@PhDThesis{Dainese:2005:ImLAMa,
               author = "Dainese, Renata Cilene",
                title = "Imagens LANDSAT para mapeamento de produtividade de soja e milho 
                         em agricultura de precis{\~a}o",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2005",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2005-12-02",
             keywords = "x.",
             abstract = "O conhecimento da variabilidade espacial da produtividade de um 
                         talh{\~a}o agr{\'{\i}}cola {\'e} uma das 
                         informa{\c{c}}{\~o}es mais importantes nos sistemas de 
                         gerenciamento da produ{\c{c}}{\~a}o. Por{\'e}m, as 
                         t{\'e}cnicas convencionais para mensurar essa variabilidade, 
                         dentro dos princ{\'{\i}}pios de Agricultura de Precis{\~a}o 
                         (AP), n{\~a}o t{\^e}m demonstrado serem satisfat{\'o}rias, 
                         principalmente para grandes propriedades agr{\'{\i}}colas. Entre 
                         as diferentes alternativas para se conhecer a variabilidade 
                         espacial, o Sensoriamento Remoto (SR) tem se mostrado como uma das 
                         t{\'e}cnicas mais promissoras, por{\'e}m ainda carente de 
                         desenvolvimento. Desta forma, o objetivo principal deste trabalho 
                         foi o de explorar o potencial de imagens multiespectrais orbitais 
                         de m{\'e}dia resolu{\c{c}}{\~a}o espacial, aqui representadas 
                         pelos sensores TM e ETNA' a bordo dos sat{\'e}lites Landsat 5 e 
                         7, respectivamente, para obter mapas de variabilidade de 
                         produtividade das culturas de milho e soja. Para tanto, foi 
                         realizada a an{\'a}lise de regress{\~a}o m{\'u}ltipla entre os 
                         dados e estabelecida uma metodologia para gerar zonas de 
                         variabilidade de produtividade, chamada Mapa de 
                         Varia{\c{c}}{\~o}es. Nas an{\'a}lises de regress{\~a}o entre 
                         os mapas de produtividade, obtidos em campo por meio de colhedoras 
                         equipadas com monitores, e os valores de reflect{\^a}ncia, nas 
                         imagens de cada canal do sensor e de {\'{\i}}ndices de 
                         vegeta{\c{c}}{\~a}o, os valores de correla{\c{c}}{\~a}o 
                         encontrados foram baixos. Os maiores valores obtidos foram para a 
                         cultura do milho e observou-se uma tend{\^e}ncia de melhores 
                         resultados encontrados com a aplica{\c{c}}{\~a}o do GNDVI. Por 
                         outro lado, foi poss{\'{\i}}vel observar nos Mapas de 
                         Varia{\c{c}}{\~o}es uma tend{\^e}ncia de concord{\^a}ncia das 
                         zonas de reflect{\^a}ncia com as zonas de anormalidade de 
                         produtividade, demonstrando o potencial dessa metodologia para a 
                         defini{\c{c}}{\~a}o de zonas de manejo. Desta forma, pode-se 
                         verificar que o SR {\'e} potencialmente uma importante fonte de 
                         dados para a AP, que pode suprir algumas das necessidades deste 
                         sistema, desde que com t{\'e}cnicas adequadas e um detalhado 
                         trabalho de campo, principalmente para grandes {\'a}reas, ou onde 
                         dados de monitoramento de colheita n{\~a}o est{\~a}o 
                         dispon{\'{\i}}veis. ABSTRACT: The knowledge of space variability 
                         of yield is one of the most important in the management 
                         information production systems. However, conventional techniques 
                         for measuring such variability, with the principies of Precision 
                         Agriculture, have not demonstrated to be satisfactory, mainly for 
                         large farms. Among different alternatives, Remote Sensing tias 
                         shown to be one of the most promising techniques, however still 
                         under development. Considering it, the main objective of this work 
                         was to explore the potential of orbital multispectral images of 
                         average space resolution, obtained with lhe sensors TM and ETM . 
                         on board lhe satellites Landsat 5 and 7, respectively, aiming at 
                         the attainment of maps of com and soybean yield variability. A 
                         multiple regression was carried out and established a methodology 
                         of generation of yield variability zones, call Variations Map. 
                         Regression analyses were established between yield maps generated 
                         by yield monitors on lhe combines, and the values of reflectance 
                         of each canal of the sensor and vegetation index. The correlation 
                         values were low, with highest values com n and with lhe 
                         application of the GNDVI. On the other hand, it was possible to 
                         observe a trend where reflectance zones followed the zones of 
                         yield abnormality using the methodology of Variations Maps, 
                         demonstrating the potential of this methodology for the definition 
                         of management zones. It can be observed that Remote Sensing is 
                         potentially an important source of data for Precision Agriculture, 
                         being able to supply with adequate techniques and detailed field 
                         work, some of the necessities of the system, mainly for large 
                         areas, or where yield maps are not available.",
            committee = "Epiphanio, Jos{\'e} Carlos Neves (presidente) and Molin, 
                         Jos{\'e} Paulo (orientador) and Moreira, Maur{\'{\i}}cio Alves 
                         (orientador) and Rudorff, Bernardo Friedrich Theodor and Queiroz, 
                         Daniel Mar{\c{c}}al de and Vettorazzi, Carlos Alberto",
           copyholder = "SID/SCD",
         englishtitle = "LANDSAT images for mapping soybean and corn yield in precision 
                         agriculture",
             language = "pt",
                pages = "141",
                  ibi = "6qtX3pFwXQZGivnJSY/KaFEm",
                  url = "http://urlib.net/ibi/6qtX3pFwXQZGivnJSY/KaFEm",
           targetfile = "publicacao.pdf",
        urlaccessdate = "10 maio 2024"
}