Modelagem da produtividade primária líquida utilizando dados coletados de sensores remotos : avaliação de impactos e perdas em área agrícola
dc.contributor.advisor | Fontana, Denise Cybis | pt_BR |
dc.contributor.author | Rodigheri, Grazieli | pt_BR |
dc.date.accessioned | 2020-05-30T03:37:22Z | pt_BR |
dc.date.issued | 2020 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/10183/209913 | pt_BR |
dc.description.abstract | A Produtividade Primária Líquida (Net Primary Productivity - NPP) é um parâmetro de importância global, devido ao papel que desempenha no ciclo do carbono. Muitos modelos têm sido desenvolvidos nos últimos anos, principalmente para integrar dados de sensores remotos e facilitar a estimativa de NPP. No entanto, alguns ajustes ainda são necessários para que estes modelos consigam representar eficientemente os dados reais na superfície. Assim, o objetivo desta pesquisa foi o teste e o desenvolvimento de metodologias capazes de quantificar e mapear a NPP através de dados coletados de sensores remotos, nas condições ambientais do Noroeste do Rio Grande do Sul. Sendo assim, foram feitas estimativas de NPP potencial, através do modelo Thornthwaite, para um período de 10 anos, incorporando dados climáticos obtidos de Estações Meteorológicas e dados de reanálise do ERA-Interim. As estimativas de NPP potencial foram similares aquelas obtidas com dados medidos na superfície, indicando que estes podem ser utilizados nas estimativas do potencial de NPP. Para a estimativa de NPP real, utilizou-se o modelo Carnegie-Ames-Stanford Approach (CASA), baseado em dados de superfície e de sensores remotos. O modelo CASA produziu estimativas acuradas da NPPreal quando comparadas aos dados medidos de superfície e se mostraram adequadas para representar o perfil temporal da soja durante o ciclo de desenvolvimento da cultura. Além disso, utilizouse o Índice de Umidade de Superfície (TVDI) como alternativa ao coeficiente de estresse hídrico para compor o modelo CASA, o que produziu estimativas acuradas de NPP em relação ao modelo original. Existe vantagem no uso da abordagem que introduz o TDVI, em função dos resultados com maior detalhamento espacial, além de utilizar dados exclusivamente de sensores remotos para rodar o modelo CASA. O uso do sensoriamento remoto ajuda a capturar pequenas mudanças hídricas e seus efeitos sobre a vegetação de forma mais precisa e com maior detalhamento. As estimativas de NPP potencial e NPP real foram comparadas para verificar as mudanças causadas na produção agrícola na região de estudo. Observou-se que quando realizado apenas um cultivo agrícola anual, a apropriação poder chegar a até 28% da NPP potencial. A quantificação da HANPP permite verificar se existem perdas ou ganhos de NPP potencial e, assim, subsidiar a busca de estratégias de gerenciamento para incremento da produtividade dos cultivos e minimização da demanda de terras novas de produção agrícola. | pt_BR |
dc.description.abstract | Net Primary Productivity (NPP) is a parameter of global importance, due to the role it plays in the carbon cycle. Many models have been developed in recent years, mainly to integrate data from remote sensors and facilitate the estimation of NPP. However, some adjustments are still necessary for these models to be able to efficiently represent the actual data on the surface. Thus, the objective of this research was to test and develop methodologies capable of quantifying and mapping NPP through data collected from remote sensors, in the environmental conditions of northwest Rio Grande do Sul. Therefore, estimates of potential NPP were made, through the Thornthwaite model, for a period of 10 years, incorporating climatic data obtained from Meteorological Stations and reanalysis data from ERA-Interim. The estimates of potential NPP were similar to those obtained with data measured on the surface, indicating that these can be used in estimates of the potential of NPP. For estimating real NPP, the Carnegie-Ames-Stanford Approach (CASA) model was used, based on surface data and remote sensors. The CASA model produced accurate estimates of the actual NPP when compared to the measured surface data and proved to be adequate to represent the soybean temporal profile during the crop development cycle. In addition, the Temperature-Vegetation Dryness Index (TVDI) was used as an alternative to the water stress coefficient to compose the CASA model, which produced accurate NPP estimates in relation to the original model. There is an advantage in using the approach that introduces TDVI, due to the results with greater spatial detail, in addition to using data exclusively from remote sensors to run the CASA model. The use of remote sensing helps to capture small water changes and their effects on vegetation more precisely and in greater detail. The estimates of potential NPP and actual NPP were compared to verify the changes caused in agricultural production in the study area. It was observed that when there is only one annual agricultural crop, the appropriation can reach up to 28% of the potential NPP. The quantification of the HANPP allows to verify if there are losses or gains of potential NPP and, therefore, to subsidize the search for management strategies to increase the productivity of the crops and minimize the demand for new agricultural production lands. | en |
dc.format.mimetype | application/pdf | pt_BR |
dc.language.iso | por | pt_BR |
dc.rights | Open Access | en |
dc.subject | TVDI | en |
dc.subject | Sensoriamento remoto | pt_BR |
dc.subject | ERA-Interim | en |
dc.subject | NDVI | pt_BR |
dc.subject | Google Earth Engine | en |
dc.subject | Carbon | en |
dc.subject | Soybean | en |
dc.subject | Superficial Temperature | en |
dc.title | Modelagem da produtividade primária líquida utilizando dados coletados de sensores remotos : avaliação de impactos e perdas em área agrícola | pt_BR |
dc.type | Dissertação | pt_BR |
dc.identifier.nrb | 001114654 | pt_BR |
dc.degree.grantor | Universidade Federal do Rio Grande do Sul | pt_BR |
dc.degree.department | Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia | pt_BR |
dc.degree.program | Programa de Pós-Graduação em Sensoriamento Remoto | pt_BR |
dc.degree.local | Porto Alegre, BR-RS | pt_BR |
dc.degree.date | 2020. | pt_BR |
dc.degree.level | mestrado | pt_BR |
Este item está licenciado na Creative Commons License
![](/themes/Mirage2Novo//images/lume/cc.png)
-
Ciências Exatas e da Terra (5097)Sensoriamento Remoto (291)