Análise comparativa de métodos de estimativa de área de soja em Santa Catarina

Un Análisis Comparativo de las Estimaciones del Área Plantada con Soja en Santa Catarina

DOI: 10.52945/rac.v38i3.2023
Publicado 18-12-2025

Autores

Resumo

Diante da expansão do cultivo da soja, o sensoriamento remoto (SR) tornou-se estratégico para validar estimativas de área plantada. Este estudo comparou três metodologias na safra 2022/2023 em 32 municípios de Santa Catarina: o método da Epagri/Cepa, o MapBiomas e o Crop Enhancement Index (CEI) aplicado a imagens Sentinel-2/MSI. A análise incluiu testes de Friedman, regressão linear e interpretação de gráficos de pontos e dispersão. As estimativas apresentaram alta correlação (R² > 0,92), especialmente entre CEI e MapBiomas (R² = 0,97). O teste de Friedman não indicou diferença global (p = 0,26); no entanto, a análise de regressão revelou bias positivo ao comparar o método da Epagri/Cepa com os métodos de SR, indicando superestimações. Os resultados reforçam o potencial do SR como método robusto e replicável, indicando a necessidade de harmonizar abordagens para aprimorar as estatísticas agrícolas oficiais.

Biografia do Autor

  • Murilo Schramm da Silva

    Engenheiro Florestal formado pela Universidade Regional de Blumenau (FURB) em 2010. Possui mestrado em Engenharia Florestal pela FURB, tendo experiência na área de Recursos Florestais com ênfase em Geoprocessamento e Sensoriamento Remoto, Dendrometria e Inventário Florestal, Silvicultura e Manejo Florestal. Atualmente é bolsista de Pesquisa no FlorestaSC (Inventário Florístico Florestal de Santa Catarina-IFFSC) onde aplica geotecnologias para estimativa de atributos florestais e detecção e classificação de copas de espécies arbóreas.

    • Kleber Trabaquini

      Engenheiro Agrônomo formado pela Universidade Estadual de Londrina (UEL) em 2005. Possui especialização em Análise Ambiental em Ciências da Terra (UEL), mestrado em Agronomia (UEL) e doutorado em Sensoriamento Remoto pelo Instituto Nacional de Pesquisas Espaciais (INPE). Atualmente, é pesquisador na Empresa de Pesquisa Agropecuária e Extensão Rural de Santa Catarina (EPAGRI) com foco em Sensoriamento Remoto Orbital.

      • Haroldo Tavares Elias

        Engenheiro Agrônomo formado pela Universidade Federal de Santa Catarina (UFSC) em 1986. Possui mestrado em Genética e Melhoramento de Plantas pela Universidade Federal de Lavras (UFLA) e doutorado em Agronomia pela Universidade Estadual de Maringá (UEM). Atualmente é analista de pesquisa em socioeconomia na Empresa de Pesquisa Agropecuária e Extensão Rural de Santa Catarina (EPAGRI) trabalhando com temas relacionados a análise de mercado, produção vegetal e agricultura familiar.

        • Tarik Cuchi

          Engenheiro Florestal pela UFSM/FW, Mestre em Engenharia Florestal pela UDESC/CAV e Doutor em Ciências Florestais pela UNICENTRO/Irati. Possui trajetória na área de Recursos Florestais, tendo experiência em Ecologia Florestal, Ecologia de Paisagens e Geoinformática, com foco na análise da vegetação no gradiente urbano-rural e gestão territorial. Atualmente é bolsista de Pesquisa na Epagri/Cepa, onde aplica Geotecnologias na classificação de culturas agrícolas.

          Referências

          BETTA, M.M.D.; TRABAQUINI, K.; ELIAS, H.T.; SILVA, M.S da. Mapeamento da soja por meio de imagens Landsat e Sentinel-2 nos municípios de Lages e Capão Alto em Santa Catarina. Agropecuária Catarinense, v. 35, n. 2, p. 68–73, 2022. DOI: https://doi. org/10.52945/rac.v35i2.1347. Acesso em: 10 fev. 2025.

          BAHRAMI, H.; MCNAIRN, H.; MAHDIANPARI, M.; HOMAYOUNI, S. A meta-analysis of remote sensing technologies and methodologies for crop characterization. Remote Sensing, v. 14, n. 22, p. 5633, 2022. DOI: https://doi.org/10.3390/rs14225633. Acesso em: 11 set. 2025.

          CHEN, H.; LI, H.; LIU, Z.; ZHANG, C.; ZHANG, S.; ATKINSON, P.M. A novel Greenness and Water Content Composite Index (GWCCI) for soybean mapping from single remotely sensed multispectral images. Remote Sensing of Environment, v. 295, p. 113679, 2023. DOI: https://doi. org/10.1016/j.rse.2023.113679.

          CONAB. Portal de Informações Agropecuárias. Disponível em: https://portaldeinformacoes.conab.gov.br/mapeamentos-agricolas.html. Acesso em: 27 out. 2023.

          CONGALTON, R.G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices. 3. ed. Boca Raton: CRC Press, 2019.

          CONRAD, C.; DECH, S.; DUBOVYK, O.; FRITSCH, S.; KLEIN, D.; LOW, F.; ZEIDLER, J. Derivation of temporal windows for accurate crop discrimination in heterogeneous croplands of Uzbekistan using multitemporal RapidEye images. Computers and Electronics in Agriculture, v. 103, p. 63-74, 2014. DOI: https://doi.org/10.1016/j.compag.2014.02.003.

          EPAGRI. Centro de Socioeconomia e Planejamento Agrícola. Epagri/Cepa. Síntese Anual da Agricultura Catarinense. Florianópolis, SC, 2022. 195p. Disponível em: https://docweb.epagri.sc.gov.br/website_cepa/publicacoes/Sintese_2020_21.pdf. Acesso em: 28 ago. 2022.

          EPAGRI. Centro de Socioeconomia e Planejamento Agrícola. Metodologia e estratégia de ação — Projeto Safras. Florianópolis: Epagri/Cepa, 2025. Disponível em: https://drive.google.com/file/d/1ELcn2GrhjvCD5lXbskU1od1woS18kKbw/view.

          FERRAZ, D. da P.G.B.; VICENS, R.S. Desempenho do Descritor Máxima Diferença na Classificação de Plantações de Eucalipto no Estado do Rio de Janeiro. Revista Brasileira de Cartografia, v. 71, n. 1, p. 99-121, 2019. DOI: http://dx.doi.org/10.14393/rbcv71n1-46143. Acesso em: 18 fev. 2025.

          ROY, S.; GRIESER, J.; EVANS, J. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, v. 202, p. 18-27, 2017.

          IBGE. Levantamento Sistemático da Produção Agrícola. 2021. Disponível em: https://www.ibge.gov.br/estatisticas/economicas/agricultura-e-pecuaria/9201-levantamento-sistematico-da-producao-agricola.html?=&t=o-que-e. Acesso em: 28 jun. 2022.

          IBGE. Malha Municipal. 2022. Disponível em: https://www.ibge.gov.br/geociencias/organizacao-do-territorio/malhas-territoriais/15774-malhas.html. Acesso em: 28 ago. 2022.

          INFOAGRO. Sistema Integrado de Informações Agropecuárias. 2023. Disponível em: https://www.infoagro.sc.gov.br/index.php/safra/producao-vegetal. Acesso em: 28 ago. 2023.

          MAPBIOMAS. Coleção 2023 da Série Anual de Mapas de Cobertura e Uso da Terra do Brasil. Disponível em: https://plataforma.brasil.mapbiomas.org/cobertura_10m. Acesso em: 02 fev. 2023.

          OBSERVATÓRIO AGRO CATARINENSE. Painel de produção Agropecuária. Disponível em: https://www.observatorioagro.sc.gov.br/areas-tematicas/producao-agropecuaria/paineis/#nav-794. Acesso em: 11 fev. 2025.

          PALUDO, A.; BECKER, W.R.; RICHETTI, J.; SILVA, L.C.A.; JOHANN, J.A. Mapping summer soybean and corn with remote sensing on Google Earth Engine cloud computing in Parana state – Brazil. International Journal of Digital Earth, v. 13, n. 12, p. 1624–1636, 2020. DOI: 10.1080/17538947.2020.1772893. DOI: http://dx.doi.org/10.1080/17538947.2020.1772893.

          RHODES, C.J.; HENRYS, P.; SIRIWARDENA, G.M.; WHITTINGHAM, M.J.; NORTON, L.R. The relative value of field survey and remote sensing for biodiversity assessment. Methods in Ecology and Evolution, v. 6, n. 7, p. 772–781, 2015. DOI: https://doi.org/10.1111/2041-210X.12385.

          RIZZI, R.; RISSO, J.; EPIPHANIO, R.D.V.; RUDORFF, B.F.T.; FORMAGGIO, A.R.; SHIMABUKURO, Y.E.; FERNANDES, S.L. Estimativa da área de soja no Mato Grosso por meio de imagens MODIS. Simpósio Brasileiro de Sensoriamento Remoto, v. 14, p. 387-394, 2009. Acesso em: 11 jul. 2022.

          SILVA JUNIOR, C.A.; NANNI, M.R.; TEODORO, P.E.; SILVA, G.F.C. Vegetation Indices for Discrimination of Soybean Areas: A New Approach. Agronomy Journal, v. 109, n. 4, p. 1331–1343, 2017. DOI: https://doi.org/10.2134/agronj2017.01.0003.

          SILVA JUNIOR, C.A. da; LEONEL-JUNIOR, A.H.S; ROSSI, F.S.; CORREIA FILHO, W.L.F.; SANTIAGO, D.B.; OLIVEIRA-JÚNIOR, J.F. de; TEODORO, P.E.; LIMA, M.; CAPRISTO-SILVA, G.F. Mapping soybean planting area in midwest Brazil with remotely sensed images and phenology-based algorithm using the Google Earth Engine platform. Computers and Electronics in Agriculture, v. 169, p. 105194, 2020. ISSN: 0168-1699. DOI: https://doi.org/10.1016/j.compag.2019.105194.

          SILVA JUNIOR, C.A. da; TEODORO, P.E.; DELLA-SILVA, J.L.; ROSSI, F.S.; NANNI, M.R. Perpendicular Crop Enhancement Index: A New Approach To Soybean Monitoring Using Time-Series. In: Simpósio Brasileiro de Sensoriamento Remoto, 20., 2023, Florianópolis. Anais [...]. Florianópolis: INPE, 2023 p. 156226. Disponível em: https://proceedings.science/sbsr-2023/trabalhos/perpendicular-crop-enhancement-index-a-new-approach-to-soybean-monitoring-using?lang=en. Acesso em: 10 fev. 2025.

          SOUZA, C. M., JR., Z. SHIMBO, J., ROSA, M. R., PARENTE, L. L., A. ALENCAR, A., RUDORFF, B. F. T., HASENACK, H., MATSUMOTO, M., G. FERREIRA, L., SOUZA-FILHO, P. W. M., DE OLIVEIRA, S. W., ROCHA, W. F., FONSECA, A. V., MARQUES, C. B., DINIZ, C. G., COSTA, D., MONTEIRO, D., ROSA, E. R., VÉLEZ-MARTIN, E., ... AZEVEDO, T. Reconstructing Three Decades of Land Use and Land Cover Changes in Brazilian Biomes with Landsat Archive and Earth Engine. Remote Sensing, v. 12, n.v17, p. 2735, 2020. DOI: https://doi.org/10.3390/rs12172735.

          USDA. Production: Soybeans. Washington, DC: USDA, 2024. Disponível em: https://www.fas.usda.gov/data/production/commodity/2222000. Acesso em: 18 fev. 2025.

          XIAO, G.; HUANG, J.; SONG, J.; LI, X.; DU, K.; HUANG, H.; SU, W.; MIAO, S. A novel soybean mapping index within the global optimal time window. ISPRS Journal of Photogrammetry and Remote Sensing, v. 217, p. 120–133, 2024. DOI: https://doi.org/10.1016/j.isprsjprs.2024.08.006.

          ZHANG, H.; LOU, Z.; PENG, D.; ZHANG, B.; LUO, W.; HUANG, J.; ZHANG, X.; YU, L.; WANG, F.; HUANG, L.; LIU, G.; GAO, S.; HU, J.; YANG, S.; CHENG, E. Mapping annual 10-m soybean cropland with spatiotemporal sample migration. Scientific Data, v. 11, n. 1, p. 439, 2024. DOI: https://doi.org/10.1038/s41597-024-03273-5.

          ZHONG, L.; GONG, P.; BIGING, G. S. Efficient corn and soybean mapping with temporal extendability: A multi-year experiment using Landsat imagery. Remote Sensing of Environment, v.140, p.1-13, 2014. DOI: https://doi.org/10.1016/j.rse.2013.08.023.

          Métricas

          339
          Visualizações
          132
          Downloads

          Palavras-chave

          • Índice de Vegetação
          • MapBiomas
          • Glycine max L.
          • Google Earth Engine