Tese - Fillipe de Paula Almeida - 2023

UNIVERSIDADE FEDERAL DE GOIÁS
ESCOLA DE AGRONOMIA
PROGRAMA DE PÓS-GRADUAÇÃO EM AGRONOMIA
EVAPOTRANSPIRAÇÃO DAS CULTURAS DO

MILHO E FEIJÃO NO BIOMA CERRADO
UTILIZANDO SENSORIAMENTO REMOTO POR
DRONES E SATÉLITES
FILLIPE DE PAULA ALMEIDA
Orientador:
Prof. Dr. José Alves Júnior
Goiânia - GO Fevereiro - 2023
Brasil
FILLIPE DE PAULA ALMEIDA
EVAPOTRANSPIRAÇÃO DAS CULTURAS DO MILHO E FEIJÃO NO BIOMA

CERRADO UTILIZANDO SENSORIAMENTO REMOTO POR DRONES E
SATÉLITES
Tese apresentada ao Programa de Pós-Graduação

em Agronomia, da Universidade Federal de
Goiás, como requisito parcial para à obtenção do
título de Doutor em Agronomia.
Área de concentração: Solo e Água.
Orientador:
Prof. Dr. José Alves Júnior
Coorientador:
Prof. Dr. Antônio Heriberto de Castro
Teixeira
Goiânia, GO - Brasil
2023
Aos meus pais e meu filho.
AGRADECIMENTOS
A minha jornada pela Universidade Federal de Goiás (UFG) se iniciou no ano

de 2013. Quando olho pra trás vejo o quanto adquiri de conhecimento e experiência por
todos esses anos. Mas eu não teria conseguido passar por tantas etapas sem a contribuição
de várias pessoas. Assim, eu agradeço:
A Deus por ter me proporcionado condições, força, saúde e persistência, pois
sem Ele nada seria possível.
Aos meus pais, por todo o apoio, carinho e amor. Sempre me incentivaram a
traçar o melhor caminho e nunca deixaram de me apoiar.
Aos meu colegas João e Gustavo, pela amizade, contribuições e anos de
convivência. Ao meu colega Fábio Knapp, pelas contribuições ao trabalho, experiências e
momentos compartilhados, que nunca serão esquecidos.
A minha amiga Ana Faquim, pela amizade que se iniciou na graduação, pelo
apoio e experiências divididas.
Ao Dr. José Alves Júnior, grande orientador, apesar de várias dificuldades que
passamos ao longo dessa jornada de quase quatro anos nunca deixou de me motivar. A minha
admiração tanto pessoal quanto profissional, pela disponibilidade, ideias, críticas e respeito.
Ao meu coorientador Dr. Antônio Heriberto Teixeira, pela disponibilidade,
ideias e apoio que me forneceu sempre quando precisei.
Ao Dr. Derblai Casaroli, pelos questionamentos, críticas e ideais fornecidas e
que foram fundamentais para nosso trabalho.
Ao Dr. Manuel por várias contribuições, principalmente pelo apoio fornecido
para a execução de todo o trabalho de campo.
Ao Dr. João Maurício que desde o início foi um parceiro para a execução deste
trabalho, sempre dando ideias e contribuindo de diversas maneiras.
À UFG, ao Programa de Pós-Graduação em Agronomia (PPGA), ao Núcleo de
Pesquisa em Clima e Recursos Hídricos do Cerrado (NUCLIRH), ao Laboratório de
Processamento de Imagens e Geoprocessamento (LAPIG) e ao Conselho Nacional de
Desenvolvimento Científico e Tecnológico.
E a todos aqueles que de forma direta ou indiretamente contribuíram para o
desenvolvimento deste trabalho, mesmo não sendo citado aqui, o meu muito obrigado!
SUMÁRIO
LISTA DE TABELAS ......................................................................................................... 3

LISTA DE FIGURAS.......................................................................................................... 4
RESUMO GERAL .............................................................................................................. 3
GENERAL ABSTRACT..................................................................................................... 3
1 INTRODUÇÃO GERAL ............................................................................................... 13
1.1 REFERÊNCIAS ..................................................................................................................... 14
2.1 CULTURAS DO MILHO E FEIJÃO .................................................................................... 17
2.2 EVAPOTRANSPIRAÇÃO .................................................................................................... 17
2.3 MÉTODOS PARA OBTENÇÃO DA EVAPOTRANSPIRAÇÃO....................................... 19
2.4 BALANÇO HÍDRICO CLIMATOLÓGICO ......................................................................... 22
2.5 SENSORIAMENTO REMOTO ............................................................................................ 23
2.6 REFERÊNCIAS ..................................................................................................................... 24
RESUMO ..................................................................................................................................... 28
ABSTRACT ................................................................................................................................. 28
3.1 INTRODUÇÃO ..................................................................................................................... 29
3.2 MATERIAL E MÉTODOS ................................................................................................... 31
3.2.1 Conversão dos valores de DN (números digitais) em radiância ................................ 33
3.2.2 Cálculo de reflectância .................................................................................................. 34
3.2.3 Albedo no topo da atmosfera........................................................................................ 34
3.2.4 Albedo de superfície ...................................................................................................... 35
3.2.5 Temperatura de superfície ........................................................................................... 35
3.2.6 Índice de vegetação por diferença normalizada (NDVI) ........................................... 35
3.3 RESULTADOS E DISCUSSÃO ........................................................................................... 37
3.4 CONCLUSÕES...................................................................................................................... 51
3.5 REFERÊNCIAS ..................................................................................................................... 51
4 ESTIMATIVA DA EVAPOTRANSPIRAÇÃO DA CULTURA DO FEIJÃO
POR SENSORIAMENTO REMOTO UTILIZANDO DIFERENTES FONTES DE
ALBEDO ............................................................................................................................ 56
RESUMO ..................................................................................................................................... 56
ABSTRACT ................................................................................................................................. 56
4.1 INTRODUÇÃO ..................................................................................................................... 57
4.2 MATERIAL E MÉTODOS ................................................................................................... 59
4.2.1 Conversão dos valores de DN (números digitais) em radiância ................................ 61
4.2.2 Cálculo de reflectância .................................................................................................. 62
4.2.3 Albedo no topo da atmosfera........................................................................................ 62
4.2.4 Albedo de superfície ...................................................................................................... 63
4.2.5 Temperatura de superfície ........................................................................................... 63
4.2.6 Índice de vegetação por diferença normalizada (NDVI) ........................................... 63
4.3 RESULTADOS E DISCUSSÃO ........................................................................................... 65
4.4 CONCLUSÕES...................................................................................................................... 77
4.5 REFERÊNCIAS ..................................................................................................................... 78
6 ANEXO ............................................................................................................................ 83
LISTA DE TABELAS
Tabela 3.1 Acumulado térmico, de precipitação, da ETo e da lâmina de irrigação

do milho para a área avaliada em 2021................................................. 38
Tabela 3.2 Valores médios de densidade do solo, granulometria e textura por

camada................................................................................................... 38
Tabela 3.3 Valores médios de resistência do solo à penetração e umidade
volumétrica por camada........................................................................ 38
Tabela 3.4 Erro quadrado médio (EQM, mm dia-1), erro médio absoluto (EMA,
mm dia-1), raiz do erro médio absoluto (REMA, mm dia-1), coeficiente
de correlação (r), índice de concordância (d) e índice de confiança (c)
para os valores de evapotranspiração obtidos pelos métodos Drone,
DroneLand, DroneSent comparando-os aos métodos ETFAO, ETEmbrapa,
ETBHC.
............................................................................................................... 45
para os valores de evapotranspiração obtidos por estádio de
desenvolvimento do milho pelos métodos Drone, DroneLand,
DroneSent comparando-os aos métodos ETFAO, ETEmbrapa e
ETBHC..................................................................................................... 49
Tabela 4.1 Acumulado térmico, de precipitação, da ET0 e da lâmina de irrigação
do feijão para área avaliada em 2021.................................................... 66
Tabela 4.2 Valores médios de densidade do solo, granulometria e textura por

camada................................................................................................... 66
Tabela 4.3 Valores médios de resistência do solo à penetração e umidade

volumétrica por camada........................................................................ 67
para os valores de evapotranspiração obtidos pelos métodos
DroneAlb, DroneSat e Drone comparando-os aos métodos ETFAO,
ETEmbrapa e ETBHC................................................................................... 69
para os valores de evapotranspiração obtidos por estádio de
desenvolvimento do feijão pelos métodos DroneAlb, DroneSat, Drone
comparando-os aos métodos ETFAO, ETEmbrapa e
ETBHC..................................................................................................... 75
LISTA DE FIGURAS
Figura 3.1 Mapa de localização da área de estudo...................................................

31
Figura 3.2 Fluxograma referindo-se aos meios de obtenção da ET por
sensoriamento remoto............................................................................ 36
Figura 3.3 Potencial de água na folha obtidos por câmara de Scholander para a
cultura do milho de acordo com metodologia de Bono et al.
(2001)..................................................................................................... 39
Figura 3.4 Variação temporal da umidade do solo nas camadas de 0,0-0,5 m e da
precipitação com a irrigação.................................................................. 40
Figura 3.5 Comparativo do coeficiente de cultura estimado pelos métodos FAO
56, Embrapa, DroneLand, DroneSent e Drone, ao longo do ciclo em
Itaberaí-GO, 2021.................................................................................. 41
Figura 3.6 Distribuição do albedo ao longo do ciclo da cultura do milho obtido
através do algoritmo SAFER com imagens de drone e dos satélites
Landsat 8 e Sentinel 2A.......................................................................... 42
Figura 3.7 Influência do pendoamento na distribuição dos valores de NDVI na
cultura do milho..................................................................................... 43
Figura 3.8 Distribuição da temperatura de superfície (A) e NDVI (B) ao longo do

ciclo da cultura do milho obtido utilizando imagens de câmera
multiespectral e termal........................................................................... 44
Figura 3.9 Evapotranspiração da cultura do milho referente ao período de março
a julho de 2021 obtida pelo método Drone (A; B; C), DroneLand (D;
E; F) e DroneSent (G; H; I) comparados com FAO 56, Embrapa e
BHC....................................................................................................... 46
Figura 4.1 Mapa de localização da área de estudo………………………………..
59
Figura 4.2 Fluxograma referindo-se aos meios de obtenção da ET por

64
sensoriamento remote…………………………………………………

67
precipitação com a irrigação..................................................................
Figura 4.4 Comparativo de kc estimado pelo método FAO, Embrapa, DroneAlb,

68
DroneSat e Drone ao longo do ciclo do feijão, Itaberaí-GO, 2021.......
Figura 4.5 Evapotranspiração da cultura do feijão referente ao período de julho a

outubro de 2021 obtida pelo método DroneAlb (A; B; C), DroneSat
(D; E; F) e Drone (G; H; I) comparados com FAO 56, Embrapa e
BHC....................................................................................................... 70
Figura 4.6 Distribuição da temperatura de superfície (A) e NDVI (B) ao longo do
ciclo da cultura do feijão obtido por imagens de câmera multiespectral
73
e termal...................................................................................................
Figura 4.7 Distribuição do albedo de superfície ao longo do ciclo da cultura do

feijão obtido através de imagens dos satélites Landsat 8 e Sentinel 2A
(corrigido pela equação 15), câmera multiespectral e termal e
albedômetro........................................................................................... 74
RESUMO GERAL
ALMEIDA, F. P. Evapotranspiração das culturas do milho e feijão no bioma Cerrado

utilizando sensoriamento remoto por drones e satélites, 2023. 89 f. Tese (Doutorado em
Agronomia: Solo e Água) – Escola de Agronomia, Universidade Federal de Goiás, Goiânia,
2023.¹
O milho e o feijão são dois dos principais grãos cultivados em todo mundo, com
grande importância na alimentação humana e animal. O cultivo do milho é realizado
principalmente na 1ª e 2ª safra, dependendo na maioria das vezes das chuvas e sendo
vulnerável a veranicos. Do mesmo modo o feijão, que é produzido na maior parte na 2ª safra.
Com isso, o conhecimento da evapotranspiração da cultura é fundamental para a alimentação
de modelos de estimativa e quebra de produtividade, gestão dos recursos hídricos e manejo
da irrigação. Nesse contexto, o sensoriamento remoto se torna uma alternativa viável, de
baixo custo de operação e de boa acurácia. Com isso, o objetivo deste trabalho foi avaliar o
desempenho do algoritmo Simple Algorithm For Evapotranspiration Retrieving (SAFER)
na estimativa da evapotranspiração atual (ETa) da cultura do milho e feijão na região
noroeste de Goiás. Ambos os estudos foram realizados em Itaberaí-Goiás em área irrigada
por pivô central no ano de 2021. A pesquisa foi elaborada em duas partes: na primeira foi
avaliado o impacto do pendoamento no cálculo da ET em uma área cultivada com milho.
Foi utilizado imagens de câmera multiespectral e termal MicaSense Altum acoplada a drone
e três diferentes fontes de imagens de albedo: Landsat 8, Sentinel 2A e drone. O albedo
proveniente do drone foi obtido através das imagens de reflectância da câmera. Na segunda
parte foi avaliado o impacto de diferentes fontes de albedo no cálculo da ET, também
utilizando as imagens da câmera, porém utilizando quatro fontes de albedo. Para isso, foi
instalado em campo um albedômetro. A ETa estimada por cada fonte foi comparada com a
ET obtida pelo método FAO, Embrapa e balanço hídrico climatológico a partir de índices
estatísticos. O pendoamento na cultura do milho contaminou os pixels de NDVI e albedo
levando a uma maior subestimativa na fase reprodutiva. Em média, os EQM (erro quadrado
médio) e EMA (erro médio absoluto) ficaram próximos de 1 mm dia-1. A estimativa da ETa
por sensoriamento remoto não é recomendada para a fase reprodutiva da cultura do milho.
A estimativa da ETa para a cultura do feijão é recomendada a partir de imagens de câmera
multiespectral e termal, com ambas as fontes de albedo de superfície. O índice de confiança
variou de 0,91 a 0,97. A ETDroneAlb apresentou menor erro em comparação com os métodos
padrões.
Palavras-chave: Necessidade hídrica; Phaseulus vulgares; Zea mays; SAFER;

geoprocessamento
Orientador: Prof. Dr. José Alves Júnior. EA/UFG.

Coorientador: Prof. Dr. Antônio Heriberto de Castro Teixeira. UFS.
GENERAL ABSTRACT
ALMEIDA, F. P. Crop evapotranspiration of corn and dry bean in Brazilian Savanna

region using remote sensing by drones and satellites, 2023. 89 f. Thesis (Doctorate degree
in Agronomy: Soil and Water) – Escola de Agronomia, Universidade Federal de Goiás,
Goiânia, 2023.²
Corn and beans are two of the main grains grown worldwide, with great
importance in human and animal food. Corn cultivation is carried out mainly in the 1st and
2nd harvest, depending most of the time on rain and being vulnerable to dry spells. Likewise
beans, which are mostly produced in the 2nd harvest. As a result, knowledge of crop
evapotranspiration is essential to feed models for estimating and breaking productivity,
managing water resources and managing irrigation. In this context, remote sensing becomes
a viable alternative, with low operating costs and good accuracy. Thus, the objective of this
work was to evaluate the performance of the Simple Algorithm For Evapotranspiration
Retrieving (SAFER) algorithm in estimating the current evapotranspiration (ETa) of corn
and bean crops in the northwest region of Goiás. Both studies were carried out in Itaberaí-
Goiás in an area irrigated by center pivot in the year 2021. The research was carried out in
two parts: the first was to evaluate the impact of bolting on the calculated ET in an area
cultivated with corn. Images from a MicaSense Altum multispectral and thermal camera
coupled to a drone and three different sources of albedo images were used: Landsat 8,
Sentinel 2A and drone. The albedo from the drone was obtained through the camera's
reflectance images. The second part was to evaluate the impact of different albedo sources
on the calculated ET, also using the camera images, but using four albedo sources. For this,
an albedometer was installed in the field. The ET estimated by each source was determined
with the ET obtained by the FAO method, Embrapa and climatological water balance from
statistical indices. Tasseling in the maize crop contaminated the NDVI and albedo pixels,
leading to a greater underestimation in the reproductive phase. On average, the MDE (mean
square error) and AME (mean absolute error) were close to 1 mm day-1. Estimation of ET
by remote sensing is not recommended for the reproductive phase of maize. Estimation of
the ETa for the common bean crop is recommended from multispectral and thermal camera
images, with both surface albedo sources. The confidence index ranges from 0.91 to 0.97.
ETDroneAlb showed lower error compared to the standard methods.
Key words: Water requirement; Phaseulus vulgaris; Zea mays; SAFER; geoprocessing.
²Advisor: Prof. Dr. José Alves Júnior. EA/UFG.

Co-Advisor: Prof. Dr. Antônio Heriberto de Castro Teixeira. UFS.
12
1 INTRODUÇÃO GERAL
O milho possui grande importância econômica pelas diversas formas de sua

utilização, desde a alimentação animal até a indústria de alta tecnologia. A nutrição animal
representa a maior parte do consumo mundial, no Brasil, varia de 70 a 90%. Esse cereal é
muito importante para alimentação humana em regiões com baixa renda, como o nordeste
(Cruz et al., 2011). O feijão é um vegetal que pertence à família das leguminosas. No Brasil,
o feijão é classificado em dois grupos: I e II. Dentro do grupo I, está o feijão-comum, que
pertence à espécie Phaseolus vulgaris. No grupo II, encontra-se o feijão-caupi (feijão-de-
corda ou feijão-macassar), que pertence à espécie Vigna unguiculata (L) Walp (Chaves &
Bassinello, 2014). O Brasil é o maior produtor de feijão-comum do mundo.
De acordo com a CEPEA (2022) a estimativa de participação do agronegócio no
PIB brasileiro é de 25,5% para o ano de 2022. Segundo dados do IMB (2022) o setor
agropecuário representou participação de 14,5 % no PIB de Goiás, em 2020. Isso representa
a grande importância do setor na economia brasileira. No ano de 2022 o volume exportado
de milho alcançou 43,38 milhões de toneladas, Goiás foi o 3º maior exportador, atingiu 3,29
milhões de toneladas (CONAB, 2023).
De acordo com o Anuário Estatístico do Brasil (IBGE, 1947), a produtividade
média do milho era de 1,35 t ha-1 para a safra de 1944. Já para a safra 2021/2022 a estimativa
nacional deverá apresentar produtividade de 5,24 t ha¹ (CONAB, 2022). Houve um salto de
produtividade de 4,04 vezes. Para o feijão, a produtividade em 1944 era de 0,77 t ha-1 (IBGE,
1947). A estimativa para a safra 2021/2022 é de 1,05 t ha-1 (CONAB, 2022). Nessa série
temporal a produtividade aumentou cerca de 40%. Isso se explica pelo incremento
tecnológico das últimas décadas, com pesquisas, novas cultivares, capacitação de
profissionais, maquinários e extensão rural. Assim, como a necessidade hídrica da cultura
tem ligação direta com sua produtividade, é de se esperar que o consumo de água dessas
culturas tem sido alterado ao longo do tempo.
O boletim FAO56 foi publicado no ano de 1998, nele contém o coeficiente de
cultura (Kc) para a maioria das culturas. Porém há uma defasagem de 24 anos, a
produtividade atual das plantas é superior ao da data que o boletim foi divulgado. Allen et
13
al. (1998) em seu boletim já recomendavam que valores de Kc e de duração dos estádios da
cultura sejam ajustados por meio de experimentos para cada região, de acordo com a
variedade, as condições edafoclimáticas e técnicas de cultivo. Andrade Junior (2018)
pesquisando a diferença na evapotranspiração de uma área cultivada com feijão-caupi em
sistema de plantio direto e convencional, concluiu a ETc sob plantio direto é 14,9% menor,
tendo redução média de 16,9% no kc. Por isso, há necessidade do ajuste do kc para cada
sistema de plantio, cultivar e região.
E nessa necessidade de se estimar a demanda hídrica da cultura, e com esse
conhecimento evitar baixa produtividade, alimentar modelos de estimativa e quebra de
produtividade e dimensionar melhor a irrigação, foram desenvolvidos mecanismos para
determinação ou estimativa da água requerida pelas culturas. Para essa obtenção, existem
métodos diretos e indiretos, que buscam determinar a quantidade de água que a cultura
necessita, assim otimizando o sistema de irrigação. A medição do consumo de água durante
o ciclo da cultura, determinada por lisímetros ou através de balanço hídrico, permite a
determinação do Kc pela relação entre a evapotranspiração da cultura (ETc) e de referência
(ETo) (Jensen, 1968).
De acordo com Oliveira et al. (2020) a estimativa da evapotranspiração (ET)
pode ser mensurada por métodos diretos, como a lisimetria de pesagem, percolação e
flutuação. E por métodos indiretos, como o tanque classe A, evaporímetros e a partir de
equações empíricas que utilizam variáveis meteorológicas. O método de Penman-Monteith
foi aceito como padrão para estimativa da evapotranspiração de referência (ETo) pela
Organização das Nações Unidas para agricultura e alimentação em seu boletim 56 (Allen et
al., 1998), pois possui maior correlação com o método direto da lisimetria. Todos os métodos
indiretos têm como referência para calibração o método de Penman-Monteith, É um método
complexo que demanda grandes números de variáveis meteorológicas, como velocidade do
vento, temperatura média do ar, saldo de radiação diário e pressão de saturação de vapor.
Fluxos de energia na interface da superfície terrestre e da atmosfera caracterizam
as trocas energéticas que determinam os regimes térmicos do solo, da vegetação e do ar
atmosférico (Gomes et al., 2013). Esse balanço de energia pode ser estimado utilizando
tecnologias modernas, como o sensoriamento remoto. É um método de baixo custo, pois
existem diversas fontes de dados gratuitas. Esses dados podem ser oriundos de imagens
orbitais ou por meio de câmeras multiespectrais acopladas a drone. Machado et al. (2010)
relataram que estudos que utilizam técnicas de sensoriamento remoto, necessitam de
14
algoritmos para estimar elementos da superfície terrestre. Por isso, estimar o balanço de
energia é de fundamental importância, imprescindível nos estudos de modelagem
meteorológica, hidrológica e no manejo hídrico da agricultura irrigada (Bezerra et al., 2008).
E dentre esses algoritmos o SAFER (Simple Algorithm for Evapotranspiration Retrieving)
desenvolvido por Teixeira (2012) se destaca pela simplicidade e robustez nos dados gerados.
A estimativa por sensoriamento remoto já vem sendo estudada e aprimorada para
o uso de imagens orbitais, porém a interferência de nuvens, a baixa resolução espacial (baixo
nível de detalhamento dos objetos) e temporal (tempo de revisita) afetam a qualidade e
quantidade de dados. Por isso, o uso de imagens de drone na estimativa da ET surge como
alternativa para suprir essas carências, fornecendo imagens em escala de ultra detalhamento,
reduzindo a interferência por nuvens e condições meteorológicas.
Os dados oriundos de imagens necessários para o cálculo da ET pelo SAFER
são três: a temperatura de superfície, o NDVI (Normalized Difference Vegetation Index) e o
albedo de superfície. A forma de obtenção e a precisão na estimativa desses dados são
fundamentais para a qualidade dos dados gerados de ET.
De acordo com Meivel & Maheswari (2021) os drones podem ser utilizados para
assistência ao agricultor, monitoramento do solo e do crescimento das plantas. Eles fornecem
gerenciamento de precisão, com economia e operações flexíveis. Assim, demonstra
potencial para suprir as demandas do setor produtivo, além de oferecer um processo
dinâmico, baixo custo de operação e imagens em nível de ultra detalhamento.
Neste contexto, o trabalho teve como objetivo:
a. Avaliar o desempenho do algoritmo SAFER na estimativa da ET utilizando
imagens de drone e diferentes fontes de albedo de superfície nas culturas do
milho e feijão.
b. Avaliar a influência da resolução espacial e temporal das imagens na
qualidade dos dados da ET.
1.1 REFERÊNCIAS
ALLEN, R. G.; PEREIRA, L. S.; RAES, D.; SMITH, M. Crop evapotranspiration:

Guidelines for computing crop water requirements. Irrigation and Drainage Paper: 56,
Rome, 297 p., 1998.
15
ANDRADE JUNIOR, A. S.; BASTOS, E. A.; MONTEIRO, M. M. S.; SILVA JUNIOR, J.

S. Evapotranspiração e coeficiente de cultura do feijão-caupi sob sistema de cultivo
convencional e plantio direto. Agrometeoros, Passo Fundo, v.26, n.1, p.191-199, 2018.
BEZERRA, B. G.; SILVA, B. B.; FERREIRA, N. J. Estimativa da evapotranspiração real

diária utilizando-se imagens digitais TM - Landsat 5. Revista Brasileira de Meteorologia,
São José dos Campos, v. 3, p. 305-317, 2008.
CENTRO DE ESTUDOS AVANÇADOS EM ECONOMIA APLICADA (CEPEA-USP).

PIB do Agronegócio Brasileiro: agosto, 2022. Disponível em:
<https://www.cepea.esalq.usp.br/br/pib-do-agronegocio-brasileiro.aspx> Acesso em: 02
jan. 2022.
CHAVES, M. O.; BASSINELLO, P. Z. O feijão na alimentação humana. In: GONZAGA,

A. C. de O. (Ed.). Feijão: o produtor pergunta, a Embrapa responde. 2ª ed., Brasília, DF:
Embrapa, 2014.
COMPANHIA NACIONAL DE ABASTECIMENTO (Conab). Acompanhamento da

safra brasileira de grãos, v. 10, n.3 Brasília: Conab, 2022. Terceiro levantamento.
Disponível em: <http://www.conab.gov.br>. Acesso em: 10 dez. 2022.
COMPANHIA NACIONAL DE ABASTECIMENTO (Conab). Boletim logístico: Ano IV,

janeiro de 2023, 2023. Disponível em: < https://www.conab.gov.br/info-agro/analises-do-
mercado-agropecuario-e-extrativista/boletim-logistico> Acesso em: 20 de janeiro de 2023.
CRUZ, J. C.; PINTO FILHO, I. A.; PIMENTEL, M. A. G.; COELHO, A. M.; KARAM, D.;
CRUZ, I.; GARCIA, J. C.; MOREIRA, J. A. A.; OLIVEIRA, M. F.; GONTIJO NETO, M.
M.; DE ALBUQUERQUE, P. E. P.; VIANA, P. A.; MENDES, S. N.; DA COSTA, R. V.;
ALVARENGA, R. C.; MATRANGOLO, W. J. R. Produção de milho na agricultura
familiar. Embrapa: Circular técnica 159, Sete Lagoas, 2011.
FOOD AND AGRICULTURE ORGANIZATION OF THE UNITED NATIONS – FAO,

FAOSTAT, 2021. Disponível em: <http://www.fao.org/faostat/en/#data/QC> Acesso em:
30 ago. 2022.
GOMES, L. C. F.; DOS SANTOS, C. A. C.; DE ALMEIDA, H. A. Balanço de energia à

superfície para a cidade de Patos-PB usando técnicas de sensoriamento remoto. Revista
Brasileira de Geografia Física, Recife, v.6, n.1, p.15-28, 2013.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Anuário

Estatístico do Brasil. Conselho Nacional de Estatística. Rio de Janeiro, 1947. 552 p.
INSTUTO MAURO BORGES DE ESTATÍSTICAS E ESTUDOS SOCIOECONÔMICOS

(IMB). PIB do Estado de Goiás 2020, novembro 2022. Disponível em:
<https://www.imb.go.gov.br/files/docs/publicacoes/pib-goias/PIB_Regional_2020.pdf>
Acesso em: 02 jan. 2023
JENSEN, M. E. Water consumption by agricultural plants. Pages 1–22 in: Kozlowski, T. ed.
Water deficits and plant growth. v. 2. Academic Press. New York, 1968.
16
MACHADO, C. C. C.; GALVÍNCIO, J. D.; PEREIRA, E. C. G. Utilização do IVAS e da

Temperatura da superfície para análise multitemporal das mudanças ambientais no Parque
Natural da Serra da Estrela. VI Seminário Latino Americano de Geografia Física II
Seminário Ibero Americano de Geografia Física Universidade de Coimbra. Portugal, p.
1-12, 2010.
MEIVEL, S.; MAHESWARI, S. Remote Sensing Analysis of Agricultural Drone. Journal

of the Indian Society of Remote Sensing, Tamilnadu, v. 49, p.689-701, 2021.
OLIVEIRA, E. R.; SILVA, C. T. RAMOS, R. F. O. Evapotranspiração de referência em

Januária-MG pelos métodos tanque classe “A” e Hargreaves-Samani. Colloquium
Agrariae, Presidente Prudente, v.16, n.1, p.48-54, 2020.
TEIXEIRA, A. H. C. Modelling Evapotranspiration by Remote Sensing Parameters and

Agrometeorological Stations. In. Remote Sensing and Hydrology; NEALE, C. M. U.;
COSH, M. H. Eds.; IAHS Publ. 352; IAHS Press: Wallingford, UK; p. 154-157, 2012.
17
2 REVISÃO BIBLIOGRÁFICA
2.1 CULTURAS DO MILHO E FEIJÃO
O milho (Zea mays L.) é uma planta pertencente à família Poaceae, nativa das
Américas e é uma das culturas mais exploradas no mundo, sendo o Brasil o terceiro maior
produtor e um dos cinco maiores exportadores de milho (USDA, 2021). O milho é cultivado
em todas as regiões do Brasil, principalmente na segunda safra (CONAB, 2022).
A cultura do milho necessita de ótimos níveis de índices climáticos,
especialmente temperatura, precipitação pluviométrica e ou irrigação e fotoperíodo, para que
alcance o seu máximo potencial produtivo (Cruz et al., 2006).
O feijão comum (Phaseolus vulgaris) é originário da América do Sul e foi
introduzido no Brasil no século XVI (BITOCCHI et al., 2017). O feijoeiro é cultivado em
vários estados no Brasil e em diferentes condições edafoclimáticas, época e sistemas de
cultivo. O feijão constitui-se em uma das mais importantes fontes proteicas na dieta humana
em países em desenvolvimento das regiões tropicais e subtropicais.
Considerando todas as espécies de feijão em grãos, o Brasil é o terceiro maior
produtor mundial, ficando atrás apenas da Índia e Mianmar (FAO, 2021). Os países em
desenvolvimento são responsáveis por 87,1% do consumo mundial e por 89,8% da produção.
Entre os continentes, a Ásia foi o maior produtor mundial (43,13%), seguido das Américas
(29,42%), da África (25,68%), da Europa (1,4%) e da Oceania (0,37%) (FAO, 2021).
2.2 EVAPOTRANSPIRAÇÃO
Evaporação é um fenômeno físico pelo qual uma substância em estado físico

líquido passa para o estado gasoso. Esse processo ocorre na superfície do globo, através do
solo, rios, lagos e oceanos. A transpiração é um fenômeno que ocorre em todos os seres
vivos, consiste na transformação da água que está contida nos seres vivos em vapor de água.
Ambos processos físicos são representados em mm (milímetros) ou g m² s¹.
18
A evapotranspiração consiste em um fenômeno complexo, que reflete o poder

evaporante da atmosfera (Allen et al., 1998), é composto pela evaporação da água do solo
acrescida da transpiração das plantas. Varia principalmente pelas características do solo,
cobertura vegetal e parâmetros climáticos. De acordo com Allen et al. (1998) a estimativa
da evapotranspiração é fundamental, pode ser utilizada para fins de concessão de outorga de
água, dimensionamento de sistemas de irrigação e como ferramenta de planejamento.
A evapotranspiração potencial (ETp) representa o potencial evaporativo de
determinado ambiente que a radiação solar pode oferecer, não havendo restrição hídrica para
as plantas (Sousa & Moura, 2022). Constitui em um teor de água ótimo no solo, que
possibilita bom desenvolvimento para as plantas.
O termo evapotranspiração de referência (ET0) proposto por Allen et al. (1998)
consiste em evapotranspiração que ocorre em uma superfície de uma cultura hipotética, com
altura de 0,12 m, albedo de 0,23, resistência do dossel constante e igual a 70 s m-1 e sem
restrição hídrica. Esse método (Penman-Monteith) que é reconhecido como padrão FAO 56
(Food Agriculture Organization) é um método que necessita de diversas variáveis
meteorológicas, como por exemplo, radiação solar, temperatura do ar, umidade relativa do
ar, velocidade do vento, que são obtidos por sensores (Vicente et al., 2018).
Segundo De Carvalho et al. (2011), uma das alternativas para se racionalizar o
uso da água, em projetos agrícolas de dimensionamento e manejo da irrigação é estimar a
evapotranspiração da cultura (ETc), obtida a partir da ET0 e do coeficiente de cultura (Kc).
A FAO possui para cada cultura um valor de Kc, que é multiplicado pela Et0 para obter-se
a evapotranspiração da cultura, de acordo com a equação: ETc = 𝐸𝑡0 . kc que é dada em
mm dia-1 ou L dia-1.
A evapotranspiração real (ETr) é a medida da perda de água em uma área nas
condições climáticas e hídrica locais (Pereira, 1997), ou seja, a ETr sempre será menor ou
igual à ETc (Bernardo et al., 2008). Pois, a cultura pode sofrer restrição hídrica, nutricional
ou fitossanitária.
A determinação ou estimativa da quantidade total de água requerida pela planta
nas diferentes fases do ciclo de vida de cada cultura é imprescindível para estimativa de
produtividade e de quebra de produtividade, dimensionamento e manejo da irrigação. Desta
maneira, é possível obter máximas produtividades, pois a planta não sofrerá estresse hídrico,
além de fazer uso racional da água (Costa et al., 2017).
19
2.3 MÉTODOS PARA OBTENÇÃO DA EVAPOTRANSPIRAÇÃO
O método direto e preciso para estimativa de evapotranspiração é a lisimetria, tanto

de pesagem, drenagem e lençol freático constante. Como métodos indiretos têm-se os
métodos de balanço hídrico, razão de Bowen, correlações turbulentas e mais recentemente o
sensoriamento remoto (Sales et al., 2017). As medições diretas muitas vezes requerem a
utilização de equipamentos caros e de muita mão-de-obra, que geralmente inviabiliza sua
utilização, principalmente pelo produtor. Por isso, tem-se recorrido à utilização de equações
empíricas, por serem mais práticas e viáveis de serem usadas para fins de manejo da irrigação
(Cavalcante Junior et al., 2011). O método padrão FAO56, que é um método indireto,
desenvolvido para facilitar a estimativa de evapotranspiração possui alta correlação com a
lisimetria, por isso, é utilizado como calibração para os demais métodos indiretos, é
representada pela equação 1.
900
0,408𝑥(𝑅𝑛 −𝐺)+ [𝛾 𝑥 ( )𝑥 𝑢2 𝑥 (𝑒𝑠 −𝑒𝑎 )]
𝑇+273
ET = (1)
∆+𝛾 𝑥 (1+0,34 𝑥 𝑢2 )
Em que:
𝑅𝑛 é o saldo de radiação à superfície da cultura
G é a densidade de fluxo de calor no solo
T é a média diária de temperatura do ar (ºC)
𝑢2 é a velocidade do vento a 2 metros de altura
𝑒𝑠 é a pressão de vapor de saturação do ar
𝑒𝑎 é a pressão de vapor atual do ar
𝑒𝑠 − 𝑒𝑎 é o déficit de pressão de vapor de saturação do ar (kPa)
Δ é a declividade da curva de pressão de vapor do ar na atmosfera
𝛾 é a constante psicrométrica
O método de Penman-Montheith utiliza várias variáveis climatológicas, como

radiação solar, temperatura do ar, umidade do ar, velocidade do vento, dentro outros. Nem
sempre o pesquisador possui disponibilidade de todos esses dados, então foram
20
desenvolvidas equações simplificadas para utilização de um menor número de váriaveis,

como Makkink, Linacre, Jensen-Haise, Hargreaves-Samani. Além das equações empíricas,
existe o método dos evaporímetros, que compreende o atmômetro SEEI modificado e tanque
“Classe A”.
De acordo com Sales et al. (2017) a combinação de sensoriamento remoto, com
estações agrometeorológicas, possibilita estimar a evapotranspiração com um baixo custo e
avaliar variáveis para a eficiência no manejo da irrigação e um possível diagnóstico da
quantidade necessária de água a ser aplicada.
Conforme com Silva et al. (2005) para estimativa do saldo de radiação é
necessário duas variáveis muito importantes: o albedo e a temperatura de superfície. O saldo
de radiação é a principal fonte de energia que atua no aquecimento do solo, ar e
evapotranspiração.
De acordo com Scherer-Warren (2012) a vantagem de utilizar o sensoriamento
remoto para obter a evapotranspiração, em relação a outras metodologias, como a baseada
em modelos hidrológicos, é que sua estimativa pode ser obtida por meio da equação de
balanço de energia, não sendo necessário conhecer dados acerca da cobertura vegetal, por
exemplo coeficiente da cultura e do teor de água no solo, como o coeficiente de estresse
hídrico. Mas a separação dos componentes de transpiração vegetal e evaporação de água no
solo ainda é complexa por sensoriamento remoto. E para se obter essa estimativa da ET é
necessário o uso de algoritmos, que através da inserção dos dados, vão produzir resultados
em coeficiente de cultura. Dentre eles podemos destacar SEBAL, METRIC e SAFER.
O SEBAL (Surface Energy Balance Algorithms for Land) desenvolvido por
Bastiaanssen et al. (1998), é um dos mais destacados algoritmos do sensoriamento remoto,
muito utilizado em estudos dos fluxos de calor latente e sensível à superfície (Bastiaanssen
et al., 1998; Bastiaanssen, 2000; Morse et al., 2000; Allen et al., 2002) fazendo uso de
imagens de satélite e poucos dados de superfície, o que torna o processo confiável e de baixo
custo, com a vantagem de obter resultados com grande cobertura espacial.
O METRIC (Mapping EvapoTranspiration at high Resolution with Internalized
Calibration) foi desenvolvido por Allen et al. (2007a) e Allen et al. (2007b). A determinação
do saldo de radiação pelo algoritmo é baseado em estimativas e medidas a superfície e por
imagens de satélite, computado pela soma entre o balanço de radiação de onda curta e de
onda longa, pixel a pixel.
21
A desvantagem em se utilizar os dois algoritmos é a complexidade em calcular

os parâmetros de entrada. Ambos algoritmos utilizam o modelo digital de elevação, além da
evapotranspiração horária. Além de terem sido desenvolvidos para outras condições
atmosféricas e ambientais (hemisfério norte).
O SAFER (Simple Algorithm For Evapotranspiration Retrieving) desenvolvido
por Teixeira (2012), é um algoritmo simplificado que tem apresentado bons resultados na
estimativa da ET em larga escala no Brasil. Esse algoritmo tem a vantagem de não ser
obrigatório o uso da banda termal, possui uma aplicação mais simples, necessitando apenas
dos dados de evapotranspiração de referência (ET0), radiação global (Rg) e temperatura
média do ar (Ta). Esses dados são obtidos através de estações agrometeorológicas e
juntamente com os parâmetros obtidos por sensoriamento remoto, chegando ao balanço de
energia, incluindo a evapotranspiração atual (ETa) e o coeficiente de cultura (Sales et al.,
2017).
As imagens multiespectrais de sensoriamento remoto podem ser combinadas
para a geração de imagens compostas. Essas transformações se tornaram uma prática comum
para gerar novas imagens a partir de duas ou mais bandas para extração de informações
(Huang et al., 2020). Essas novas imagens geradas aprimoram as representações dos objetos,
como a vegetação. Existem mais de cem índices de vegetação derivados de imagens
multiespectrais (Xue & Su, 2017).
Kriegler et al. (1969) propuseram uma combinação de bandas: Infravermelho
próximo (NIR) subtraído do vermelho (R), divido pelo infravermelho próximo mais o
vermelho, assim formando uma imagem de NDVI. Ele se destaca pela capacidade de
delinear a vegetação e o estresse vegetativo, assim possui grande importância na agricultura
comercial e estudos de uso e cobertura do solo. Esse índice foi rapidamente reconhecido pelo
comunidade científica no início dos anos 1970. Assim, vários sensores remotos foram
equipados para produzir esse índice em várias resoluções espaciais e temporais. Pela
simplicidade, e confiabilidade dos dados, o NDVI tornou-se o índice mais popular utilizado
para avaliação de vegetação (Huang et al., 2020).
O albedo da superfície é um parâmetro biofísico, pode ser definido como parte
da radiação que incide na superfície da Terra, refletida por coeficiente de reflexão, que é
específico para cada alvo refletido (Silva et al., 2005; Silva et al., 2016). E se associado com
o NDVI são capazes de fornecer parâmetros de desenvolvimento e crescimento da
vegetação.
22
A temperatura de superfície se caracteriza pela fluxo de calor dado em função

da energia recebida e emitida pelo corpo, assim existe uma alta correlação positiva entre a
temperatura cinética e o fluxo radiante radiado pelo objeto. É de se esperar distintos
comportamentos termais entre diferentes tipos e intensidades de cobertura e uso do solo, pois
essas diferenças refletem nas condições ambientais e no balanço de energia (Jensen, 2009;
Zibognon et al., 2002).
Essas três variáveis são os principais parâmetros de entrada para o cálculo da ET
pelo SAFER, por isso há necessidade de refinamento dos dados e observância do quanto as
diferentes resoluções espaciais e temporais podem influenciar nos resultados.
Para estimativa da ET pelo SAFER é mais comum a utilização imagens do
satélite Landsat 8 e Sentinel 2A. O Landsat 8 possui muitas limitações, como resolução
temporal de 16 dias, pixel de 250 metros para a banda do termal e de 30 metros para as
demais bandas requeridas no algoritmo. Já o Sentinel 2A possui resolução temporal de 10
dias, pixel de 10 metros e não possui a banda do termal. Além do maior fator limitante para
imagens orbitais, a presença de nuvens que inviabiliza a coleta de dados na data de passagem.
As imagens adquiridas por meio de câmera acoplada em drone possuem resolução espacial
em centímetros, a frequência temporal das imagens é definida pelo operador, além da
presença de nuvens não influenciarem na coleta dos dados.
O mapeamento por imagens orbitais requer muito trabalho de campo para
desenvolver algoritmos de classificação e calibrações. Além de que esses ambientes podem
ser de difícil acesso e ambientalmente frágeis. Por isso, câmeras acopladas a drones são a
solução, pois permitem validação visual (Gray et al., 2018).
2.4 BALANÇO HÍDRICO CLIMATOLÓGICO
O balanço hídrico é importante na definição dos períodos mais prováveis de

déficit hídrico para a cultura, e está relacionado também ao conhecimento das características
da planta, principalmente da sua fenologia, que influencia na correta interpretação dos
resultados. (Cintra et al., 2000).
O balanço hídrico climatológico (BHC) proposto por Thornthwaite & Mather
(1955) é uma das formas de se contabilizar esse balanço de água no solo, e é um dos mais
utilizados. É necessário dados de precipitação, ET e da CAD (capacidade de água
23
disponível). Assim, se obtém a evapotranspiração real (ETr), deficiência hídrica (DEF) e

excedente hídrico (EXC).
Essa quantificação de água no solo pelo BHC é uma ferramenta importante para
o monitoramento da variação do armazenamento de água no solo, sendo utilizada para
subsidiar tomadas de decisão e para auxílio ao zoneamento agroclimático (Lopes Sobrinho
et al., 2020; Jesus, 2015).
A estimativa da variação da umidade do solo também é uma ferramenta
complementar para observação da existência ou não do déficit hídrico nas culturas. Com
isso, há formas indiretas para realizar essa estimativa como a atenuação de raios gama, sonda
de nêutrons, resistência elétrica, reflectometria no domínio do tempo (TDR) e reflectometria
no domínio da frequência (FDR). Os sensores tipo TDR podem ser utilizados em
substituição a sonda de nêutrons, pois não utilizam fonte nuclear, podem ser instalados em
várias camadas do solo e em diferentes locais, além de realizar leituras automáticas, não
necessitando de um operador (Souza & Matsura, 2002).
Comparado com os sensores TDR, os FDR possuem rápida velocidade na
medição dos dados, fácil acesso aos dados e baixo preço no mercado (Quin et al., 2021).
Também apresentam segurança para o operador, pois não utiliza fonte radioativa. Os
sensores de capacitância podem realizar medições a maiores profundidades, porém são mais
sensíveis à salinidade e temperatura do solo.
2.5 SENSORIAMENTO REMOTO
Os satélites de monitoramento dinamizaram estudos em diferentes áreas,

revolucionando a maneira de coletar e analisar informações da superfície terrestre. Essas
imagens de sensoriamento remoto, que também podem ser geradas por câmeras
multiespectrais, podem gerar informação de ambientes próximos e distantes com
confiabilidade (Embrapa, 2018).
A série LANDSAT iniciou na segunda metade da década de 60, por um projeto
desenvolvido pela Agência Espacial Americana. Esse projeto foi elaborado para observação
dos recursos naturais terrestres. O satélite LANDSAT 8 foi lançado em 11/02/2013, opera
com os instrumentos OLI (Operational Land Imager) e TIRS (Thermal Infrared Sensor). O
período de revisita é de 16 dias, resolução radiométrica de 12 bits, área imageada de 185 km,
além de possuir banda do termal com resolução espacial de 100 metros (INPE, 2020).
24
A série SENTINEL começou a ser lançada em 2014, pela Agência Espacial

Europeia (ESA), programa Copernicus. A missão é composta por pares de satélites
especializados, com sensores ópticos de alta resolução espacial. O Sentinel 2A foi lançado
em 2015, possui sensor MSI com 13 bandas espectrais, o período de revisita é de 10 dias e
não possui banda do termal (ESA, 2020).
As vantagens em se utilizar imagens orbitais estão na capacidade de abranger
áreas extensas em intervalos temporais regulares, às qualidades geométrica e radiométrica
dos dados e na existência de séries temporais através de banco de dados (Gaida, 2020).
A câmera multiespectral e termal MicaSense Altum possui 5 bandas
multiespectrais: azul, verde, vermelho, infravermelho próximo e rededge, além de uma
banda termal. Fornece resolução espacial na escala de centímetros, resolução radiométrica
de 12 bits para as bandas multiespectrais e 14 bits para a termal.
O sensoriamento remoto ao ser aplicado conjuntamente com dados
agrometeorológicos, torna-se uma ferramenta de manejo e gerenciamento da água em larga
escala, tanto para agricultura de sequeiro quanto pra irrigadas e para recursos hídricos em
geral (Silva, 2021).
2.6 REFERÊNCIAS
ALLEN, R. G.; PEREIRA, L. S.; RAES, D.; SMITH, M. Crop evapotranspiration:

Rome, 297 p., 1998.
ALLEN, R.; TASUMI, M.; TREZZA, R. SEBAL (Surface Energy Balance Algorithms for
Land) – Advanced Training and Users Manual, Idaho Implementation, Kimberly, version
1.0, 2002.
ALLEN, R.; TASUMI, M.; TREZZA, R. Satellite-based energy balance for mapping
evapotranspiration with internalized calibration (METRIC) – Model. Journal of Irrigation
and Drainage Engineering, Reston, v.133, n.395, p.380-394, 2007a.
ALLEN, R.; TASUMI, M.; TREZZA, R. Satellite-based energy balance for mapping
evapotranspiration with internalized calibration (METRIC) – Aplications. Journal of
Irrigation and Drainage Engineering, Reston, v.133, n.395, p.395-406, 2007b.
BASTIAANSSEN, W. G. M.; MENENTI, M.; FEDDES, R. A.; HOLTSLAG, A. A. M.A

remote sensing surface energy balance algorithm for land (SEBAL). Journal of Hydrology,
v. 212/213, p.198–212. 1998.
25
BASTIAANSSEN, W. G. M. SEBAL-based sensible and latent heat fluxes in the irrigated

Gediz Basin. Journal of Hidrology. Turkey, v. 229, p. 87-100. 2000
BERNARDO, S.; SOARES, A. A.; MANTOVANI, E. C. Manual de irrigação. 8 ed.

EDUFV, Viçosa, 625p., 2008.
BITOCCHI, E.; RAU, D.; BELLUCCI, E.; RODRIGUEZ, M.; MURGIA, M.; GIOIA, T.;
SANTO, D.; NANNI, L.; ATTENE, G.; PAPA, R. Beans (Phaseolusssp.) as a model for
understanding crop evolution. Frontiers in Plant Science, Lausanne, v.8, art.722, 2017.
CAVALCANTE JUNIOR, E. G.; OLIVEIRA, A. D.; DE ALMEIDA, B. M.; ESPÍNOLA

SOBRINHO, J. Métodos de estimativa da evapotranspiração de referência para as condições
do semiárido Nordestino. Semina: Ciências Agrárias, Londrina, v.32, n.1, p.1699-1708.
2011.
CINTRA, F. L. D.; LIBARDI, P. L.; SAAD, A. M. Balanço hídrico no solo para porta-
enxerto de citros em ecossistema de Tabuleiro Costeiro. Revista Brasileira de Engenharia
Agrícola e Ambiental, Campina Grande, v.4, n.1, p.23-28, 2000.
COMPANHIA BRASILEIRA DE ABASTECIMENTO (Conab). Acompanhamento da

safra brasileira de grãos 2021/2022: 4º levantamento, janeiro de 2022, 2022. Disponível
em: <https://www.conab.gov.br/info-agro/safras/graos/boletim-da-safra-de-graos> Acesso
em: 27 de janeiro de 2022.
COSTA, J. A.; RODRIGUES, G. P.; DA SILVA, N. D.; LOPES SOBRINHO, O. O.;

COSTA, L. D. A. Avaliação de métodos de estimativa da evapotranspiração de referência
para Alagoas. Agrometeoros, Passo Fundo, v.25, n.1, p.173-179, 2017.
CRUZ, J. C.; PEREIRA FILHO, I. A.; ALVARENGA, R. C.; GONTIJO NETO, M. M.;
VIANA, J. H. M.; DE OLIVEIRA, M. F.; SANTANA, D. P. Manejo da cultura do milho.
Circular técnica 87, dezembro, 2006. Disponível em:
<http://www.cnpms.embrapa.br/protilp/artigos/Circ_87.pdf> Acesso em: 21 dez. 2022.
DA SILVA, B. B.; BRAGA, A. C.; BRAGA, C. C.; DE OLIVEIRA, L. M. M.;

MONTENEGRO, S. M. G. L.; BARBOSA JUNIOR, B. Procedures for calculation of the
albedo with OLI-Landsat 8 images: Application to the Brazilian semi-arid. Revista
Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 20, n. 1, p. 3- 8,
2016.
DE CARVALHO, L. G.; RIOS, G. F. A.; MIRANDA, W. L.; CASTRO NETO, P.

Evapotranspiração de referência: Uma abordagem atual de diferentes métodos de estimativa.
Pesquisa Agropecuária Tropical, Goiânia, v.41, n.3, p.456-465, 2011.
DE SOUSA, F. A.; DE MOURA, D. M. B. Evapotranspiração potencial (ETp) e sua

influência na vazão de rios do Cerrado Brasileiro. Élisée, Revista de Geografia da UEG,
Porangatu, v. 11, n.1, 2022.
Embrapa Territorial. Satélites de monitoramento. Campinas, 2018. Disponível em:

<https://www.embrapa.br/satelites-de-monitoramento> Acesso em: 04 de mar. 2023.
26
EUROPEAN SPACE AGENCY (ESA). Sentinel online. Disponível em: <

https://sentinel.esa.int/web/sentinel/missions> Acesso em: 03 mar. 2023.

30 ago. 2022.
GAIDA, W.; BREUNIG, F. M.; GALVÃO, L.S.; PONZONI, F.J. Correção Atmosférica em
Sensoriamento Remoto: Uma Revisão. Revista Brasileira de Geografia Física, Recife,
v.13, n.01, p.229-248, 2020.
GRAY, P. C.; RIDGE, J. T.; POULIN, S. R.; SEYMOUR, A. C.; SCHWANTES, A. M.;
SWENSON, J. J.; JOHNSTON, D. W. Integrating Drone Imagery into High Resolution
Satellite Remote Sensing Assessments of Estuarine Environments. Remote Sensing, Basel,
v.10, p.1-24 n.8, 2018.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS (INPE). Landsat. Disponível em:

< http://www.dgi.inpe.br/documentacao/satelites/landsat> Acesso em: 02 mar. 2023.
JESUS, J. B. Estimativa do balanço hídrico climatológico e classificação climática pelo

método de Thornthwaite e Mather para o município de Aracaju-SE. Scientia Plena, v.11, n.
5, Aracaju, 2015.
LOPES SOBRINHO, O. P.; SANTOS, L. N. S.; SANTOS, G. M.; CUNHA, F. N.;

SOARES, F. A. L.; TEIXEIRA, M. B. Balanço Hídrico Climatológico Mensal e
Classificação Climática de Köppen e Thornthwaite para o município de Rio Verde, Goiás.
Revista Brasileira de Climatologia. n.16, v.27, Curitiba, 2020.
MORSE, A., TASUMI, M., ALLEN, R. G. & KRAMBER, W. J. Application of the SEBAL
Methodology for Estimating Consumptive Use of Water and Streamflow Depletion in the
Bear River Basin of Idaho through Remote Sensing – Final Report. Idaho Department of
Water Resources, University of Idaho, 2000.
PEREIRA, A. R.; NOVA, N. A. V.; SEDIYAMA, G. C. Evapotranspiração. FEALQ.

Piracicaba, 1997. 183p.
PEREIRA, A. R.; ANGELOCCI, L. R.; SENTELHAS, P. C. Agrometeorologia:

fundamentos e aplicações práticas. Agropecuária, Guaíba, 2002. 478p.
QIN, A.; NING, D.; LIU, Z.; DUAN, A. Analysis of the accuracy of an FDR sensor in soil
moisture measurement under laboratory and field conditions. Advanced Sensor
Technologies in Agricultural, Environmental and Ecological Engineering, Xinxiang,
v.2021, 2021.
SALES, D. L. A.; ALVES JÚNIOR, J.; CASAROLI, D.; EVANGELISTA, A. W. P.;

SOUZA, J.M.F. Estimativa de evapotranspiração e coeficiente de cultura do tomateiro
industrial utilizando o algoritmo SAFER. Irriga, Botucatu, v. 22, n. 3, 2017.
27
SCHERER-WARREN, M. Desmembramento de estimativas de evapotranspiração obtidas

por sensoriamento remoto nos componentes de evaporação e transpiração vegetal. Revista
Brasileira de Geografia Física. Recife, v.2, p. 361-373, 2012.
SILVA, B. B.; LOPES, G. M.; AZEVEDO, P. V. Balanço de radiação em áreas irrigadas

utilizando imagens Landsat 5 – TM. Revista Brasileira de Meteorologia, Campina Grande.
v. 20. n.2. p.243-252, 2005.
SILVA, C. O. F.; MAGNONI, P. H. J.; MANZIONE, R. L. Sensoriamento Remoto Orbital

para modelagem da Evapotranspiração: Síntese Teórica e Aplicações em Computação na
Nuvem. Revista Brasileira de Engenharia de Biossistemas. v.15, n.3, p.425-468, 2021.

SOUZA, C. F.; MATSURA, E. E. Avaliação de sondas de TDR multi-haste segmentadas

para estimativa da umidade do solo. Revista Brasileira de Engenharia Agrícola e
Ambiental, Campina Grande, v.6, n.1, p.63-68, 2002.
USDA. Commodity Forecasts. World Agricultural Supply and Demand Estimates.

USDA, 2021. Disponivel em: <https://www.usda.gov/oce/commodity/wasde/>. Acesso
em: 17 de agosto de 2021.
VICENTE, M. R.; LEITE, C. V.; DOS SANTOS R. M.; LUCAS, P. O.; DIAS, S. H. B.;
SANTOS, J. A. Evapotranspiração de referência utilizando o método FAO Penman-
Monteith com dados faltantes. Global Science and Technology, Rio Verde, v.11, n.03,
p.217-228,2018.
28
3 IMPACTOS DO PENDOAMENTO DA CULTURA DO MILHO NA

ESTIMATIVA DA EVAPOTRANSPIRAÇÃO UTILIZANDO SENSORIAMENTO
REMOTO
RESUMO
A estimativa da evapotranspiração utilizando o sensoriamento remoto é uma

alternativa promissora e de baixo custo, porém faltam estudos para calibração do algoritmo
para diferentes culturas e condições atmosféricas. Nesse contexto, o objetivo do estudo foi
avaliar a eficiência do algoritmo SAFER na estimativa da evapotranspiração da cultura do
milho em três diferentes fontes de albedo de superfície. O estudo foi realizado em uma área
de produção de milho irrigado por pivô central no estado de Goiás, no ano de 2021. Foram
utilizadas imagens de câmera multiespectral e termal modelo MicaSense Altum e imagens
de albedo dos satélites Landsat 8 e Sentinel 2A para estimativa da ETa utilizando o algoritmo
SAFER. Esses dados foram comparados com a ET obtida pelos métodos da FAO, Embrapa
e balanço hídrico climatológico a partir de índices estatísticos. Em geral, a melhor correlação
com os métodos padrões foi do método Drone, principalmente, ao da FAO e BHC. Em média
o EQM (erro quadrado médio) foi menor que 0,22 mm dia-1. O índice de concordância variou
de 0,84 a 0,91. Os maiores erros foram observados na fase III, devido a contaminação dos
pixels de albedo e NDVI provocada pelo pendoamento. Esse erro foi maior para os métodos
DroneLand e DroneSent, em média, o EQM e EMA (erro médio absoluto) ficaram próximos
a 1 mm dia-1, o índice do confiança ficou abaixo de 0,74 para todos os métodos. Assim, o
uso de imagens de câmera multiespectral e termal se mostrou uma boa ferramenta na
estimativa da evapotranspiração, porém o processo de pendoamento que ocorre na cultura
do milho influenciou negativamente na estimativa.
Palavras-chave: Drone, balanço de energia, geoprocessamento, pendão
ABSTRACT
Estimating evapotranspiration using remote sensing is a promising and low-cost

alternative, but there is a lack of studies to calibrate the algorithm for different crops and
atmospheric conditions. In this context, the objective of the study was to evaluate the
efficiency of the SAFER algorithm in estimating the evapotranspiration of the corn crop in
three different sources of surface albedo. The study was carried out in a center pivot irrigated
corn production area in the state of Goiás, in the year 2021. Images from a multispectral and
thermal camera model MicaSense Altum and albedo images from the Landsat 8 and Sentinel
2A satellites were used to estimate the ETa using the SAFER algorithm. These data were
compared with the ET obtained by the methods of FAO, Embrapa and climatological water
29
balance from statistical indices. In general, the best correlation with the standard methods
was the Drone method, mainly the FAO and BHC. On average, the MSE (mean square error)
was less than 0.22 mm day-1. The concordance index ranged from 0.84 to 0.91. The biggest
errors were observed in phase III, due to contamination of the albedo and NDVI pixels
caused by bolting. This error was higher for the DroneLand and DroneSent methods, on
average, the MSE and MAE (mean absolute error) were close to 1 mm day-1, the confidence
index was below 0.74 for all methods. Thus, the use of multispectral and thermal camera
images proved to be a good tool in estimating evapotranspiration, but the tasseling process
that occurs in the corn crop had a negative influence on the estimate.
Key words: Drone, energy balance, geoprocessing, tassel
3.1 INTRODUÇÃO
O milho (Zea mays L.) é uma cultura de grande importância econômica, sendo
uma das principais commodities negociadas (Lopes et al., 2019). De acordo com dados
publicados pelo Departamento de Agricultura dos Estados Unidos USDA (2021) o milho
também é o grão mais cultivado no mundo. Possui papel significativo na segurança alimentar
e na indústria, principalmente na produção de energia (etanol) e ração animal. O Brasil é o
3º maior produtor de milho do mundo, atrás dos Estados Unidos e China, juntos produzem
mais de 60% de todo o grão produzido no mundo anualmente. Além disso, é um dos cinco
maiores exportadores de milho (USDA, 2021)
Apesar da grande produção do país, a produtividade média ainda é baixa. Entre
os vários fatores que causam quebra de produtividade (genética, nutrição, controle
fitossanitário) o déficit hídrico é um dos maiores responsáveis, principalmente devido a
irregularidades na distribuição das precipitações (Sah et al., 2020). Dentro desse cenário é
indispensável o conhecimento da evapotranspiração (ET) da cultura do milho, para
estimativa de produtividade e de quebra da produtividade. Pois, é principalmente cultivada
no período chuvoso e os veranicos influenciam diretamente nessas perdas.
Por isso, a cultura do milho está entre as cinco mais irrigadas do Brasil, e o estado
de Goiás entre os quatro com maior área irrigada (ANA, 2021). A produção de milho está
concentrada na 1ª e 2ª safra, necessitando de irrigação complementar, sendo indispensável o
conhecimento da evapotranspiração (ETc), tanto para melhor fazer a gestão dos recursos
hídricos, como para melhor elaboração de projetos e manejos de irrigação.
A ET é o processo em que a água do solo (evaporação) e das plantas
(transpiração) são lançadas para o atmosfera (Fenner et al., 2019). Os eventos de seca são
30
cada vez mais frequentes em várias áreas do mundo, o que afeta diretamente as culturas de
sequeiro. Assim exigindo uma avaliação mais cuidadosa na alimentação de modelos de
estimativa e de quebra, além de necessidades de irrigação (Granata, 2019).
A obtenção dos diferentes níveis de evapotranspiração pode ser realizada por
métodos direto ou indiretos (Evett et al., 2015). Dentre os métodos indiretos o sensoriamento
remoto tem sido estudado e recomendado para estimativa da evapotranspiração de várias
culturas. Tais como: feijão (Sales et al., 2016), tomate (Sales et al., 2017), (Sena et al., 2021),
cana-de-açúcar (Souza et al., 2020; Mussi et al. 2020), gramado (Aldrighi, 2020), pastagem
(Andrade, 2015) e milho (Teixeira et al., 2021). Entretanto, muitos autores alertam para a
baixa resolução temporal dos satélites Landsat 8 e Sentinel 2A (16 e 10 dias,
respectivamente). Essa limitação pode ser resolvida com o uso de câmeras multiespectrais e
termais acoplada à drones. Outro problema também relatado na literatura, porém pouco
estudado, é a baixa qualidade dos dados estimados nas fases iniciais e finais da cultura,
devido ao solo pouco coberto pelas plantas e pelo amarelecimento das folhas. E no caso da
cana-de-açúcar, milho, sorgo e milheto há também problema com o pendoamento. Esse feito
provoca contaminação dos pixels de NDVI (Normalized Difference Vegetation Index) e
albedo, resultando em menores valores de ET. Há necessidade de conhecer como esse
problema pode ser amenizado utilizando diferentes fontes de imagens, com diferentes
tamanhos de pixel.
O tamanho do pixel da imagem do Landsat 8 é de 30 x 30 m, Sentinel 2A de 10
x 10 m e o drone 0,06 x 0,06 m. De acordo com Nádudvari et al.(2020) as imagens de drone
são de maior resolução e fornecem informações mais detalhadas. O que leva a resultados
mais confiáveis. E por esse maior detalhamento e confiabilidade os dados de drone
juntamente com medições em campo, são utilizados para calibração de imagens orbitais.
Existem diversos trabalhos que relatam as vantagens na utilização das imagens de drone,
como Padró et al. (2018) que encontrou boa correlação entre as medidas
espectroradiométricas do drone e as medições realizadas em campo. E Morgan et al. (2020)
que afirma que os dados de drone funcionaram para seu trabalho como uma ponte para o
que o satélite estava vendo.
Para o cálculo dos fluxos de energia através das imagens de sensoriamento
remoto é necessário a utilização de algoritmos para a obtenção dos elementos (Bezerra et al.,
2008). O SAFER (Simple Algorithm For Evapotranspiration Retrieving) desenvolvido por
Teixeira et al. (2012) se destaca. O algoritmo tem apresentado bons resultados para
31
estimativa da ET em áreas extensas e heterogêneas. É um algoritmo simplificado, pois não

é obrigatório a utilização da banda do termal. Para sua utilização é necessário apenas três
variáveis: albedo de superfície, NDVI e temperatura de superfície. Além da existência de
estação meteorológica próxima a área de interesse, para obtenção da evapotranspiração de
referência (ETo), radiação global (Rg) e temperatura média do ar (Ta).
Diante disso, o objetivo deste estudo foi estimar a ET do milho usando
sensoriamento remoto e avaliar o impacto do pendoamento da cultura nessa estimativa,
utilizando imagens de câmera multiespectral e termal acoplada à drone. E se imagens
coletadas mais próximo às plantas podem amenizar esse efeito.
3.2 MATERIAL E MÉTODOS
A área de estudo compreendeu uma área de 25 hectares em um pivô central. É

localizada no município de Itaberaí-GO, coordenadas 49º 43’ 23” W e 16º 01’ 41” S (Figura
3.1). O clima da região é caracterizado de acordo com a classificação de Koppen como Aw,
com duas estações bem definidas, inverno seco e verão chuvoso.
Figura 3.1 Mapa de localização da área de estudo.

32
A semeadura do milho foi realizada no dia 24 de março de 2021 em sistema de

plantio convencional, cultivar AG8700, espaçamento de 0,5 m entre linhas e 3 plantas por
metro linear. Foi realizada adubação em cobertura com 0,26 t ha-1 de ureia. O solo foi
classificado como LATOSSOLO Vermelho de textura média (Embrapa, 2018).
Foram realizadas coletas de solo indeformadas em anéis volumétricos em oito
pontos georreferenciados nas camadas 0,0-0,1; 0,1-0,2; 0,2-0,3; 0,3-0,5 m. Foram obtidos a
densidade e textura do solo de acordo com metodologia da Embrapa (2017). Foi realizado
também coleta de dados de resistência do solo à penetração com auxílio de penetrômetro de
impacto digital FALKER. Os limites de capacidade de campo e ponto de murcha permanente
foram definidos de acordo com Medrado & Lima (2014).
A evapotranspiração de referência (ET0) foi obtida pelo método de Penman
Monteith, utilizando dados da estação automática instalada em um raio de 10 metros do pivô,
o cálculo da ETo é descrita na equação 1.
900
[0,408∗ (𝑅𝑛−𝐺)+ [𝑦∗ ( )∗ 𝑢2 ∗ (𝑒𝑠−𝑒𝑎)] ]
𝐸𝑇₀ = 𝑇+273 (1)
∆+𝑦∗ (1+0,34∗ 𝑢₂)
Em que, o Rn corresponde ao saldo de radiação à superfície da cultura (MJ / m²

/ dia); G é a densidade de fluxo de calor no solo (MJ / m² / dia); T é a média diária da
temperatura do a (°C); 𝑢₂ é a velocidade do vento a 2 metros de altura (m / s); ES é a pressão
de vapor de saturação do ar (kPa); ea é a pressão de vapor atual do ar (kPa); es – ea é o déficit
de pressão de vapor de saturação do ar (kpa); ∆ é a declividade da curva de pressão de vapor
do ar na atmosfera (kPa / °C) e y é a constante psicrométrica (kPa / °C).
Com os dados para a elaboração do balanço hídrico climatológico, foi utilizado
a metodologia de Thornthwaite & Mather (1955). Considerando os dados da função de
pedotransferência, densidade do solo e profundidade efetiva do sistema radicular (Z=0,5 m),
foi utilizado o valor de 100 mm para capacidade de água disponível (CAD). E pela
contabilização das entradas e saídas de água do sistema foi estimada a ETr durante o ciclo
da cultura do milho.
Para a estimativa da variação de umidade no solo foram instaladas três baterias
de sensores, em que cada bateria continha, três sensores EC-5 da Decagon Devices, nas
camadas 0,0-0,1, 0,1-0,2, 0,2-0,3 e 0,3-0,5 m conectados a uma datalogger EM-50, com
intervalo de leitura a cada 20 minutos. Para obtenção da precipitação e irrigação foram
instalados dois pluviômetros de báscula de 0,25 mm de resolução, conectados a um
33
datalogger NOVUS por infravermelho, com leituras a cada 24 horas. Foi utilizada
metodologia de Sena et al. (2020) para calibração dos dados dos sensores de acordo com a
textura.
Foram realizadas visitas à campo todos os dias em que houve a passagem dos
satélites Landsat-8 e Sentinel-2A, a cada 16 e 10 dias respectivamente, de acordo com a
resolução temporal de cada sensor. As datas foram: 05/04; 21/04; 07/05; 23/05; 08/06; 24/06;
07/10 para Landsat-8 e 07/04; 17/04; 27/04; 07/05; 17/05; 27/05; 06/06; 16/06; 26/06; 06/07
para Sentinel-2A. A última irrigação foi realizada em 04/07, assim a última visita foi
realizada em 06/07.
Na data de passagem do satélite foram realizadas leituras com a bomba de
Scholander aproximadamente às 05:30 h, utilizando a última folha totalmente aberta e
expandida, com 10 repetições, para provar se houve ou não déficit hídrico. Foi coletada a
primeira folha abaixo e oposta à espiga para análise foliar, obtendo os macro e
micronutrientes de acordo com metodologia da Embrapa (2000).
Para estimar a ET foram extraídos dados de albedo das imagens do satélite
Landsat-8 (OLI/TIRS), obtidas de formas gratuita no site da United States Geological Survey
(USGS). Foram utilizadas também imagens do satélite Sentinel-2A, obtidas no site da
Copernicus (Agência Espacial Europeia). Na mesma data de passagem dos satélites e
próximo ao horário de passagem, foi realizado voo com drone modelo DJI Inspire 2,
acoplado à ele uma câmera multiespectral e termal modelo Micasense Altum.
Para a obtenção da evapotranspiração pelo algoritmo SAFER é necessário seguir
algumas etapas. Essas etapas seguem conforme a metodologia proposta por Teixeira (2010).
3.2.1 Conversão dos valores de DN (números digitais) em radiância:
O DN representa um pixel que traz a intensidade de energia eletromagnética
medida pelo sensor do satélite. Esses valores digitais precisam ser convertidos em radiância
espectral para cada banda. Sendo que, a radiância é a intensidade radiante por unidade de
área-fonte.
LMAX−LMIN (2)
𝐿λ = ( ) QCAL + LMIN
255
Em que:
LMAX: radiância máxima (W m−2 sr −1 μm−2 );
LMIN: radiância mínima (W m−2 sr −1 μm−2 );
34
Qcal: intensidade do pixel (ND), número inteiro de 0 a 255.
3.2.2 Cálculo de reflectância

Para cada banda termal contidas nas imagens orbitais é calculada a reflectância
(𝑃λ) a partir dos valores de radiância que foram obtidos na etapa anterior. Sendo que, a
reflectância é o processo pelo qual a radiação perpassa um objeto como uma nuvem ou um
corpo d’água.
𝜋 ∗ 𝐿λ
𝑃λ = (3)
ESUNλ ∗ cosZ ∗ E0
Em que:
𝐿λ: radiância de cada banda;
SUN λ: irradiância espectral no topo da atmosfera;
cosZ: ângulo zenital;
E0 : ângulo diário;
Onde: E0 é definido pela Equação:
𝐸0 = 1,000110 + 0,0342221 cos(da) + 0,001280 (da) + 0,000719(2 ∗ da)

(4)
+ 0,000077 sin(2 ∗ da)
Sendo:
Da: ângulo diário
Onde: da é definido pela Equação 8:
2𝜋
da = (𝑑𝑛 − 1) (5)
365
Em que:
Dn: dia Juliano da imagem
3.2.3 Albedo no topo da atmosfera

O albedo no topo da atmosfera pode ser obtido a partir da equação a seguir:
𝑡𝑜𝑝   (𝑝  𝑝) (6)
35
Em que:
p: reflectância
ωλ: coeficiente para cada banda
Sendo, ωλ obtido pela equação:
𝐸𝑆𝑈𝑁
 = (7)
 𝐸𝑆𝑈𝑁
3.2.4 Albedo de superfície

No SAFER, o albedo de superfície (α0) foi estimado a partir do albedo no topo da atmosfera
pela equação a seguir:
𝛼0 = 𝑎 ∗ 𝛼 𝑡𝑜𝑝 + 𝑏
(8)
Em que: a e b são coeficientes de regressão Teixeira (2010), que apresentam,

respectivamente, os valores de 0,7 e 0,006, α top, é o albedo no topo da atmosfera.
3.2.5 Temperatura de superfície

Para elaborar a carta de temperatura da superfície (To), é necessário utilizar imagens do
infravermelho termal das bandas, que vão ser determinadas posteriormente. Mas a
temperatura de superfície é calculada pela equação:
𝑇𝑜 = 1,11 𝑥 𝑇𝑏𝑟𝑖𝑔ℎ𝑡 − 31,89
(9)
Onde 𝑇𝑏𝑟𝑖𝑔ℎ𝑡 é obtido pela equação:

1260,56
𝑇𝑏𝑟𝑖𝑔ℎ𝑡 = 607,76 (10)
ln (L )
termal +1
Sendo: Ltermal = radiância (Lλ) das bandas que ainda serão escolhidas.
3.2.6 Índice de vegetação por diferença normalizada (NDVI)
𝐼𝑉𝑃 − 𝑉
𝑁𝐷𝑉𝐼 = (11)
𝐼𝑉𝑃 + 𝑉
36
Em que IVP é a reflectância da banda do infravermelho próximo e V a reflectância na banda

do vermelho.
A Equação 12 é utilizada para a obtenção da evapotranspiração atual (ETa) (Teixeira, 2010):
𝐸𝑇
= exp[𝑎 + 𝑏(∞o𝑇𝑜
NDVI
)] (12)
𝐸𝑇𝑂
onde, a e b são coeficientes de regressão; sendo a = 1 (Teixeira et al., 2013) e b = -0,008.

Através da relação ETa/ETo chega-se ao valor do coeficiente da cultura os respectivos
coeficientes de cultura (kc), pelo SAFER, foram calculados pela Equação 16:
𝐸𝑇𝑎
𝑘𝑐 = (13)
𝐸𝑇𝑜
O albedo de superfície é uma variável dentro do SAFER em que as imagens

obtidas por drone não conseguem estimar, pois é levado em consideração o albedo no topo
da atmosfera, dado esse que o drone não capta por estar sob o topo da atmosfera. Para essa
variável no cálculo da ET pela câmera multiespectral foi utilizada metodologia conforme
Planck (1901). Foi definido pesos para cada banda e posterior somatório de todas as bandas
em reflectância, conforme Equação 17:
𝛼0 = 0,24 ∗ 𝐵𝑙𝑢𝑒 + 0,23 ∗ 𝐺𝑟𝑒𝑒𝑛 + 0,2 ∗ 𝑅𝑒𝑑 + 0,14 ∗ 𝑁𝐼𝑅 + 0,18 ∗ 𝑅𝑒𝑑𝐸𝑑𝑔𝑒 (14)
Além disso, foi utilizado o albedo de superfície estimado pelos satélites. A altura
de voo escolhida foi 120 metros, altura que proporcionou melhor autonomia da bateria e um
pixel de 6 centímetros. O plano de voo foi elaborado no software Pix4D capture. As imagens
da câmera foram processadas no software Pix4d mapper, onde foi realizado o mosaico das
imagens, obtido cada banda em reflectância, o NDVI (Normalized Difference Vegetation
Index) e a temperatura de superfície. Posteriormente, o cálculo da evapotranspiração foi
realizado utilizando a ferramenta raster calculator do software ArcGis 10.3. A forma de
obtenção da ET é ilustrada conforme figura 3.2.
Albedo Sentinel 2A
NDVI DRONE DroneSent

Temperatura de
superfície DRONE
37
Albedo Landsat 8
NDVI DRONE DroneLand

Temperatura de
superfície DRONE
Albedo DRONE
NDVI DRONE Drone

Temperatura de
superfície DRONE
Figura 3.2 Fluxograma referindo-se aos meios de obtenção da ET por sensoriamento

remoto.
Foi realizada correlação dos dados com o método do BHC, FAO e Embrapa, e
entre as três fontes de albedo. Os dados da FAO foram calibrados para as condições de
umidade do ar e velocidade do vento da área de estudo, conforme descrito no boletim. Foi
utilizado a correlação de Pearson (r), regressão linear (R²), índice de confiança (c) e o índice
de Willmott “d”. Esse índice varia de 0 a 1, quanto mais próximo de 1, mais os valores
estimados ajustam-se aos valores medidos (Willmott et al., 1985).
3.3 RESULTADOS E DISCUSSÃO
Durante o ciclo a temperatura média foi de 21,03 °C. Os limites extremos

tolerados pelo milho ficam entre 10ºC e 30ºC. A temperatura ideal da emergência à floração
fica entre 24ºC e 30ºC (LANDAU et al., 2005), portanto, a temperatura média do ar ao longo
do ciclo foi propicia para o bom desenvolvimento da planta. A precipitação acumulada foi
de 141,6 mm, a irrigação foi de 214,9 mm, totalizando 356,5 mm durante todo o ciclo
(Tabela 3.1).
38
Tabela 3.1 Acumulado térmico, de precipitação, da ET0 e da lâmina de irrigação do

milho para a área avaliada em 2021.
Acúmulo Térmico* Acúmulo Precipitação Acúmulo ETo Acúmulo irrigação
ºC ---------------mm---------------
1.478,54 141,6 394,7 214,9
*De acordo com Ometto (1981).
A colheita foi realizada no dia 3 de agosto, totalizando 132 dias de ciclo. A
produtividade foi de 6,1 t ha-¹, foi 25% acima da média da 2ª safra para Goiás (CONAB,
2022). As Tabelas 3.2 e 3.3 ilustram valores médios para densidade do solo e resistência à
penetração por camada. A área de estudo não apresenta problemas de compactação.
Tabela 3.2 Valores médios de densidade do solo, granulometria e textura por camada
Granulometria (%) Textura¹
Camada (m) Densidade do solo (g cm-3)
Areia Silte Argila
0,0-0,1 1,61 53 16 31 franco-argilo-arenoso
¹De acordo com Lemos & Santos (1996)
Tabela 3.3 Valores médios de resistência do solo à penetração e umidade volumétrica

por camada
Camada (m) RP (Mpa) Uv (cm-3 cm-3)
0,0-0,1 0,73 0,33
0,1-0,2 2,34 0,33
0,2-0,3 3,44 0,34
0,3-0,5 4,15 0,29
Durante o ciclo houve infestação de cigarrinhas, causando o enfezamento,

doença que afetou o desenvolvimento da cultura, causando estresse biótico, em várias
plantas a segunda espiga foi abortada. Foi constatado deficiência nutricional em fósforo,
apresentou valores entre 1,06 g kg-1 a 1,22 g kg-1. Valores abaixo dos limites estabelecidos
por Martinez et al. (1999) que variam entre 6 g kg-1 e 20 g kg-1. A Figura 3.3 ilustra o
39
potencial de água na folha ao longo do ciclo. O potencial médio foi de 0,48 Mpa,
permanecendo abaixo do nível crítico estabelecido por Bono et al. (2001) que varia entre 0,8
(estresse hídrico) a 1,2 Mpa (déficit hídrico), evidenciando que as plantas não sofreram
estresse hídrico.
Figura 3.3 Potencial de água na folha obtidos por câmara de Scholander para a cultura
do milho de acordo com metodologia de Bono et al. (2001).
A Figura 3.4 representa a variação temporal da umidade do solo, da irrigação e

precipitação. A umidade do solo durante todo o ciclo da cultura permaneceu acima do nível
crítico nas camadas de 0,0 – 0,5 m. A cultura não sofreu estresse hídrico em nenhuma fase
de desenvolvimento.
40
0.45 40
35
Precipitação e Irrigação (mm)

0.4
30
Umidade (m³ m-³)
0.35 25
20
0.3 15
10
0.25
5
0.2 0
1 11 21 31 41 51 61 71 81 91 101 111 121
DAS (dias)
P+I 0,0-0,5 m θCC θCrítico θPMP

precipitação com a irrigação.
Para correção atmosférica dos dados de albedo do Sentinel 2A, foi utilizada a
Equação 15, corrigindo os valores de “a” e “b” utilizados na equação de transformação de
albedo do topo da atmosfera em albedo de superfície. Os valores dos coeficientes para
Landsat 8 foram mantidos conforme Teixeira (2010):
𝛼0 = 0,7184 ∗ 𝛼 𝑡𝑜𝑝 + 0,008 (15)
Outra limitação em se estimar a evapotranspiração por imagens de satélite é a

presença de nuvens, principalmente no período chuvoso. As nuvens sobre a área de estudo
inviabiliza a obtenção das variáveis do algoritmo. O uso das imagens de drone propiciou
melhor detalhamento da área, melhores índices de NDVI, temperatura e tamanho de pixel.
Porém, nas datas que tiveram presença de nuvens (07/04, 17/04, 27/04, 23/05) a estimativa
pelo método DroneLand e DroneSent também foi descartada, por não se obter a variável
albedo.
A subestimativa do kc no início do ciclo é relatado por diversos autores, como
Sales et al. (2016) para a cultura do feijão, Sales et al. (2017) para a cultura do tomate e
Oliveira et al. (2021) para a cana-de-açúcar. Esse fato se deve pela grande quantidade do
solo exposto ou palhada, gerando kc’s próximos de zero. Esse fator não foi constatado para
41
esta área de estudo, devido à perda das imagens orbitais por cobertura de nuvens no início
do ciclo.
A Figura 3.5 ilustra o comparativo do kc entre os métodos com drone em
comparação com FAO e Embrapa. É possível observar uma maior subestimativa durante a
fase reprodutiva, devido ao surgimento do pendão. Esse efeito foi maior no DroneSent, pois
o Sentinel 2A possui melhor resolução espacial e temporal do que o Landsat 8, captou
imagens imediatamente antes e no início do pendoamento. Esse efeito provocou queda no
nos valores de albedo (Figura 3.6). Esse efeito também foi perceptível no DroneLand, e só
não foi mais intenso devido ao maior intervalo entre as imagens e pela incidência de nuvens
na data de 23/05/21 aos 61 DAP, que coincide com o início do pendoamento.
A ETDrone obteve melhores resultados em comparação com os outros métodos
com imagens de drone, pois a melhor resolução espacial e temporal, foi possível selecionar
os melhores pixels de albedo, assim reduzindo a contaminação. De acordo com LIANG
(2001), o albedo de superfície é afetado pela morfologia da vegetação, o que justifica esse
efeito.
Pang et al. (2022) pesquisando a variação do albedo de superfície ao longo do
tempo e em diferentes coberturas do solo, concluíram que esse índice possui correlação
negativa com o solo coberto por vegetação e a umidade do solo. Ou seja, quanto menor for
a cobertura vegetal e umidade do solo, maiores são os valores de albedo. Além de que os
dados obtidos por satélites, em geral, possui resolução espacial e temporal menor que em
comparação com medições próximas à planta (drone), isso dificulta a comparação entre os
dados (DITTMANN et al., 2019).
Figura 3.5 Comparativo do coeficiente de cultura estimado pelos métodos FAO 56,
Embrapa, DroneLand, DroneSent e Drone, ao longo do ciclo em Itaberaí-
GO, 2021.
42
Figura 3.6 Distribuição do albedo ao longo do ciclo da cultura do milho obtido através
do algoritmo SAFER com imagens de drone e dos satélites Landsat-8 e
Sentinel-2A.
O pendoamento também provocou a contaminação do NDVI das imagens de

drone. A Figura 3.7 comprova a contaminação dos pixels na imagem de NDVI, devido ao
surgimento do pendão. Em 61 dias após a semeadura foi constatado o início do
pendoamento, 4 dias depois a maioria das plantas estavam com pendões, na fase VT.
43
Figura 3.7 Influência do pendoamento na distribuição dos valores de NDVI na cultura

do milho.
A Figura 3.8A, ilustra a variação temporal da temperatura de superfície durante

o ciclo da cultura do milho, é possível observar maiores valores no início devido maior
exposição do solo ao sol (plantio convencional). A Figura 3.8B representa a distribuição do
NDVI ao longo do ciclo. Nota-se o crescimento dos valores durante o estádio vegetativo,
posteriormente a estabilização durante o estádio reprodutivo e o decrescimento a partir do
início da senescência.
44
A B
Figura 3.8 Distribuição da temperatura de superfície (A) e NDVI (B) ao longo do ciclo da
cultura do milho obtido utilizando imagens de câmera multiespectral e termal.
Na Tabela 3.4 e na Figura 3.9 encontram-se os valores de evapotranspiração e

os índices estatísticos da estimativa da ETDrone, ETDroneLand e ETDroneSent com o método FAO,
Embrapa e BHC para todo o ciclo da cultura do milho. Em geral, o método Drone obteve
melhores resultados em comparação com FAO, Embrapa e BHC. A correlação variou de
“muito bom” a “ótimo”. Os resultados foram melhores em comparação com os outros
métodos com drone por não depender do albedo dos satélites, que foram mais afetados pelo
pendoamento. Os valores do erro quadrado médio (EQM) foram de 0,080, 0,191 e 0,384 mm
dia-1, para o erro médio absoluto (EMA) foi 0,254, 0,391 e 0,157 mm dia-1 para a ETFAO,
ETEmbrapa e ETBHC quando comparados com a ETDrone, respectivamente. A raiz do erro médio
absoluto foi menor que 0,1 para os métodos FAO e BHC.
A ETDroneLand apresentou os piores resultados, obteve classificação “mediana”
com a FAO e BHC e “sofrível” com a Embrapa. Os valores médios de EQM, EMA e REMA
foram 0,489, 0,604 e 0,226 mm, respectivamente. Isso se deve pela menor quantidade de
imagens disponíveis, reduzindo a precisão dos dados.
A ETDroneSent obteve classificação “bom” quando comparado com FAO,
Embrapa e BHC. Apesar da maior interferência no albedo, a maior quantidade de imagens
durante o ciclo propiciou melhor correlação quando comparado com DroneLand.
Observa-se ainda que, em geral, as curvas geradas pelos dados obtidos por
ambos os métodos seguem uma mesma tendência, apesar dessa maior subestimativa na fase
reprodutiva.
45
Tabela 3.4 Erro quadrado médio (EQM, mm dia-1), erro médio absoluto (EMA, mm
dia-1), raiz do erro médio absoluto (REMA, mm dia-1), coeficiente de
correlação (r), índice de concordância (d) e índice de confiança (c) para os
valores de evapotranspiração obtidos pelos métodos Drone, DroneLand e
DroneSent comparando-os aos métodos ETFAO, ETEmbrapa e ETBHC.
Método EQM EMA REMA r d c Classificação
FAO
Drone 0,080 0,254 0,099 0,93 0,92 0,86 Ótimo
DroneLand 0,414 0,576 0,222 0,90 0,70 0,63 Mediano
DroneSent 0,425 0,593 0,227 0,91 0,71 0,65 Bom
Embrapa
Drone 0,191 0,391 0,138 0,98 0,86 0,84 Muito Bom
DroneLand 0,760 0,780 0,275 0,81 0,61 0,50 Sofrível
DroneSent 0,582 0,701 0,256 0,94 0,69 0,65 Bom
BHC
Drone 0,384 0,157 0,066 0,94 0,96 0,91 Ótimo
DroneLand 0,293 0,456 0,182 0,86 0,73 0,63 Mediano
DroneSent 0,281 0,457 0,182 0,89 0,77 0,69 Bom
Drone
DroneLand 0,201 0,388 0,163 0,87 0,75 0,66 Bom
DroneSent 0,153 0,349 0,150 0,93 0,83 0,78 Muito Bom
DroneLand
46
A B C
D E F
47
G H I
Figura 3.9 Evapotranspiração da cultura do milho referente ao período de março a julho de 2021 obtida pelo método Drone (A; B; C;),
DroneLand (D; E; F) e DroneSent (G; H; I) comparados com FAO 56, Embrapa e BHC.
48
Foi realizado o comparativo da ET para as fases II, III e IV (Tabela 3.5). Na fase
II a ETDrone apresentou correlação “muito bom” com a FAO, apresentou EQM, EMA e
REMA de 0,054, 0,200 e 0,080 mm dia-1, respectivamente. Isso mostra a boa eficiência em
se utilizar esse método, antes de ocorrer o pendoamento. Apresentou valor de r = 0,90 e d =
0,90, o índice de confiança foi igual a 0,81. O EQM, EMA e REMA do método ETDroneLand
mais do que dobrou em comparação com a ETDrone, por isso a correlação foi classificada
como “bom”. Os maiores erros nessa fase foram da ETDroneSent, pela influência da baixa do
albedo no pendoamento, que colocou a curva de kc em descensão.
No comparativo com os dados da Embrapa a correlação foi classificada de
“mediana” a “péssima”. Pela metodologia da Embrapa o valor inicial para a cultura do milho
em área de plantio direto inicia em 0,75 e ascende até 1,23, o que destoou muito dos outros
métodos, apresentou índice de confiança de 0,60, 0,31, 0,20 para ETDrone, ETDroneLand,
ETDroneSent, respectivamente. Os valores médios de EQM, EMA e REMA ficaram em 0,749,
0,817 e 0,265 mm dia-1, respectivamente.
Em relação ao BHC o método ETDrone apresentou melhor resultado, o EQM e
REMA ficou abaixo de 0,1 mm dia-1, obteve classificação “muito bom”. Os métodos com
imagens de drone utilizando albedo dos satélites tiveram piores resultados, justamente pela
influência do pendoamento na variável, sendo o ETDroneSent o pior desempenho, o nível de
correlação foi “péssimo”.
Quando comparado os dados da fase II entre os métodos com drone a correlação
variou de “sofrível” a “péssimo”. Isso se deve pelo baixo kc apresentado pelo ETDroneLand,
além da curva em descenso apresentada pelo ETDroneSent. Diversos autores como Silva et al.
(2009) e Martins (2020) afirmam que a melhor resposta espectral para a cultura do milho é
no crescimento vegetativo, pois a partir do pendoamento há decréscimo nos coeficientes de
correlação.
Na fase III no qual houve essa maior influência do pendoamento sobre os valores
de NDVI do drone e albedo dos satélites a classificação de correlação com os métodos FAO,
Embrapa e BHC variou de “sofrível” a “péssimo” para ETDroneLand e ETDroneSent. Apresentou
EQM e EMA próximos de 1 mm dia-1. A correlação com o método ETDrone que teve menor
influência de valores de albedo apresentou melhores resultados, foi classificado como
“bom”. Entre os métodos com drone a correlação foi “sofrível”.
Na fase IV a ETDrone apresentou melhores resultados quando comparado com
ETFAO e ETEmbrapa, teve correlação “ótima” e índice de confiança variando de 0,93 a 0,95.
49
Nessa fase a planta entrou em senescência e o pendão já não tinha mais pólen, reduzindo a
influência nas imagens. A ETDroneLand obteve classificação “muito bom” e “bom”, já a
ETDroneSent, que apresentou valores mais baixos de albedo, foi classificado como “bom” e
“mediano”, respectivamente. Em comparação com a ETBHC, ambos os métodos obtiveram
desempenho satisfatório.
valores de evapotranspiração obtidos por estádio de desenvolvimento do
feijão pelos métodos Drone, DroneLand e DroneSent comparando-os aos
métodos ETFAO, ETEmbrapa e ETBHC.
FASE II
FAO
Drone 0,054 0,200 0,080 0,90 0,90 0,81 Muito Bom
DroneLand 0,363 0,577 0,232 0,92 0,71 0,65 Bom
DroneSent 0,225 0,456 0,156 0,75 0,46 0,34 Péssimo
Embrapa
Drone 0,346 0,584 0,192 0,98 0,61 0,60 Mediano
DroneLand 1,276 1,102 0,366 0,80 0,39 0,31 Péssimo
BHC
Drone 0,038 0,163 0,071 0,88 0,91 0,81 Muito Bom
DroneLand 0,267 0,492 0,207 0,92 0,73 0,68 Bom
Drone
DroneSent 0,062 0,208 0,077 0,69 0,64 0,44 Sofrível
DroneLand
FASE III
FAO
50
Drone 0,136 0,364 0,124 0,98 0,74 0,73 Bom

Embrapa
Drone 0,218 0,462 0,152 0,98 0,67 0,66 Bom
BHC
Drone 0,071 0,241 0,085 0,91 0,80 0,73 Bom
DroneLand 0,657 0,801 0,287 0,92 0,43 0,39 Péssimo
Drone
DroneLand
FASE IV
FAO
Drone 0,040 0,176 0,076 0,99 0,95 0,95 Ótimo
DroneLand 0,197 0,383 0,164 0,97 0,78 0,77 Muito Bom
DroneSent 0,327 0,502 0,217 0,97 0,68 0,66 Bom
Embrapa
Drone 0,066 0,226 0,095 0,99 0,93 0,93 Ótimo
DroneLand 0,252 0,432 0,180 0,97 0,76 0,74 Bom
DroneSent 0,397 0,552 0,232 0,96 0,66 0,64 Mediano
BHC
Drone 0,015 0,097 0,049 0,96 0,98 0,95 Ótimo
DroneLand 0,085 0,223 0,102 0,94 0,87 0,82 Muito Bom
DroneSent 0,169 0,339 0,157 0,93 0,76 0,71 Bom
Drone
DroneLand 0,060 0,206 0,096 0,98 0,90 0,89 Ótimo
DroneLand
51
DroneSent 0,018 0,119 0,070 0,98 0,94 0,93 Ótimo
Borghi et al. (2016) encontrou diferença estatística nos valores de NDVI em

diferentes densidades de plantas para a cultura do milho. Essa sensibilidade do índice de
vegetação, da temperatura de superfície (influenciada pelo turno de rega) e do albedo de
superfície (influenciado pela morfologia da vegetação), provoca influência direta nos valores
de ET estimados por sensoriamento remoto.
3.4 CONCLUSÕES
O estresse biótico e a deficiência nutricional afetam diretamente a estimativa da

ET através do sensoriamento remoto.
O pendoamento da cultura do milho interfere nos valores estimados de NDVI e
albedo de superfície, levando a uma maior subestimativa. Entretanto, quando se utiliza
imagens de drone no cálculo das três variáveis do SAFER esse efeito é amenizado.
A estimativa da ET por sensoriamento remoto não é recomendada para a fase
reprodutiva da cultura do milho.
3.5 REFERÊNCIAS
ALDRIGHI, M.; JARDIM, C. C. S.; ALVES JUNIOR, J.; BATTISTI, R.; CASAROLI, D.;
EVANGELISTA, A. W. P. Necessidades hídricas das gramas batatais (Paspalum notatum
Fluggé) e esmeralda (Zoysia Japônica Steud) estimadas por sensoriamento remoto.
Brazilian Journal of Development, Curitiba, v.6, n.7, p.47020-47032, 2020.
ANDRADE, R. G.; TEIXEIRA, A. H. C.; LEIVAS, J. F.; NOGUEIRA, S. F.; DA SILVA,

G. B. S.; VICTORIA, D. C.; FACCO, A. G. Estimativa da evapotranspiração e da biomassa
de pastagens utilizando o algoritmo SAFER e imagens MODIS. Anais XVII Simpósio
Brasileiro de Sensoriamento Remoto, 2015
AGÊNCIA NACIONAL DE ÁGUAS E SANEAMENTO BÁSICO. Atlas Irrigação 2021.

Disponível em: <
https://biblioteca.ana.gov.br/asp/download.asp?codigo=148256&tipo_midia=2&iIndexSrv
=1&iUsuario=0&obra=88090&tipo=1&iBanner=0&iIdioma=0> Acesso em: 04 de
setembro de 2022.
BEZERRA, B.G.; SILVA, B.B.; FERREIRA, N.J. Estimativa da evapotranspiração real

52
BONO, L.; BERGAMASCHI, H.; ROSA, L. M. G.; FRANÇA, S.; RADIN, B.; SANTOS,
A. O.; BERGONCI, J. I. Alterações no padrão de resposta à luz da condutância estomática
do milho causadas pelo déficit hídrico. Revista Brasileira de Agrometeorologia, Santa
Maria, v. 9, n. 1, p. 27-34, 2001.
BORGHI, E.; WILDA, L. R. M.; DE RESENDE, A. V.; PEREIRA FILHO, I. A.;

RODRIGUES, R. A. L. Índice de vegetação, teor de clorofila e eficiência de uso de
nitrogênio por híbridos de milho. In: XXXI CONGRESSO NACIONAL DE MILHO E
SORGO, 2016. Bento Gonçalves, RS. Disponível em: <
https://www.alice.cnptia.embrapa.br/alice/bitstream/doc/1054987/1/Indicevegetacao.pdf>
Acesso em: 02 de maio de 2022.

DITTMANN, S.; BURNHAM, L.; OH, S. Y.; BENLARABI, A.; CHOI, J. H.; EBERT, M.;
FIGGIS, B.; GOTTSCHALG, R.; KIM, K. S.; REINDL, T.; RÜTHER, R. Comparative
analysis of albedo measurements (plane-of-array, horizontal, satellite) at multiple sites
worldwide. Abstract 36th EU PVSEC, Marseille, 2019.
EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA - EMBRAPA. Métodos de

Análise de Tecidos Vegetais Utilizados na Embrapa Solos. Rio de Janeiro: Centro
Nacional de Pesquisa de Solos, 21 ed., 2000, 41 p.
EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA - EMBRAPA. Manual de

métodos de análise de solo. Rio de Janeiro: Centro Nacional de Pesquisa de Solos, 3 ed.
ver. e ampl. 2017, 212 p.
EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA - EMBRAPA. Centro

Nacional de Pesquisa de Solos. Sistema brasileiro de classificação de solos. 5 ed. Brasília,
Produção de Informação, 2018. 356 p.
EVETT, S. R.; HOWELL, T. A.; SCHNEIDER, A. D.; COPELAND, K. S.; DUSEK, D. A.;
BRAUER, D. K.; TOLK, J. A.; MAREK, G. W.; MAREK, T. M.; GOWDA, P. H. The
Bushland weighing lysimeters: A quarter century of crop ET investigations to advance
sustainable irrigation. American Society of Agricultural and Biological Engineers, Saint
Joseph, v.58, n.5, p.163-179, 2015
FENNER, W.; DALLACORT, R.; FARIA JUNIOR, C. A.; DE FREITAS, P. S. L.; DE

QUEIROZ, T. M.; SANTI, A. Development, calibration and validation of weighing
lysimeters for measurement of evapotranspiration of crops. Revista Brasileira de
Engenharia Agrícola e Ambiental, Campina Grande, v.23, n.4, p.297-302, 2019.
GRANATA, F. Evapotranspiration evaluation models based on machine learning algorithms

– A comparative study. Agricultural Water Management, Amsterdam. v.217, p.303-315,
2019.
53
LANDAU, E.C.; MAGALHAES, P.C.; GUIMARAES, D.P. Relações com o clima: milho.
Agência Embrapa de Informação Tecnológica, 2005. Disponível em: <
https://www.agencia.cnptia.embrapa.br/gestor/milho/arvore/CONTAG01_17_1682005111
57.html#> Acesso em: 26 de janeiro de 2022.
LEMOS, R. C.; SANTOS, R. D. Manual de descrição e coleta de solo no campo.

Sociedade Brasileira de Ciência do Solo – Centro Nacional de Pesquisa de Solos. 3ª ed.,
p. 83, Campinas-SP, 1996.
LIANG, S. Narrowband to broadband conversions of land surface albedo I: Algorithms.

Remote Sensing of Environment, Amsterdam, v.76, n.2, p.213-238, 2001.
LOPES, J. R. F.; DANTAS, M. P.; FERREIRA, F. E. P. Identificação da influência da

pluviometria no rendimento do milho no semiárido brasileiro. Revista Brasileira de
Agricultura Irrigada, Fortaleza, v.13, n.5, p.3610-3618, 2019.
MARTINEZ, H. E. P.; CARVALHO, J. G.; SOUZA, R. B. Diagnose foliar. In: COMISSÃO

DE FERTILIDADE DO SOLO DO ESTADO DE MINAS GERAIS. Recomendações para
o uso de corretivos e fertilizantes em Minas Gerais: 5ª aproximação. Viçosa; 1999.
p.143-168.
MEDRADO, E.; LIMA, J. E. F. W. Development of pedotransfer functions for estimating

water retention curve for tropical soils of the Brazilian savanna. Geoderma Regional,
Amsterdam, v. 1, p. 59-66, 2014.
MORGAN, B. E.; CHIPMAN, J. W.; BOLGER, D. T.; DIETRICH, J. T. Spatiotemporal

Analysis of Vegetation Cover Change in a Large Ephemeral River: Multi-Sensor Fusion of
Unmanned Aerial Vehicle (UAV) and Landsat Imagery. Remote Sensing, Basel, v.13, n.1,
2020.
MUSSI, R.F.; ALVES JUNIOR, J.; EVANGELISTA, A.D.P.; CASAROLI, D.; BATTISTI,
R. Evapotranspiração da cana-de-açúcar estimada pelo algoritmo SAFER. Irriga, Botucatu,
v.25, n.2, p.263-278, 2020.
NÁDUDVARI, A.; ABRAMOWICZ, A.; FABIANSKA, M.; MISZ-KENNAN, M.;

CIESIELCZUK, J. Classification of fires in coal waste dumps based on Landsat, Aster
thermal bands and thermal camera in Polish and Ukrainian mining regions. International
Journal of Coal Science & Technology, Zürich, v.8, n.3. p.441-456, 2020.
OLIVEIRA, E.R.; SILVA, T.C.; RAMOS, R.F.O. Evapotranspiração de referência de

Januária-MG pelos métodos tanque classe “A” e Hargreaves-Samani. Colloquium
Agrariae. v.16, n.1, p.48-54, 2020.
OMETTO, J. C. Bioclimatologia Vegetal. São Paulo: Ed. Agronômica Ceres, 440p., 1981.
PADRÓ, J. C.; MUÑOZ, F. J.; ÁVILA, L.A.; PESQUER, L.; PONS, X. Radiometric
Correction of Landsat-8 and Sentinel-2A Scenes Using Drone Imagery in Synergy with Field
Spectroradiometry. Remote Sensing, Basel, v.10, n.11, 2018
54
PLANCK, M. Ueber das Gesetz der Energieverteilung im Normalspectrum. Annalen der

physik, Heidelberg, v.19, p.202-237, 1901.
PANG, G.; CHEN, D.; WANG, X.; LAI, H. Spatiotemporal variations of land surface albedo
and associated influencing factors on the Tibetan Plateau. Science of the Total
Environment, v. 804, p. 1-16, 2022.
SALES, D. L. A.; ALVES JÚNIOR, J.; SOUZA, J. M. F.; CASAROLI, D.;

EVANGELISTA, A. W. P.; PEREIRA, R. M. Common bean evapotranspiration estimated
by orbital images. African Journal of Agricultural Research, Ago-Iwoye, v. 11, n. 10, p.
867-872, 2016.
SALES, D. L. A.; ALVES JUNIOR, J.; CASAROLI, D.; EVANGELISTA, A. W. P.;

SOUZA, J.M.F. Estimativa de evapotranspiração e coeficiente de cultura do tomateiro
industrial utilizando o algoritmo SAFER. Irriga, Botucatu, v.22, n.3, 629-640, 2017.
SANTOS, H. G.; JACOMINE, P. K. T.; ANJOS, L. H. C.; OLIVEIRA, V. A.;

LUMBRERAS, J. F.; COELHO, M. R.; ALMEIDA, J. A.; ARAUJO FILHO, J. C.;
OLIVEIRA, J. B.; CUNHA, T. J. F. Sistema Brasileiro de Classificação de Solos. Embrapa
Solos. 355p. 2018.
SAH, R. P.; CHAKRABORTY, M.; PRASAD, K.; PANDIT, M.; TUDU, V. K.;
CHAKRAVARTY, M. K.; NARAYAN, S. C.; RANA, M.; MOHARANA, D. Impact of
water deficit stress in maize: Phenology and yield components. Nature Research, Berlin, v.
10, n. 1, p. 1–15, 2020.
SENA, C. C.; ALVES JÚNIOR, J.; DOMINGOS, M. V. H.; ANTUNES JUNIOR, E. J.;
BATTISTI, R.; EVANGELISTA, A. W. P.; CASAROLI, D. Calibração do sensor capacitivo
de umidade do solo EC-5 em resposta a granulometria do solo. Brazilian Journal of
Development, Curitiba, v. 6, n. 4, p. 17228-17240, 2020.
SENA, C. C. R. Uso do sensoriamento remoto para a estimativa da evapotranspiração

atual e diagnóstico do manejo da irrigação da cultura do tomate industrial em Goiás.
2021. 139 f. Tese (Doutorado em Agronomia: Solo e Água) – Escola de Agronomia,
Universidade Federal de Goiás, Goiânia, 2021.
SOUZA, J. M. F.; ALVES JUNIOR, J.; CASAROLI, D.; EVANGELISTA, A. W. P.;

MESQUITA, M. Validação do modelo SAFER na estimativa da evapotranspiração da cana-
de-açúcar. Irriga, Botucatu, v.25, n.2, p.247-262, 2020.
TEIXEIRA, A. H. C. Determining regional actual evapotranspiration of irrigated and natural

vegetation in the São Francisco river basin (Brazil) using remote sensing an Penman-
Monteith equation. Remote Sensing, Bellingham, v. 2, n. 5, p. 1287-1319, 2010.

55
TEIXEIRA, A. H. C.; HERNANDEZ, F. B. T.; LOPES, H. L.; SHERER-WARREN, M.;

BASSOI, L. H. Modelagem espaço temporal dos componentes dos balanços de energia
e de água no Semiárido brasileiro. Campinas: EMBRAPA Monitoramento por Satélite. 32
p. 2013. (Documentos, 99).
TEIXEIRA, A.; PACHECO, E.; SILVA, CESAR, S.; DOMPIERI, M.; LEIVAS, J. SAFER
applications for water productivity assessments with aerial camera onboard a remotely
piloted (RPA). A rainfed corn study in Northeast Brazil. Remote Sensing Applications:
Society and Environment, Amsterdan, v.22, p.1-15, 2021.
THORNTHWAITE, C. W. & MATHER, J. R. The water balance. Publications in

Climatology, New Jersey, Drexel Inst. of Technology, 1955.104p.
USDA. Commodity Forecasts. World Agricultural Supply and Demand Estimates.

USDA, 2021. Disponivel em: <https://www.usda.gov/oce/commodity/wasde/>. Acesso
em: 17 de agosto de 2021.
WILLMOTT, C. J.; ACKLESON, S. G.; DAVIS, R. E.; FEDDEMA, J. J.; KLINK, K. M.;
LEGATES, D. R.; O’DONNELL, J.; ROWE, C. M. Statistics for the evaluation and
comparison of models. Journal of Geophysical Research, Ottawa, v. 90, p. 8995-9005,
1985.
56
4 ESTIMATIVA DA EVAPOTRANSPIRAÇÃO DA CULTURA DO FEIJÃO

POR SENSORIAMENTO REMOTO UTILIZANDO DIFERENTES FONTES DE
ALBEDO
RESUMO
A estimativa da evapotranspiração por sensoriamento remoto é uma opção

inovadora e promissora, por se de baixo custo e operação. Por isso, é uma ferramenta
importante na estimativa da ET, podendo ser utilizada para subsidiar tomadas de decisão. A
origem e a qualidade das imagens são peça fundamental para a qualidade da informação,
pois a baixa resolução espacial e temporal dos satélites impacta diretamente nesses cálculos.
Nesse contexto, o objetivo deste estudo foi estimar a evapotranspiração da cultura do feijão
a partir do algoritmo SAFER em três diferentes fontes de albedo. O estudo foi realizado em
uma área de cultivo de feijão irrigado por pivô central, localizada no município de Itaberaí,
Goiás, no ano de 2021. Foram utilizadas imagens de câmera multiespectral e termal
MicaSense Altum acoplada a drone e imagens de albedo dos satélites Landsat 8 e Sentinel
2A para estimativa da ETa. Os dados foram comparados com a ET obtida pelo método FAO,
Embrapa e balanço hídrico climatológico por índices estatísticos. A correlação com os
métodos padrões foi satisfatória, principalmente com a FAO. Em geral, os EQM (erro
quadrado médio) e EMA (erro médio absoluto) apresentaram valores menores que 0,4 mm
dia-1. O índice de confiança variou de 0,91 a 0,97. O comparativo dos valores de ET
calculados a partir de câmera multiespectral e termal e das três formas de cálculo do albedo
de superfície foi considera satisfatória. Desse modo, a adaptação promovida no algoritmo
para obtenção do albedo foi eficiente. O uso de imagens de câmera multiespectral e termal
é uma ferramenta eficiente na estimativa da evapotranspiração da cultura do feijão para a
região noroeste de Goiás.
Palavras-chave: Drone, balanço de energia, geoprocessamento, imagens orbitais
ABSTRACT
The estimation of evapotranspiration by remote sensing is an innovative and

promising option, due to its low cost and operation. Therefore, it is an important tool for
estimating ET and can be used to support decision-making. The origin and quality of images
are fundamental for the quality of information, as the low spatial and temporal resolution of
satellites directly impacts these customers. In this context, the objective of this study was to
estimate the evapotranspiration of the common bean crop using the SAFER algorithm in
three different sources of albedo. The study was carried out in a bean cultivation area irrigate
57
by a central pivot, located in the municipality of Itaberaí, Goiás, in the year 2021. Images
from a MicaSense Altum multispectral and thermal camera coupled to a drone and albedo
images from Landsat 8 and Sentinel 2A satellites were used for ETa estimation. The data
were compared with the ET met by the FAO method, Embrapa and climatological water
balance by statistical indices. The dynamic with the standard methods was satisfactory,
mainly with the FAO. In general, the MSE (mean square error) and MAE (mean absolute
error) adopted values smaller than 0.4 mm day-1. The confidence index ranges from 0.91 to
0.97. The comparison of the ET values calculated from the multispectral and thermal camera
and the three ways of calculating the surface albedo was considered satisfactory. Thus, the
adaptation adopted in the algorithm for obtaining the albedo was efficient. The use of
multispectral and thermal camera images is an efficient tool in estimating the
evapotranspiration of the bean crop for the northwest region of Goiás.
Key words: Drone, energy balance, geoprocessing, orbital images
4.1 INTRODUÇÃO
O feijão possui papel importante na alimentação humana, pois é fonte barata de

carboidratos e proteínas (Chaves & Bassinelo, 2014). O feijão comum (Phaseolus vulgaris
L.) é uma das principais leguminosas cultivas no mundo, sendo o Brasil o maior produtor
(FAO, 2021). O Brasil consome no mercado interno boa parte do feijão produzido e não
possui grande expressão mundial no volume de exportação (FAO, 2021). O Estado de Goiás
se destaca na produção nacional, tendo a terceira maior produção (IBGE, 2021). Apesar da
grande produção, a produtividade média ainda é baixa. Entre os vários fatores que causam
quebra de produtividade (adubação, controle fitossanitário, genética) o déficit hídrico é um
dos mais importantes. Dentro desse cenário é indispensável o conhecimento da
evapotranspiração (ET) da cultura do feijão, para estimativa de produtividade e de quebra
de produtividade. Pois, é muito cultivada no período das chuvas e os veranicos influenciam
diretamente nessas perdas.
O Brasil está entre os dez países com maior área irrigada do mundo, no país a
cultura do feijão está entre as cinco mais irrigadas (ANA, 2021). Em relação a toda a área
irrigada do país, Goiás está entre os quatro estados que detém 80% desse volume (ANA,
2021). Para proteger do déficit hídrico e de problemas fitossanitários, o feijão também é
produzido na safra de inverno, utilizando da irrigação. Na qual, informações refinadas de
evapotranspiração da cultura é fundamental para gestão dos recursos hídricos,
dimensionamento de projetos e manejo da irrigação.
58
De acordo com Coelho Filho et al. (2011) a ET pode ser definida como o
somatório das perdas de água de uma superfície cobertura por vegetação para a atmosfera.
Esse somatório é composto pela evaporação da superfície do solo e pela transpiração das
plantas. Por isso, a quantificação da ET de forma precisa é indispensável no manejo da
irrigação, gera economia dos recursos hídricos, evita perdas por doenças e pragas, além de
subsidiar tomadas de decisão.
A obtenção da ET pode ser realizada através do método direto da lisimetria ou
por métodos indiretos. Dentre os métodos indiretos, o sensoriamento remoto tem sido
estudado e recomendado para diversas culturas, como feijão (Sales et al., 2016); tomate
(Sales et al., 2017), (Sena, 2021); cana-de-açúcar (Sousa et al., 2020), (Mussi et al., 2020),
gramado (Aldrighi, 2020) e milho (Teixeira, 2021). Consiste na realização de um balanço
de energia, com dados obtidos de imagens orbitais ou de drone. Esse balanço de energia é
calculado através de fluxos de energia que ocorrem entre solo, vegetação e a atmosfera,
necessitando de um algoritmo para a obtenção desses dados (Bezerra et al., 2008). Dentre
esses algoritmos o SAFER (Simple Algorithm For Evapotranspiration Retrieving)
desenvolvido por Teixeira et al. (2012) se destaca pela praticidade.
O SAFER é um algoritmo desenvolvido para ser de fácil aplicação, é
simplificado e não possui a obrigatoriedade de se utilizar a banda do termal, podendo assim
ser utilizado em uma gama maior de satélites. Necessita de dados de uma estação
meteorológica próxima à área de interesse, para obtenção da evapotranspiração de referência
(Eto), radiação global (Rg) e temperatura média do ar (Ta). Juntamente com os parâmetros
obtidos por sensoriamento remoto obtém-se a evapotranspiração atual (ETa) e o coeficiente
de cultura atual.
Entretanto, muitos autores alertam para a baixa frequência de imagens dos
satélites Landsat 8 e Sentinel 2A (16 e 10 dias, respectivamente). Além, de que todas as
medições de satélites necessitam de condições de céu sem nuvens (Cao et al., 2018).
Problema esse que pode ser resolvido com o uso de câmeras multiespectrais e termais
acopladas em drones. Porém, para isso é necessário criar alternativas para a obtenção do
albedo de superfície, para não depender dessa variável proveniente das imagens de satélite.
O albedo de superfície é um parâmetro chave no balanço de energia. Varia
conforme mudanças na morfologia da vegetação, ao longo das estações e é afetado por
condições atmosféricas (Liang, 2001). O albedo, NDVI e a temperatura de superfície são as
59
três variáveis responsáveis pelo cálculo da evapotranspiração através do algoritmo SAFER.

Isso demonstra a necessidade em se obter dados confiáveis de albedo.
Diante disso, o objetivo deste estudo foi avaliar o impacto de diferentes fontes
de albedo na cultura do feijão na estimativa da ET utilizando sensoriamento remoto, através
de imagens de câmera multiespectral e termal acoplada em drone.
4.2 MATERIAL E MÉTODOS
A área de estudo compreende uma área de 18 hectares em um pivô central. É

localizada no município de Itaberaí-GO, coordenadas 49º 43’ 05” W e 16º 01’ 30” S (Figura
4.1). O clima da região é caracterizado de acordo com a classificação de Koppen como Aw,
com duas estações bem definidas, inverno seco e verão chuvoso.
Figura 4.1 Mapa de localização da área de estudo.
A semeadura do feijão foi realizada no dia 08 de julho de 2021 em sistema de

plantio direto, cultivar BRS Estilo, sucedendo o milho, espaçamento de 0,5 m entre linhas e
10 plantas por metro linear. Foi realizado adubação de semeadura com MAP granulado (11-
60
52-00) 0,03 t ha-1, adubo (13-33-00 + 15% S) 0,015 t ha-1 e adubo (10-46-00 + 9% S) 0,06 t
ha-1. O solo foi classificado como LATOSSOLO Vermelho de textura média (Embrapa,
2018).
Foram realizadas coletas de solo indeformadas em anéis volumétricos em oito
pontos georreferenciados nas camadas 0,0-0,1; 0,1-0,2 e 0,2-0,3 m. Foram obtidos a
densidade e textura do solo de acordo com metodologia da Embrapa (2017). Foi realizado
também coleta de dados de resistência do solo à penetração com auxílio de penetrômetro de
impacto digital FALKER. Os limites de capacidade de campo e ponto de murcha permanente
foram definidos de acordo com Medrado & Lima (2014).
Foi realizado análise foliar para determinação dos macro e micronutrientes de
acordo com metodologia da Embrapa (2000). Foram coletadas no período do florescimento,
retirando a primeira folha totalmente expandida a partir dos folíolos superiores (Malavolta
et al., 1997).
A evapotranspiração de referência (ET0) foi obtida pelo método de Penman
Monteith, utilizando dados da estação automática instalada em um raio de 10 metros do pivô,
o cálculo da ET0 é descrita na Equação 4.
900
[0,408 ∗ (𝑅𝑛 − 𝐺) + [𝑦 ∗ (𝑇+273) ∗ 𝑢2 ∗ (𝑒𝑠 − 𝑒𝑎)] ]
𝐸𝑇₀ = (1)
∆ + 𝑦 ∗ (1 + 0,34 ∗ 𝑢₂)
Em que, o Rn corresponde ao saldo de radiação à superfície da cultura (MJ / m²
/ dia); G é a densidade de fluxo de calor no solo (MJ / m² / dia); T é a média diária da
temperatura do a (°C); 𝑢₂ é a velocidade do vento a 2 metros de altura (m / s); ES é a pressão
de vapor de saturação do ar (kPa); ea é a pressão de vapor atual do ar (kPa); es – ea é o déficit
de pressão de vapor de saturação do ar (kpa); ∆ é a declividade da curva de pressão de vapor
do ar na atmosfera (kPa / °C) e y é a constante psicrométrica (kPa / °C).
Com os dados para a elaboração do balanço hídrico climatológico, foi utilizado

a metodologia de Thornthwaite & Mather (1955). Considerando os dados da função de
pedotransferência, densidade do solo e profundidade efetiva do sistema radicular (Z=0,3 m),
foi utilizado o valor de 40 mm para capacidade de água disponível (CAD). E pela
contabilização das entradas e saídas de água do sistema foi estimada a ETr durante o ciclo
da cultura do feijão.
61
Para a estimativa da variação da umidade no perfil de solo foram instaladas três

baterias de sensores, em que cada bateria continha, três sensores EC-5 da Decagon Devices,
nas camadas 0,0-0,1, 0,1-0,2 e 0,2-0,3 m conectados a uma datalogger EM-50, com intervalo
de leitura a cada 20 minutos. Para obtenção da precipitação e irrigação foram instalados dois
pluviômetros de báscula de 0,25 mm de resolução, conectados a um datalogger NOVUS por
infravermelho, com leituras a cada 24 horas. Foi utilizada metodologia de Sena et al. (2020)
para calibração dos dados dos sensores de acordo com a textura.
Foram realizadas visitas à campo todos os dias em que houve a passagem dos
satélites Landsat-8 e Sentinel-2A, a cada 16 e 10 dias respectivamente, de acordo com a
resolução temporal de cada sensor. As datas foram: 26/07; 05/08; 11/08; 15/08; 25/08; 27/08;
05/09 para Landsat-8 e 12/09; 14/09; 24/09; 28/09; 04/10; 14/10 para Sentinel-2A.
Para a obtenção do albedo de superfície foram utilizadas imagens do satélite
Landsat-8 (OLI/TIRS), obtidas de formas gratuita no site da United States Geological Survey
(USGS). Foram utilizadas também imagens do satélite Sentinel-2A, obtidas no site da
Copernicus (Agência Espacial Europeia). Na mesma data de passagem dos satélites e
próximo ao horário de passagem, foi realizado voo com drone modelo DJI Inspire 2,
acoplado à ele uma câmera multiespectral e termal modelo Micasense Altum.
A altura de voo utilizada foi 120 metros para melhor autonomia no voo, gerando
resolução espacial de 0,6 m. Foi utilizado o software Pix4D capture para criação do plano
de voo e utilizado o Pix4D mapper para mosaico das imagens e obtenção das imagens em
reflectância e dos índices NDVI (Normalized Difference Vegetation Index) e temperatura de
superfície.
Para a obtenção da evapotranspiração pelo algoritmo SAFER é necessário seguir
algumas etapas. Essas etapas seguem conforme a metodologia proposta por Teixeira (2010).
4.2.1 Conversão dos valores de DN (números digitais) em radiância:

O DN representa um pixel que traz a intensidade de energia eletromagnética
medida pelo sensor do satélite. Esses valores digitais precisam ser convertidos em radiância
espectral para cada banda. Sendo que, a radiância é a intensidade radiante por unidade de
área-fonte (MUSSI, 2020).
LMAX − LMIN
𝐿λ = ( ) QCAL + LMIN (2)
255
62
Em que:
LMAX: radiância máxima (W m−2 sr −1 μm−2 );
LMIN: radiância mínima (W m−2 sr −1 μm−2 );
Qcal: intensidade do pixel (ND), número inteiro de 0 a 255.
4.2.2 Cálculo de reflectância

Para cada banda termal contidas nas imagens orbitais é calculada a reflectância
(𝑃λ) a partir dos valores de radiância que foram obtidos na etapa anterior. Sendo que, a
reflectância é o processo pelo qual a radiação perpassa um objeto como uma nuvem ou um
corpo d’água.
𝜋 ∗ 𝐿λ
𝑃λ = (3)
ESUNλ ∗ cosZ ∗ E0
Em que:
𝐿λ: radiância de cada banda;
SUN λ: irradiância espectral no topo da atmosfera;
cosZ: ângulo zenital;
E0 : ângulo diário;
Onde: E0 é definido pela Equação:
𝐸0 = 1,000110 + 0,0342221 cos(da) + 0,001280 (da) + 0,000719(2 ∗ da)

(4)
+ 0,000077 sin(2 ∗ da)
Sendo:
Da: ângulo diário
Onde: da é definido pela Equação 8:
2𝜋
da = (𝑑𝑛 − 1) (5)
365
Em que:
Dn: dia Juliano da imagem
4.2.3 Albedo no topo da atmosfera

63
O albedo no topo da atmosfera pode ser obtido a partir da equação a seguir:

𝑡𝑜𝑝   (𝑝  𝑝) (6)
Em que:
p: reflectância
ωλ: coeficiente para cada banda
Sendo, ωλ obtido pela equação:
𝐸𝑆𝑈𝑁
 = (7)
 𝐸𝑆𝑈𝑁
4.2.4 Albedo de superfície

No SAFER, o albedo de superfície (α0) foi estimado a partir do albedo no topo
da atmosfera pela equação a seguir:
𝛼0 = 𝑎 ∗ 𝛼 𝑡𝑜𝑝 + 𝑏
(8)
Em que: a e b são coeficientes de regressão Teixeira (2010), que apresentam,

respectivamente, os valores de 0,7 e 0,006, α top, é o albedo no topo da atmosfera.
4.2.5 Temperatura de superfície

Para elaborar a carta de temperatura da superfície (To), é necessário utilizar
imagens do infravermelho termal das bandas, que vão ser determinadas posteriormente. Mas
a temperatura de superfície é calculada pela equação:
𝑇𝑜 = 1,11 𝑥 𝑇𝑏𝑟𝑖𝑔ℎ𝑡 − 31,89
(9)
Onde 𝑇𝑏𝑟𝑖𝑔ℎ𝑡 é obtido pela equação:

1260,56
𝑇𝑏𝑟𝑖𝑔ℎ𝑡 = 607,76 (10)
ln (L )
termal +1
Sendo: Ltermal = radiância (Lλ) das bandas que ainda serão escolhidas.
4.2.6 Índice de vegetação por diferença normalizada (NDVI)

𝐼𝑉𝑃 − 𝑉
𝑁𝐷𝑉𝐼 = (11)
𝐼𝑉𝑃 + 𝑉
64
Em que IVP é a reflectância da banda do infravermelho próximo e V a reflectância na banda

do vermelho.
A Equação 12 é utilizada para a obtenção da evapotranspiração atual (ETa)
(Teixeira, 2010):
𝐸𝑇
= exp[𝑎 + 𝑏(∞∗ 𝑇𝑜
NDVI
)] (12)
𝐸𝑇𝑂
onde, a e b são coeficientes de regressão; sendo a = 1 (Teixeira et al., 2013) e b = -0,008.

Através da relação ETa/ETo chega-se ao valor do coeficiente da cultura os respectivos
coeficientes de cultura (kc), pelo SAFER, foram calculados pela Equação 16:
𝐸𝑇𝑎
𝑘𝑐 = (13)
𝐸𝑇𝑜
Do modo como é descrito a estimativa do albedo de superfície no algoritmo, não

é possível realizar o processo com as imagens de drone, pois é levado em consideração o
albedo no topo da atmosfera, dado esse que o drone não capta por estar sob o topo da
atmosfera. Como alternativa, foi instalado em campo um albedômetro modelo CMA 6 Kipp
& Zonen para estimativa dos dados. Além disso, conforme lei de Planck (Planck, 1901) foi
obtido o albedo do drone a partir da definição de pesos por banda e posteriormente o
somatório de todas as bandas em reflectância, a partir da Equação 17:
𝛼0 = 0,24 ∗ 𝐵𝑙𝑢𝑒 + 0,23 ∗ 𝐺𝑟𝑒𝑒𝑛 + 0,2 ∗ 𝑅𝑒𝑑 + 0,14 ∗ 𝑁𝐼𝑅 + 0,18 ∗ 𝑅𝑒𝑑𝐸𝑑𝑔𝑒 (14)
Também foi utilizado o albedo obtido pelos satélites, afim de comparar os

resultados. Foi realizado uma regressão linear dos dados do albedômetro com os satélites e
drone. Posteriormente, para o cálculo da evapotranspiração foi utilizado a ferramenta raster
calculator do software ArcGis 10.3. A figura 4.2 ilustra as diferentes formas de obtenção da
evapotranspiração.
Albedo Albedômetro
NDVI DRONE DroneAlb

Temperatura de
superfície DRONE
65
Albedo DRONE
NDVI DRONE Drone

Temperatura de
superfície DRONE
Albedo Satélites
NDVI DRONE DroneSat

Temperatura de
superfície DRONE
Figura 4.2 Fluxograma referindo-se aos meios de obtenção da ET por sensoriamento

remoto.
Foi realizada correlação dos dados com o método do balanço hídrico

climatológico, FAO 56 (Allen et al., 1998) e Embrapa (Stone & Silveira, 2015). Os dados
da FAO foram calibrados para as condições de umidade do ar e velocidade do vento da área
de estudo, conforme descrito no boletim. Foi utilizado a correlação de Pearson (r), regressão
linear (R²), índice de confiança (c) e o índice de Willmott “d”. Esse índice varia de 0 a 1,
quanto mais próximo de 1, mais os valores estimados ajustam-se aos valores medidos
(Willmott et al., 1985).
4.3 RESULTADOS E DISCUSSÃO
Durante o ciclo a temperatura média foi de 23,55 °C, média favorável ao

desenvolvimento da cultura. No período de germinação das sementes temperaturas em torno
de 28ºC são consideradas ótimas, entre a emergência e maturação fisiológica deve ser entre
12ºC e 30ºC (Didonet & Silva, 2004). A precipitação acumulada foi de 73,45 mm, a irrigação
foi de 226,25 mm, totalizando 299,7 mm durante todo o ciclo (Tabela 4.1).
66
Tabela 4.1 Acumulado térmico, de precipitação, da ET0 e da lâmina de irrigação do

feijão para a área avaliada em 2021.
Acúmulo Térmico* Acúmulo Precipitação Acúmulo ETo Acúmulo irrigação
ºC ---------------mm---------------
1.397,88 73,45 422,29 226,25
*De acordo com Ometto (1981).
A colheita foi iniciada em 22 de outubro de 2021, totalizando 106 dias de ciclo.
A produtividade foi de 3,13 t ha-¹, foi 8% acima da média da 3ª safra para Goiás (CONAB,
2022). As Tabelas 4.2 e 4.3 ilustram valores médios para densidade do solo e resistência à
penetração por camada. A área de estudo não apresentou problemas de compactação.
Tabela 4.2 Valores médios de densidade do solo, granulometria e textura por camada
Granulometria (%) Textura¹
Camada (m) Densidade do solo (g cm-3)
Areia Silte Argila
0,0-0,1 1,48 61,25 10,1 28,65 franco-argilo-arenoso
0,1-0,2 1,49 55,75 11 33,25 franco-argilo-arenoso
0,2-0,3 1,44 53,5 10,3 36,2 argila-arenosa
¹De acordo com Lemos & Santos (1996)
Tabela 4.3 Valores médios de resistência do solo à penetração e umidade volumétrica

por camada
Camada (m) RP (Mpa) Uv (cm-3 cm-3)
0,0-0,1 0,62 0,23
0,1-0,2 1,51 0,25
0,2-0,3 2,13 0,21
Foi constatado nas amostras foliares teores abaixo do limite em fósforo (P) e
magnésio (Mg). O nível médio de P nas amostras foi de 1,63 g kg-1 e de Mg foi de 2,8 g kg-
1
. De acordo com Malavolta et al. (1997) os níveis suficientes estão entre 2-3 g kg-1 e de 4-
7 g kg-1, respectivamente. A Figura 4.3 representa a variação temporal da umidade do solo
e da precipitação e irrigação durante o ciclo da cultura do feijão. É possível observar que os
67
valores de umidade não ficaram abaixo do ponto crítico em nenhum momento e em nenhuma
camada durante todo o ciclo.
0.45 16
Precipitação e Irrigação (mm)

14
0.4
12
Umidade (m³ m-³)
0.35
10
0.3 8
6
0.25
4
0.2
2
0.15 0
8 13 18 23 28 33 38 43 48 53 58 63 68 73 78 83 88 93
DAS (dias)
P+I 0-0,3 θCC θCrítico θPMP

precipitação com a irrigação.
Para correção atmosférica dos dados, foi realizada uma correlação linear dos
dados de albedo obtidos pelo albedômetro e do albedo no topo da atmosfera pelo Sentinel
2A. Conforme Equação 15:
𝛼0 = 0,7184 ∗ 𝛼 𝑡𝑜𝑝 + 0,008 (15)
Assim, foram obtidos os coeficientes “a” e “b” para a estimativa do albedo de
superfície, 0,7184 e 0,008, respectivamente. Para Landsat 8 os valores já estão calibrados de
acordo com Teixeira (2010). A Equação 16 representa a calibração do albedo do drone em
função do albedômetro:
𝛼0 = 1,0283 ∗ 𝛼𝑎𝑙𝑏𝑒𝑑ô𝑚𝑒𝑡𝑟𝑜 + 0,0117 (16)
No início do ciclo, havia grande quantidade de palhada, o que dificultou na
obtenção da evapotranspiração por drone. A resolução da banda do termal (160 x 120) é
menor em comparação com as demais bandas (2064 x 1544). Isso fez uma sobreposição da
temperatura maior das entre linhas sobre as linhas, tendendo a subestimar o kc. Para
amenizar esse problema foi feito uma seleção de pixels, para que essas áreas mais quentes
ficassem de fora do cálculo do algoritmo.
68
A Figura 4.4 ilustra a curva de kc durante o ciclo da cultura do feijão. É possível

observar que os maiores valores entre os dados de drone foram pelo método DroneAlb e
DroneSat, pois os dados obtidos pelo albedômetro foram próximos aos obtidos por satélite,
resultando em maiores valores de kc.
Figura 4.4 Comparativo de kc estimado pelo método FAO, Embrapa, DroneAlb,

DroneSat e Drone, ao longo do ciclo do feijão, Itaberaí-GO, 2021.
Muitos autores enfatizam a subestimativa da ET por imagens de satélite no início

do ciclo para diversas culturas. De acordo com Oliveira et al. (2021) esse processo ocorre
pela presença de palhada, que influencia em baixos valores de NDVI (devido a coloração do
material, o NDVI responde melhor a diferentes tons de verde), além da influência no albedo,
que pela resolução espacial da imagem não diferencia a palhada da planta. Esse mesmo efeito
foi relatado por Sales et al. (2017) para a cultura do tomate e Sales et al. (2016) para a cultura
do feijão. Porém, esse efeito não foi constatado para a área por não haver dados no início do
ciclo.
A Tabela 4.4 e a Figura 4.5 detalham os valores de evapotranspiração e os
índices estatísticos da estimativa dos métodos ETDroneAlb, ETDroneSat e ETDrone em comparação
com o método FAO 56, Embrapa e BHC. A partir dos resultados, os dados estimados por
drone com diferentes fontes de albedo podem ser utilizados na estimativa da
evapotranspiração da cultura do feijão, pois obtiveram baixo erro e alta correlação. No geral,
em média o EQM ficou em 0,215 mm dia-1, EMA em 0,332 mm dia-1 e REMA 0,096 mm
dia-1.
69
O fato da cultura estar sob sistema de plantio direto influenciou no baixo erro
observado entre os métodos, pois a palhada retém umidade e mantém menor temperatura no
solo. Entre os métodos com drone, o erro quadrado médio (EQM) apresentou média geral
de 0,137 mm dia-1, o erro médio absoluto (EMA) apresentou média menor que 0,3 mm dia-
1
. A raiz do erro médio absoluto (REMA) obteve média geral igual a 0,061. Também é
possível observar que as curvas geradas ao longo do ciclo para todos os métodos seguem
uma mesma tendência.
valores de evapotranspiração obtidos pelos métodos DroneAlb, DroneSat,
Drone, comparando-os aos métodos ETFAO, ETEmbrapa e ETBHC.
FAO
Drone Alb 0,168 0,286 0,066 0,98 0,99 0,97 Ótimo
Drone Sat 0,227 0,330 0,080 0,97 0,97 0,95 Ótimo
Drone 0,339 0,377 0,091 0,96 0,96 0,93 Ótimo
Embrapa
Drone Alb 0,215 0,389 0,132 0,97 0,98 0,95 Ótimo
Drone Sat 0,126 0,277 0,105 0,98 0,98 0,96 Ótimo
Drone 0,204 0,369 0,131 0,97 0,97 0,94 Ótimo
BHC
Drone Alb 0,169 0,292 0,082 0,97 0,98 0,95 Ótimo
Drone Sat 0,253 0,355 0,096 0,94 0,96 0,91 Ótimo
Drone 0,242 0,314 0,084 0,95 0,97 0,92 Ótimo
Drone Alb
Drone Sat 0,155 0,231 0,054 0,98 0,98 0,96 Ótimo
Drone 0,158 0,292 0,070 0,99 0,98 0,97 Ótimo
Drone Sat
Drone 0,099 0,228 0,059 0,98 0,99 0,96 Ótimo
70
A B C
D E F
71
G H I
Figura 4.5 Evapotranspiração da cultura do feijão referente ao período de julho a outubro de 2021 obtida pelo método DroneAlb (A; B;
C;), DroneSat (D; E; F) e Drone (G; H; I) comparados com FAO 56, Embrapa e BHC.
72
Os valores obtidos pelo estudo utilizando o drone são próximos do recomendado

por Allen et al. (1998) para a cultura do feijão. Isso prova a eficiência da utilização do
SAFER com imagens de drone. O índice de confiança variou de 0,93 a 0,97.
Os dados obtidos nesse estudo também estão de acordo com a Embrapa (Stone
& Silveira, 2005), que recomendou kc para a cultura do feijão em condições de plantio direto
e condições edafoclimáticas do Cerrado.
Em comparação com o balanço hídrico climatológico os três métodos com
imagens de drone obtiveram classificação “ótimo”, o índice de confiança variou de 0,91 a
0,95. De acordo com Queiroz et al. (2022), isso pode ser explicado pela baixa quantidade de
dados, devido ocorrência de nuvens e baixa resolução temporal do sensor.
A comparação da ET entre os três métodos de obtenção do albedo apresentou
alta correlação, provando que a adaptação promovida no algoritmo é eficiente. Com isso,
não há dependência das condições meteorológicas no dia do voo, as nuvens não influenciam
na leitura do albedômetro e nas imagens de drone. Em geral o ETDroneAlb apresentou melhor
resultado entre todos os métodos para estimar a ET. Isso ocorreu devido a maiores valores
de albedo durante a maior parte do ciclo.
É possível observar na Figura 4.6A a variação da temperatura de superfície
estimada pelo drone. A resolução espacial da câmera termal quando comparado com o
satélite Landsat 8, por exemplo, é cerca de 4.100 vezes maior, consegue separar a
temperatura da linha das entrelinhas, assim resultando em melhores valores. Nádudvari et
al. (2020), pesquisando focos de incêndio a partir de imagens de Landsat 8 e de câmera
termal acoplada à drone, concluiu que devido à melhor resolução espacial, as imagens de
drone captam melhores valores de temperatura. Porém não há banco de dados históricos
dessas imagens, portanto as duas fontes de imagens são complementares.
Na Figura 4.6B é possível observar o crescimento dos valores de NDVI até o
início do período reprodutivo, durante esse período os valores se mantiveram estáveis até se
iniciar o decrescimento a partir do início da senescência.
73
A B
Figura 4.6 Distribuição da temperatura de superfície (A), calibrada pelas equações 16

e 17 e NDVI (B) ao longo do ciclo da cultura do feijão obtido por imagens
do satélite Landsat 8, Sentinel 2A e câmera multiespectral e termal.
A Figura 4.7 representa a variação do albedo ao longo do ciclo do feijão. Os

maiores valores estão entre o albedômetro e o Sentinel 2A. Em geral, os valores de albedo
estimados a partir das imagens do drone apresentaram os menores valores em comparação
com as demais fontes de albedo, o que representou maior erro no comparativo entre os
métodos com drone em relação aos modelos de referência. Dittmann et al. (2019) afirma que
as medições por satélites possuem limitação espacial e temporal, por isso a necessidade de
calibração dos dados com o albedômetro.
É possível observar maiores valores de albedo no início e final do ciclo. Leite et
al. (2020) pesquisando a variação do albedo de superfície em diferentes coberturas do solo
enfatiza que áreas como solo exposto e vegetação seca apresentam alto poder de reflexão,
ou seja, albedo elevado. Giongo & Vettorazzi (2014) mapearam o albedo de uma bacia
hidrográfica e concluíram que os maiores valores do índice estão em áreas com pouca ou
nenhuma cobertura vegetal, além de áreas agricultáveis, que possuíam solo exposto.
74
Figura 4.7 Distribuição do albedo de superfície ao longo do ciclo da cultura do feijão

obtido através de imagens dos satélites Landsat 8 e Sentinel 2A (corrigido
pela equação 15), câmera multiespectral e termal e albedômetro.
Na Tabela 4.5 estão expostos os índices estatísticos da estimativa da ETDroneAlb,

ETDroneSat, ETDrone, por fase em comparação entre os próprios métodos e com os métodos
FAO 56, Embrapa e BHC. Para a fase I não foi realizado o comparativo, devido a semeadura
ter sido realizada em sistema de plantio direto, várias sementes de milho emergiram, assim
as plantas sobressaíram às de feijão. Posteriormente, foi realizado aplicação de herbicida,
fato que amarelou as folhas das plantas de milho, o que poderia interferir nos resultados.
Em geral os métodos estimados por drone podem ser utilizados para se obter a
evapotranspiração da cultura do feijão, a correlação variou de bom a ótima, pois obtiveram
baixo erro e boa concordância.
Para a fase II a ETDroneAlb apresentou melhor desempenho em comparação com
a FAO, apresentou valor de EQM 0,089 mm dia-1, EMA 0,242 mm dia-1 e REMA 0,065 mm
dia-1. Obteve índices estatísticos acima de 0,9, obtendo classificação “ótimo”. A ETDroneSat
obteve classificação “muito bom”, obtendo r = 0,89, d = 0,85 e c = 0,76. A ETDrone apresentou
EQM e EMA acima de 0,5 mm dia-1, sendo classificado como “bom”.
No comparativo com a Embrapa na fase II a ETDroneSat e ETDrone obtiveram
melhor desempenho, apresentaram em média EQM em 0,071 mm dia-1, EMA 0,242 mm dia-
1
e REMA 0,078 mm dia-1, com classificação “ótimo”. Os dados da ETDroneAlb obtiveram
classificação “muito bom”, com r = 0,89, d = 0,93 e c = 0,83.
75
Ainda na fase II em comparação com o BHC a ETDroneAlb obteve melhor

desempenho, classificada como “ótimo”, com EQM de 0,104 mm dia-1, EMA 0,274 mm dia-
1
e REMA 0,086 mm dia-1. ETDroneSat e ETDrone apresentaram classificação “bom” e “muito
bom”, com índice de confiança menor que 0,8. O comparativo entre os três métodos drone
obteve correlação de “muito bom” a “ótima”, baixo erro e bom desempenho estatístico,
justificando a utilização de ambas as fontes de albedo para esta fase de desenvolvimento.
A fase III que coincide com a maior demanda hídrica da cultura, a ETDroneAlb
apresentou melhor desempenho, classificado como “muito bom” em comparação com a
FAO, apresentou EQM de 0,144 mm dia-1, EMA 0,335 mm dia-1 e REMA 0,064 mm dia-1.
Os índices ficaram em r = 0,88, d = 0,92 e c = 0,81. A ETDroneSat também apresentou boa
correlação, sendo classificada como “bom”, com índice de confiança próximo de 0,7. O
método ETDrone não foi recomendado para essa fase, foi classificado como “mediano”.
Em comparação com a Embrapa todos os métodos são recomendados, pois
foram classificados de “muito bom” a “ótimo”. Os métodos que obtiveram menor erro foram
ETDroneSat e ETDrone.
Ainda na fase III, no comparativo com o BHC a ETDroneAlb apresentou melhor
desempenho, com EQM de 0,237 mm dia-1, EMA 0,423 mm dia-1 e REMA 0,089,
classificada como “muito bom”. A ETDrone também é recomendada, obteve classificação
“bom”. A ETDroneSat foi considerada de baixo desempenho.
Para a fase IV, ambos os métodos com drone foram recomendados para FAO,
Embrapa e BHC, foram classificados de “muito bom” a “ótimo”.
valores de evapotranspiração obtidos pelos métodos DroneAlb, DroneSat,
Drone, comparando-os aos métodos ETFAO, ETEmbrapa e ETBHC.
FASE II
FAO
Drone Alb 0,089 0,242 0,065 0,97 0,96 0,94 Ótimo
Drone Sat 0,315 0,442 0,114 0,89 0,85 0,76 Muito Bom
Drone 0,539 0,566 0,144 0,86 0,77 0,66 Bom
Embrapa
76
Drone Alb 0,094 0,289 0,092 0,89 0,93 0,83 Muito Bom
Drone Sat 0,029 0,150 0,051 0,98 0,97 0,96 Ótimo
Drone 0,114 0,335 0,106 0,99 0,90 0,90 Ótimo
BHC
Drone Alb 0,104 0,274 0,086 0,92 0,95 0,88 Ótimo
Drone Sat 0,201 0,326 0,094 0,86 0,88 0,77 Muito Bom
Drone 0,326 0,404 0,110 0,84 0,82 0,69 Bom
Drone Alb
Drone Sat 0,098 0,260 0,074 0,93 0,93 0,87 Ótimo
Drone 0,232 0,376 0,105 0,90 0,85 0,77 Muito Bom
Drone Sat
Drone 0,041 0,184 0,057 0,99 0,96 0,96 Ótimo
FASE III
FAO
Drone Sat 0,324 0,455 0,089 0,81 0,84 0,68 Bom
Drone 0,537 0,525 0,103 0,78 0,77 0,61 Mediano
Embrapa
Drone Sat 0,048 0,186 0,039 0,97 0,97 0,95 Ótimo
Drone 0,112 0,287 0,065 0,92 0,95 0,87 Ótimo
BHC
Drone Sat 0,331 0,489 0,104 0,71 0,83 0,59 Sofrível
Drone 0,312 0,400 0,084 0,79 0,87 0,69 Bom
Drone Alb
Drone Sat 0,316 0,384 0,072 0,84 0,87 0,73 Bom
Drone 0,290 0,515 0,103 0,98 0,90 0,88 Ótimo
Drone Sat
Drone 0,235 0,450 0,100 0,84 0,91 0,76 Muito Bom
FASE IV
FAO
Drone Alb 0,070 0,221 0,073 0,98 0,96 0,97 Ótimo
77
Drone Sat 0,243 0,400 0,122 0,99 0,95 0,94 Ótimo

Drone 0,198 0,374 0,119 0,97 0,96 0,94 Ótimo
Embrapa
Drone Sat 0,420 0,570 0,177 0,95 0,91 0,87 Ótimo
Drone 0,607 0,643 0,199 0,87 0,89 0,77 Muito Bom
BHC
Drone Alb 0,061 0,203 0,076 0,98 0,98 0,97 Ótimo
Drone Sat 0,190 0,334 0,109 0,95 0,95 0,91 Ótimo
Drone 0,068 0,203 0,071 0,98 0,98 0,97 Ótimo
Drone Alb
Drone Sat 0,171 0,243 0,064 0,97 0,96 0,93 Ótimo
Drone 0,057 0,202 0,061 0,99 0,98 0,98 Ótimo
Drone Sat
Drone 0,089 0,223 0,074 0,96 0,97 0,94 Ótimo
A maior limitação de se estimar a evapotranspiração por imagens orbitais é a

presença de nuvens, quando presentes na área observada, inviabiliza a estimativa para aquela
data. A utilização das imagens de drone utilizando o albedo do satélite apresenta bons
resultados, porém ainda permanece limitado pelas nuvens. A correlação entre os dados de
kc para o drone, utilizando dados de albedo do satélite e do albedômetro apresenta alta
correlação. Então, a proposta de promover a adaptação da variável albedo do algoritmo se
torna viável, pois a presença de nuvens indefere no momento da coleta de dados.
4.4 CONCLUSÕES
As diferentes fontes de albedo influenciam diretamente nos valores de

evapotranspiração da cultura do feijão.
O método DroneAlb em geral apresenta melhores valores de ET entre os
métodos com drone, pois utiliza diretamente os valores do albedômetro, enquanto os demais
métodos são corrigidos pelo albedômetro.
78
O SAFER quando utilizado com imagens de câmera multiespectral e termal é

capaz de substituir o uso de imagens orbitais, que possuem limitação por condições
meteorológicas e frequência de imageamento.
Ambos os métodos com drone são recomendados para estimativa da ET para a
cultura do feijão.
4.5 REFERÊNCIAS
ALLEN, R. G.; PEREIRA, L.S.; RAES, D.; SMITH, M. Crop evapotranspiration:

Rome, 297 p., 1998.
ALDRIGHI, M.; JARDIM, C. C. S.; ALVES JUNIOR, J.; BATTISTI, R.; CASAROLI, D.;
EVANGELISTA, A. W. P. Necessidades hídricas das gramas batatais (Paspalum notatum
Fluggé) e esmeralda (Zoysia Japônica Steud) estimadas por sensoriamento remoto.
Brazilian Journal of Development, Curitiba, v.6, n.7, p.47020-47032, 2020.
AGÊNCIA NACIONAL DE ÁGUAS E SANEAMENTO BÁSICO. Atlas Irrigação 2021.

Disponível em: <
https://biblioteca.ana.gov.br/asp/download.asp?codigo=148256&tipo_midia=2&iIndexSrv
=1&iUsuario=0&obra=88090&tipo=1&iBanner=0&iIdioma=0> Acesso em: 04 de
setembro de 2022.
AVILEZ, A. M. A.; HERNANDEZ, F. B. T.; GALVÃO, I. M.; TEIXEIRA, A. H. C.

Determinação dos coeficientes de cultivo e a evapotranspiração real da cana-de-açúcar com
o uso do modelo SAFER. Agrometeoros, Passo Fundo, v.28, 2020.
BEZERRA, B.G.; SILVA, B.B.; FERREIRA, N.J. Estimativa da evapotranspiração real

CAO, C.; LEE, X.; MUHLHAUSEN, J.; BONNEAU, L.; XU, J. Measuring Landscape
Albedo Using Unmanned Aerial Vehicles. Remote Sensing, Basel, v.10, p. 1-16, 2018.
CHAVES, M. O.; BASSINELLO, P. Z. O feijão na alimentação humana. Embrapa Arroz

Feijão. Disponível em: <ainfo.cnptia.embrapa.br/digital/bitstream/item/123450/1/p15.pdf>
9p. Acesso em: 20 de maio de 2022.

DE OLIVEIRA, D.A.; HERNANDEZ, F.B.T.; BISPO, R.C.; GOMES, R.N.; TEIXEIRA,

A.H.C. Estimativa da demanda de água da cultura da cana-de-açúcar irrigada utilizando
sensoriamento remoto. Irriga, Botucatu, v.1, n.4, p.678-686, 2021.
79
DIDONET, A.D.; DA SILVA, S.C. Elementos climáticos e produtividade do feijoeiro.

Informe Agropecuário, Santo Antônio de Goiás, v.25, n.223, p.13-19, 2004.
DITTMANN, S.; BURNHAM, L.; OH, S. Y.; BENLARABI, A.; CHOI, J. H.; EBERT, M.;
FIGGIS, B.; GOTTSCHALG, R.; KIM, K. S.; REINDL, T.; RÜTHER, R. Comparative
analysis of albedo measurements (plane-of-array, horizontal, satellite) at multiple sites
worldwide. Abstract 36th EU PVSEC, Marseille, 2019.
EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA - EMBRAPA. Métodos de

Análise de Tecidos Vegetais Utilizados na Embrapa Solos. Rio de Janeiro: Centro
Nacional de Pesquisa de Solos, 21 ed., 2000, 41 p.
EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA - EMBRAPA. Manual de

métodos de análise de solo. Rio de Janeiro: Centro Nacional de Pesquisa de Solos, 3 ed.
ver. e ampl. 2017, 212 p.
EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA - EMBRAPA. Centro

Nacional de Pesquisa de Solos. Sistema brasileiro de classificação de solos. 5 ed. Brasília,
Produção de Informação, 2018. 356 p.

30 ago. 2022.
GIONGO, P. R.; VETTORAZZI, C. A.; Albedo da superfície por meio de imagens TM-
Landsat 5 e modelo numérico do terreno. Revista Brasileira de Engenharia Agrícola
Ambiental, Campina Grande, v. 18, n. 8, 2014.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Produção

Agrícola Nacional. Sistema IBGE de Recuperação Automática- SIDRA, 2021 Disponível
em <https://sidra.ibge.gov.br/tabela/5457>. Acesso em: 19 de fevereiro de 2022.
LEITE, M. E.; DA SILVA, L. A. P.; VELOSO, G. A.; MAGALHAES FILHO, R.

Comportamento e influência do albedo e temperatura de superfície no balanço de radiação
em áreas de Cerrado. Caminhos de Geografia, Uberlândia, v. 21, n.733, p.131-147, 2020.
LEMOS, R. C.; SANTOS, R. D. Manual de descrição e coleta de solo no campo. Sociedade

Brasileira de Ciência do Solo – Centro Nacional de Pesquisa de Solos. 3ª ed., p. 83,
Campinas-SP, 1996.
LIANG, S. Narrowband to broadband conversions of land surface albedo I: Algorithms.

Remote Sensing of Environment, Amsterdan, v.76, n.2, p.213-238, 2001.
MALAVOLTA, E.; VITTI, G. C.; OLIVEIRA, S. A. Avaliação do estado nutricional das

plantas: princípios e aplicações. 2. Ed. Piracicaba: POTAFOS, 319 p., 1997.
80
MEDRADO, E.; LIMA, J. E. F. W. Development of pedotransfer functions for estimating

water retention curve for tropical soils of the Brazilian savanna. Geoderma Regional,
Amsterdam, v. 1, p. 59-66, 2014.
MUSSI, R.F.; ALVES JUNIOR, J.; EVANGELISTA, A.D.P.; CASAROLI, D.; BATTISTI,
R. Evapotranspiração da cana-de-açúcar estimada pelo algoritmo SAFER. Irriga, Botucatu,
v.25, n.2, p.263-278, 2020.
NÁDUDVARI, A.; ABRAMOWICZ, A.; FABIANSKA, M.; MISZ-KENNAN, M.;

CIESIELCZUK, J. Classification of fires in coal waste dumps based on Landsat, Aster
thermal bands and thermal camera in Polish and Ukrainian mining regions. International
Journal of Coal Science & Technology. v.8, n.3. p.441-456, 2020.
OMETTO, J. C. Bioclimatologia Vegetal. São Paulo: Ed. Agronômica Ceres, 440p., 1981.
QUEIROZ, H. A. A.; BRITO, C. V. O. Assessment of Landsat and Sentinel images

integration for surface water extent mapping. Revista Brasileira de Geomática, Curitiba,
v.10, n.1, p.3-19, 2022
SALES, D.L.A.; ALVES JUNIOR, J.; SOUZA, J.M.F.; D.; CASAROLI, D.;
EVANGELISTA, A.W.P.; PEREIRA, R.M. Common bean evapotranspiration estimated by
orbital images. African Journal of Agricultural Research, Cape Coast, v.11, p.867-872,
2016.
SALES, D.L.A.; ALVES JUNIOR, J.; CASAROLI, D.; EVANGELISTA, A.W.P.; SOUZA,
J.M.F. Estimativa de evapotranspiração e coeficiente de cultura do tomateiro industrial
utilizando o algoritmo SAFER. Irriga, Botucatu, v.22, n.3, p.629-640, 2017.
SENA, C. C.; ALVES JÚNIOR, J.; DOMINGOS, M. V. H.; ANTUNES JUNIOR, E. J.;
BATTISTI, R.; EVANGELISTA, A. W. P.; CASAROLI, D. Calibração do sensor capacitivo
de umidade do solo EC-5 em resposta a granulometria do solo. Brazilian Journal of
Development, Curitiba, v. 6, n. 4, p. 17228-17240, 2020.
SENA, C. C. R. Uso do sensoriamento remoto para a estimativa da evapotranspiração

atual e diagnóstico do manejo da irrigação da cultura do tomate industrial em Goiás.
2021. 139 f. Tese (Doutorado em Agronomia: Solo e Água) – Escola de Agronomia,
Universidade Federal de Goiás, Goiânia, 2021.
SOUZA, J. M. F.; ALVES JUNIOR, J.; CASAROLI, D.; EVANGELISTA, A. W. P.;

MESQUITA, M. Validação do modelo SAFER na estimativa da evapotranspiração da cana-
de-açúcar. Irriga, Botucatu, v.25, n.2, p.247-262, 2020.
TEIXEIRA, A. H. C. Determining Regional Actual Evapotranspiration of Irrigated Crops

and Natural Vegetation in the São Francisco River Basin (Brazil) Using Remote Sensing and
Penman-Monteith Equation. Remote Sensing, Basel, n.2, v.4, p.1287-1319, 2010.
TEIXEIRA, A. H. C.; HERNANDEZ, F. B. T.; LOPES, H. L. Application of Landsat images

for quantifying the energy balance under conditions of fast land use changes in the semi-arid
region of Brazil. In: SPIE Remote Sensing, 2012, Edinburgh. Proc. SPIE 8531, Remote
81
Sensing for Agriculture, Ecosystems, and Hydrology, XIV, v. 8531. p. 1-10, 2012.
Disponível em: <ftp://ftp.feis.unesp.br/agr/pdf/heriberto_safer_landsat.pdf> Acesso em: 04
de julho 2020.
TEIXEIRA, A. H. C.; HERNANDEZ, F. B. T.; LOPES, H. L.; SHERER-WARREN, M.;

BASSOI, L. H. Modelagem espaço temporal dos componentes dos balanços de energia
e de água no Semiárido brasileiro. Campinas: EMBRAPA Monitoramento por Satélite. 32
p. 2013. (Documentos, 99).
TEIXEIRA, A.; PACHECO, E.; SILVA, CESAR, S.; DOMPIERI, M.; LEIVAS, J. SAFER
applications for water productivity assessments with aerial camera onboard a remotely
piloted (RPA). A rainfed corn study in Northeast Brazil. Remote Sensing Applications:
Society and Environment, Amsterdan, v.22, p.1-15, 2021.
THORNTHWAITE, C. W. & MATHER, J. R. The water balance. Publications in

Climatology, New Jersey, Drexel Inst. of Technology, 1955.104p.
PLANCK, M. Ueber das Gesetz der Energieverteilung im Normalspectrum. Annalen der

physik. v.19, p.202-237, 1901.
WILLMOTT, C. J.; ACKLESON, S. G.; DAVIS, R. E.; FEDDEMA, J. J.; KLINK, K. M.;
LEGATES, D. R.; O’DONNELL, J.; ROWE, C. M. Statistics for the evaluation and
comparison of models. Journal of Geophysical Research, Ottawa, v. 90, p. 8995-9005,
1985.
82
5 CONSIDERAÇÕES FINAIS
O uso do algoritmo SAFER mostra boa eficiência para estimar a ETa a partir de
câmera multiespectral e termal acoplada a drone. Pois, necessita de poucos dados de entrada
e o cálculo é simplificado.
As desvantagens em utilizar imagens orbitais é a dependência das condições
meteorológicas, a resolução temporal já é baixa (16 e 10 dias para Landsat 8 e Sentinel 2A,
respectivamente) e se nesse intervalo ainda houver incidência de nuvens inviabiliza o
monitoramento durante o ciclo. Por isso, o drone supre essas desvantagens dos satélites, a
resolução temporal é definida pelo operador, a resolução espacial é na escala de centímetros,
além da qualidade nos dados de temperatura de superfície e NDVI, que são obtidos a poucos
metros da planta. O que torna os dados oriundos de drone referência.
Há poucos estudos que utilizam drone na estimativa da evapotranspiração, por
isso há necessidade de aprimorar a correção atmosférica dos dados. Além disso, elaboração
de estudos que levem em consideração a densidade de plantas, sistema de plantio e as
características de cada cultura, para que seja desenvolvido um fator de correção para cada
cultura e situação específica.
83
6 ANEXO
A B
Figura 6.1 Drone DJI Inspire 2 (A) e câmera multiespectral e termal MicaSense
Altum (B).
Figura 6.2 Câmera MicaSense Altum acoplada no drone DJI Inspire 2.

84
A B
Figura 6.3 Análise de potencial de água na folha na cultura do milho (A), local de
instalação dos sensores de solo, pluviômetros e albedômetro na cultura do
feijão (B).

Tese - Fillipe de Paula Almeida - 2023

Enviado por

Direitos autorais:

Formatos disponíveis

Tese - Fillipe de Paula Almeida - 2023

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tese - Fillipe de Paula Almeida - 2023

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE GOIÁS

EVAPOTRANSPIRAÇÃO DAS CULTURAS DO

FILLIPE DE PAULA ALMEIDA

Goiânia - GO Fevereiro - 2023

EVAPOTRANSPIRAÇÃO DAS CULTURAS DO MILHO E FEIJÃO NO BIOMA

Tese apresentada ao Programa de Pós-Graduação

A minha jornada pela Universidade Federal de Goiás (UFG) se iniciou no ano

LISTA DE TABELAS ......................................................................................................... 3

Tabela 3.1 Acumulado térmico, de precipitação, da ETo e da lâmina de irrigação

Tabela 3.2 Valores médios de densidade do solo, granulometria e textura por

Tabela 4.2 Valores médios de densidade do solo, granulometria e textura por

Tabela 4.3 Valores médios de resistência do solo à penetração e umidade

Figura 3.1 Mapa de localização da área de estudo...................................................

Figura 3.8 Distribuição da temperatura de superfície (A) e NDVI (B) ao longo do

Figura 4.2 Fluxograma referindo-se aos meios de obtenção da ET por

Figura 4.3 Variação temporal da umidade do solo nas camadas de 0,0-0,3 m e da

Figura 4.4 Comparativo de kc estimado pelo método FAO, Embrapa, DroneAlb,

Figura 4.5 Evapotranspiração da cultura do feijão referente ao período de julho a

Figura 4.7 Distribuição do albedo de superfície ao longo do ciclo da cultura do

ALMEIDA, F. P. Evapotranspiração das culturas do milho e feijão no bioma Cerrado

Palavras-chave: Necessidade hídrica; Phaseulus vulgares; Zea mays; SAFER;

Orientador: Prof. Dr. José Alves Júnior. EA/UFG.

ALMEIDA, F. P. Crop evapotranspiration of corn and dry bean in Brazilian Savanna

²Advisor: Prof. Dr. José Alves Júnior. EA/UFG.

O milho possui grande importância econômica pelas diversas formas de sua

ALLEN, R. G.; PEREIRA, L. S.; RAES, D.; SMITH, M. Crop evapotranspiration:

ANDRADE JUNIOR, A. S.; BASTOS, E. A.; MONTEIRO, M. M. S.; SILVA JUNIOR, J.

BEZERRA, B. G.; SILVA, B. B.; FERREIRA, N. J. Estimativa da evapotranspiração real

CENTRO DE ESTUDOS AVANÇADOS EM ECONOMIA APLICADA (CEPEA-USP).

CHAVES, M. O.; BASSINELLO, P. Z. O feijão na alimentação humana. In: GONZAGA,

COMPANHIA NACIONAL DE ABASTECIMENTO (Conab). Acompanhamento da

COMPANHIA NACIONAL DE ABASTECIMENTO (Conab). Boletim logístico: Ano IV,

FOOD AND AGRICULTURE ORGANIZATION OF THE UNITED NATIONS – FAO,

GOMES, L. C. F.; DOS SANTOS, C. A. C.; DE ALMEIDA, H. A. Balanço de energia à

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Anuário

INSTUTO MAURO BORGES DE ESTATÍSTICAS E ESTUDOS SOCIOECONÔMICOS

MACHADO, C. C. C.; GALVÍNCIO, J. D.; PEREIRA, E. C. G. Utilização do IVAS e da

MEIVEL, S.; MAHESWARI, S. Remote Sensing Analysis of Agricultural Drone. Journal

OLIVEIRA, E. R.; SILVA, C. T. RAMOS, R. F. O. Evapotranspiração de referência em

TEIXEIRA, A. H. C. Modelling Evapotranspiration by Remote Sensing Parameters and

2.1 CULTURAS DO MILHO E FEIJÃO

Evaporação é um fenômeno físico pelo qual uma substância em estado físico

A evapotranspiração consiste em um fenômeno complexo, que reflete o poder

2.3 MÉTODOS PARA OBTENÇÃO DA EVAPOTRANSPIRAÇÃO

O método direto e preciso para estimativa de evapotranspiração é a lisimetria, tanto

O método de Penman-Montheith utiliza várias variáveis climatológicas, como

desenvolvidas equações simplificadas para utilização de um menor número de váriaveis,

A desvantagem em se utilizar os dois algoritmos é a complexidade em calcular

A temperatura de superfície se caracteriza pela fluxo de calor dado em função

2.4 BALANÇO HÍDRICO CLIMATOLÓGICO

O balanço hídrico é importante na definição dos períodos mais prováveis de

disponível). Assim, se obtém a evapotranspiração real (ETr), deficiência hídrica (DEF) e

2.5 SENSORIAMENTO REMOTO

Os satélites de monitoramento dinamizaram estudos em diferentes áreas,

A série SENTINEL começou a ser lançada em 2014, pela Agência Espacial

ALLEN, R. G.; PEREIRA, L. S.; RAES, D.; SMITH, M. Crop evapotranspiration:

BASTIAANSSEN, W. G. M.; MENENTI, M.; FEDDES, R. A.; HOLTSLAG, A. A. M.A

BASTIAANSSEN, W. G. M. SEBAL-based sensible and latent heat fluxes in the irrigated

BERNARDO, S.; SOARES, A. A.; MANTOVANI, E. C. Manual de irrigação. 8 ed.

CAVALCANTE JUNIOR, E. G.; OLIVEIRA, A. D.; DE ALMEIDA, B. M.; ESPÍNOLA