropping Systems», Sensors, vol. 20, n.o 12, p. 3383, jun. 2020, doi: https://doi.org/10.3390/s20123383.
M. E. Fadl, M. A. E. AbdelRahman, A. I. El-Desoky, y Y. A. Sayed, «Assessing soil productivity potential in arid region using remote sensing vegetation indices», J. Arid Environ., vol. 222, p. 105166, jun. 2024, doi: https://doi.org/10.1016/j.jaridenv.2024.105166.
J. Segarra, M. L. Buchaillot, J. L. Araus, y S. C. Kefauver, «Remote Sensing for Precision Agriculture: Sentinel-2 Improved Features and Applications», Agronomy, vol. 10, n.o 5, p. 641, may 2020, doi: https://doi.org/10.3390/agronomy10050641.
A. San Bautista et al., «Crop Monitoring Strategy Based on Remote Sensing Data (Sentinel-2 and Planet), Study Case in a Rice Field after Applying Glycinebetaine», Agronomy, vol. 12, n.o 3, p. 708, mar. 2022, doi: https://doi.org/10.3390/agronomy12030708.
F. Terribile et al., «The LANDSUPPORT geospatial decision support system ( S‐DSS ) vision: Operational tools to implement sustainability policies in land planning and management», Land Degrad. Dev., vol. 35, n.o 2, pp. 813-834, ene. 2024, doi: https://doi.org/10.1002/ldr.4954.
T. R. Tenreiro, M. García-Vila, J. A. Gómez, J. A. Jiménez-Berni, y E. Fereres, «Using NDVI for the assessment of canopy cover in agricultural crops within modelling research», Comput. Electron. Agric., vol. 182, p. 106038, mar. 2021, doi: https://doi.org/10.1016/j.compag.2021.106038.
A. Jędrejek, J. Jadczyszyn, y R. Pudełko, «Increasing Accuracy of the Soil-Agricultural Map by Sentinel-2 Images Analysis-Case Study of Maize Cultivation under Drought Conditions», Remote Sens., vol. 15, n.o 5, p. 1281, feb. 2023, doi: https://doi.org/10.3390/rs15051281.
M. Hou et al., «The effects of canopy gaps on soil nutrient properties: a meta-analysis», Eur. J. For. Res., vol. 143, n.o 3, pp. 861-873, jun. 2024, doi: https://doi.org/10.1007/s10342-024-01660-6.
X. Chen, Y. Wang, Y. Chen, S. Fu, y N. Zhou, «NDVI-Based Assessment of Land Degradation Trends in Balochistan, Pakistan, and Analysis of the Drivers», Remote Sens., vol. 15, n.o 9, p. 2388, may 2023, doi: https://doi.org/10.3390/rs15092388.
D. A. Ayalew, D. Deumlich, B. Šarapatka, y D. Doktor, «Quantifying the Sensitivity of NDVI-Based C Factor Estimation and Potential Soil Erosion Prediction using Spaceborne Earth Observation Data», Remote Sens., vol. 12, n.o 7, p. 1136, abr. 2020, doi: https://doi.org/10.3390/rs12071136.
J. C. D. M. Esquerdo, J. Zullo Júnior, y J. F. G. Antunes, «Use of NDVI/AVHRR time-series profiles for soybean crop monitoring in Brazil», Int. J. Remote Sens., vol. 32, n.o 13, pp. 3711-3727, jul. 2011, doi: https://doi.org/10.1080/01431161003764112.
Z. Jin et al., «Smallholder maize area and yield mapping at national scales with Google Earth Engine», Remote Sens. Environ., vol. 228, pp. 115-128, jul. 2019, doi: https://doi.org/10.1016/j.rse.2019.04.016.
S. Aksoy, A. Yildirim, T. Gorji, N. Hamzehpour, A. Tanik, y E. Sertel, «Assessing the performance of machine learning algorithms for soil salinity mapping in Google Earth Engine platform using Sentinel-2A and Landsat-8 OLI data», Adv. Space Res., vol. 69, n.o 2, pp. 1072-1086, ene. 2022, doi: https://doi.org/10.1016/j.asr.2021.10.024.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Saastal
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
