Comparative Analysis of Methods for Estimating Soybean Area in Santa Catarina

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

Authors

DOI:

https://doi.org/10.52945/rac.v38i3.2023

Keywords:

Vegetation Index, MapBiomas, Glycine max L., Google Earth Engine

Abstract

Given the expansion of soybean cultivation, remote sensing (RS) has become strategic for validating estimates of planted area. This study compared three methodologies in the 2022/2023 harvest in 32 municipalities in Santa Catarina: the Epagri/Cepa method, MapBiomas, and the Crop Enhancement Index (CEI) applied to Sentinel-2/MSI images. The analysis included Friedman tests, linear regression, and interpretation of scatter plots and dot plots. The estimates showed a high correlation (R² > 0.92), especially between CEI and MapBiomas (R² = 0.97). The Friedman test did not indicate an overall difference (p = 0.26); however, regression analysis revealed a positive bias when comparing Epagri/Cepa with RS methods, indicating overestimations. The results reinforce the potential of RS as a robust and replicable method, indicating the need to harmonize approaches to improve official agricultural statistics.

Downloads

Download data is not yet available.

Author Biographies

  • Murilo Schramm da Silva, FURB

    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, Epagri/Ciram

    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, Epagri/Cepa

    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, Epagri/Cepa

    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.

References

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.

Downloads

Published

2025-12-18

Issue

Vol. 38 No. 3 (2025)

Section

Scientific article

License

Copyright (c) 2025 Murilo Schramm da Silva, Kleber Trabaquini, Haroldo Tavares Elias, Tarik Cuchi

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Creative Commons Attribution 4.0 (CC BY 4.0 - internacional), permite:

Compartilhar — copiar e redistribuir o material em qualquer meio ou formato para qualquer finalidade, mesmo comercialmente.
Adaptar — remixar, transformar e desenvolver o material para qualquer propósito, mesmo comercialmente.

How to Cite

Comparative Analysis of Methods for Estimating Soybean Area in Santa Catarina: Un Análisis Comparativo de las Estimaciones del Área Plantada con Soja en Santa Catarina. (2025). Agropecuária Catarinense Journal, 38(3), 52-57. https://doi.org/10.52945/rac.v38i3.2023