Made available in DSpace on 2017-07-10T19:24:17Z (GMT). No. of bitstreams: 1 DENISE_M_GR_ZEGOZEWSKI.pdf: 8188144 bytes, checksum: 045f54782a1ea2161edf5aa7046a8c1c (MD5) Previous issue date: 2016-02-03 / Estimates of agricultural production are greatly important especially in economy field. However, they depend on area knowledge and cropping yield. Thus, this study aimed to propose a methodology to estimate the areas cropped with soybeans and corn in Paraná State according to multi-temporal EVI/MODIS vegetation index images for 2010/2011, 2011/2012 and 2012/2013 crop years. In addition, there was a research with spatial autocorrelation soybean yield in Paraná, with EVI vegetation index and meteorological variables in a decennial scale and estimate yield using CAR, SAR and GWR models. In Paraná State, there is a drawback to map soybeans crop since corn sowing period is very close to the first one. Therefore, images from the maximum and minimum vegetative vigour were drawn of each studied crop for mapping soybean and corn crops in order to obtain both cropping areas. Although, for the separation, Spectro Angle Mapper algorithm (SAM) was applied by one of the studied crops, while mapping was obtained by multiplying the other bands. Thus, for spatial statistics application of mapped data, the average EV profile of each municipality was extracted as well as for each multi-temporal image, in order to change them into a decennial scale. According to the spatial statistics of such areas, the descriptive analysis of univariate spatial autocorrelation (global and local) of each ten-day variable was used based on the soybean cycle. A bivariate autocorrelation analysis between soybean yield and the studied varieties were also performed. Finalizing the methodology, variables with the highest significant level by stepwise method were selected and SAR, CAR and GWR models were generated to estimate soybean yield. As results, regarding mappings, the following answers for soybean were found out: r = 0.95 and r = 0.99, and while for corn, the answers were: r = 0.72 and r = 0.95 for 2012/2013 and 2013/2014 crop years in relation to the official data from SEAB. So, it has been proved some great efficiency of this methodology to separate and identify crops. When the descriptive statistics of municipalities for each variable was carried out, it was found out that some regions began an early sowing in relation to other ones in Paraná by the decennial vegetation index. The ten-day scale was also possible to be identified according to the climatic factors that caused soybean yield damage. Based on the analysis of spatial autocorrelation, the greatest similarities occurred in 2011/2012 crop year, the one affected by the weather change, whose yields were similar in the municipalities of Paraná State. For spatial modelling, it was observed that selection of decennial variables was different for each studied crop year, and the best model selected by the validation. And GWR was chosen as the best model by the AIC, BIC and adjusted R² validation criteria. The residuals were randomly distributed throughout all the State, so that spatial autocorrelation could be eliminated. / As estimativas das produções agrícolas têm grande importância, principalmente, no âmbito econômico. No entanto, elas são dependentes do conhecimento da área de cultivo e da produtividade da cultura. Desta forma, este trabalho teve por objetivo propor uma metodologia para estimar as áreas cultivadas com soja e milho em escala municipal no Estado do Paraná a partir de imagens multi-temporais do índice de vegetação EVI/MODIS, para os anos-safras 2010/2011, 2011/2012 e 2012/2013. Além disto, trabalhar com a autocorrelação espacial da produtividade da soja nesse Estado, com o índice de vegetação EVI e variáveis agrometeorológicas em escala decendial bem como estimar a produtividade a partir dos modelos CAR, SAR e GWR. No Paraná, há o inconveniente para mapear a soja devido à proximidade de datas de semeadura do milho. Assim, para o mapeamento da soja e do milho, utilizaram-se imagens englobando o período de máximo e mínimo vigor vegetativo de cada cultura, para se obter a área cultivada das duas. Para a separação, utilizou-se o algoritmo Spectro Angle Mapper (SAM) para uma das culturas e obteve-se o mapeamento da outra pela multiplicação de bandas. Para aplicação da estatística espacial dos dados mapeados, extraiu-se o perfil médio do EVI de cada município e para cada imagem multi-temporal para transformá-los em escala decendial. De acordo com a estatística espacial de áreas, utilizou-se a análise descritiva, de autocorrelação espacial univariada (global e local) de cada variável decendial com foco no ciclo da soja. Também realizou-se a análise de autocorrelação bivariada entre a produtividade da soja com as variáveis em estudo. Finalizando a metodologia, selecionaram-se as variáveis com maior índice de significância pelo método de stepwise e, em seguida, foram gerados os modelos estimados (SAR, CAR e GWR) da produtividade da soja. Como resultados, foram encontradas as seguintes respostas para os mapeamentos da soja r= 0,95 e 0,99, e para o milho de r = 0,72 e r= 0,95 para os anos-safras 2012/2013 e 2013/2014 em relação aos dados oficiais da SEAB. Logo, comprovou-se a grande eficiência da metodologia para separação e identificação das culturas. Quando realizada a estatística descritiva dos municípios para cada variável, verificaram-se regiões que iniciam as semeaduras antecipadas em relação a outras regiões do Estado pelos decêndios do índice de vegetação. Foi também possível identificar os decêndios em que os fatores climáticos causaram danos à produtividade da soja. Na análise da autocorrelação espacial, as maiores similaridades ocorreram no ano-safra 2011/2012, ano afetado pela variação climática, cujas produtividades foram semelhantes nos municípios do Paraná. Para a modelagem espacial, verificou-se que a seleção das variáveis decêndiais foi diferente para cada ano-safra estudado, e o GWR foi escolhido como melhor modelo pelos critérios de validação, AIC, BIC e R² ajustado. Foram encontrados resíduos distribuídos aleatoriamente por todo o Estado, para que assim se eliminasse a autocorrelação espacial

Made available in DSpace on 2017-05-12T14:47:34Z (GMT). No. of bitstreams: 1 DENISE_M_GR_ZEGOZEWSKI.pdf: 8188144 bytes, checksum: 045f54782a1ea2161edf5aa7046a8c1c (MD5) Previous issue date: 2016-02-03 / Estimates of agricultural production are greatly important especially in economy field. However, they depend on area knowledge and cropping yield. Thus, this study aimed to propose a methodology to estimate the areas cropped with soybeans and corn in Paraná State according to multi-temporal EVI/MODIS vegetation index images for 2010/2011, 2011/2012 and 2012/2013 crop years. In addition, there was a research with spatial autocorrelation soybean yield in Paraná, with EVI vegetation index and meteorological variables in a decennial scale and estimate yield using CAR, SAR and GWR models. In Paraná State, there is a drawback to map soybeans crop since corn sowing period is very close to the first one. Therefore, images from the maximum and minimum vegetative vigour were drawn of each studied crop for mapping soybean and corn crops in order to obtain both cropping areas. Although, for the separation, Spectro Angle Mapper algorithm (SAM) was applied by one of the studied crops, while mapping was obtained by multiplying the other bands. Thus, for spatial statistics application of mapped data, the average EV profile of each municipality was extracted as well as for each multi-temporal image, in order to change them into a decennial scale. According to the spatial statistics of such areas, the descriptive analysis of univariate spatial autocorrelation (global and local) of each ten-day variable was used based on the soybean cycle. A bivariate autocorrelation analysis between soybean yield and the studied varieties were also performed. Finalizing the methodology, variables with the highest significant level by stepwise method were selected and SAR, CAR and GWR models were generated to estimate soybean yield. As results, regarding mappings, the following answers for soybean were found out: r = 0.95 and r = 0.99, and while for corn, the answers were: r = 0.72 and r = 0.95 for 2012/2013 and 2013/2014 crop years in relation to the official data from SEAB. So, it has been proved some great efficiency of this methodology to separate and identify crops. When the descriptive statistics of municipalities for each variable was carried out, it was found out that some regions began an early sowing in relation to other ones in Paraná by the decennial vegetation index. The ten-day scale was also possible to be identified according to the climatic factors that caused soybean yield damage. Based on the analysis of spatial autocorrelation, the greatest similarities occurred in 2011/2012 crop year, the one affected by the weather change, whose yields were similar in the municipalities of Paraná State. For spatial modelling, it was observed that selection of decennial variables was different for each studied crop year, and the best model selected by the validation. And GWR was chosen as the best model by the AIC, BIC and adjusted R² validation criteria. The residuals were randomly distributed throughout all the State, so that spatial autocorrelation could be eliminated. / As estimativas das produções agrícolas têm grande importância, principalmente, no âmbito econômico. No entanto, elas são dependentes do conhecimento da área de cultivo e da produtividade da cultura. Desta forma, este trabalho teve por objetivo propor uma metodologia para estimar as áreas cultivadas com soja e milho em escala municipal no Estado do Paraná a partir de imagens multi-temporais do índice de vegetação EVI/MODIS, para os anos-safras 2010/2011, 2011/2012 e 2012/2013. Além disto, trabalhar com a autocorrelação espacial da produtividade da soja nesse Estado, com o índice de vegetação EVI e variáveis agrometeorológicas em escala decendial bem como estimar a produtividade a partir dos modelos CAR, SAR e GWR. No Paraná, há o inconveniente para mapear a soja devido à proximidade de datas de semeadura do milho. Assim, para o mapeamento da soja e do milho, utilizaram-se imagens englobando o período de máximo e mínimo vigor vegetativo de cada cultura, para se obter a área cultivada das duas. Para a separação, utilizou-se o algoritmo Spectro Angle Mapper (SAM) para uma das culturas e obteve-se o mapeamento da outra pela multiplicação de bandas. Para aplicação da estatística espacial dos dados mapeados, extraiu-se o perfil médio do EVI de cada município e para cada imagem multi-temporal para transformá-los em escala decendial. De acordo com a estatística espacial de áreas, utilizou-se a análise descritiva, de autocorrelação espacial univariada (global e local) de cada variável decendial com foco no ciclo da soja. Também realizou-se a análise de autocorrelação bivariada entre a produtividade da soja com as variáveis em estudo. Finalizando a metodologia, selecionaram-se as variáveis com maior índice de significância pelo método de stepwise e, em seguida, foram gerados os modelos estimados (SAR, CAR e GWR) da produtividade da soja. Como resultados, foram encontradas as seguintes respostas para os mapeamentos da soja r= 0,95 e 0,99, e para o milho de r = 0,72 e r= 0,95 para os anos-safras 2012/2013 e 2013/2014 em relação aos dados oficiais da SEAB. Logo, comprovou-se a grande eficiência da metodologia para separação e identificação das culturas. Quando realizada a estatística descritiva dos municípios para cada variável, verificaram-se regiões que iniciam as semeaduras antecipadas em relação a outras regiões do Estado pelos decêndios do índice de vegetação. Foi também possível identificar os decêndios em que os fatores climáticos causaram danos à produtividade da soja. Na análise da autocorrelação espacial, as maiores similaridades ocorreram no ano-safra 2011/2012, ano afetado pela variação climática, cujas produtividades foram semelhantes nos municípios do Paraná. Para a modelagem espacial, verificou-se que a seleção das variáveis decêndiais foi diferente para cada ano-safra estudado, e o GWR foi escolhido como melhor modelo pelos critérios de validação, AIC, BIC e R² ajustado. Foram encontrados resíduos distribuídos aleatoriamente por todo o Estado, para que assim se eliminasse a autocorrelação espacial