1.1 - Definição do problema e relevância do assunto

Em muitos países as previsões agrícolas constituem hoje em dia o meio mais importante de servir a agricultura, especialmente para a sua planificação. As instituições públicas, empresas agrícolas e outras entidades de planejamento necessitam saber, por exemplo, as datas previstas de ocorrência das fases, fenológicas de crescimento das espécies cultivadas, assim como as reservas de umidade do solo, com o objetivo de adotar medidas adequadas de cultivo e de políticas de apoio e organização agrícola. Necessitam saber, também, as datas previstas de maturação e colheita, bem como os rendimentos esperados, com a finalidade de preparar antecipadamente a maquinaria necessária, mão-de-obra disponível, armazenagem transporte e comercialização, inclusive planejamento de importações e exportações.

Várias pesquisas e trabalhos científicos têm surgido na literatura buscando analisar os efeitos da variabilidade climática sobre a produção vegetal. Dependendo da formação básica do pesquisador envolvido (agrometeorologia, fisiologia vegetal, estatística, economia, engenharia operacional, entre outras), maior ou menor ênfase é dada a determinados elementos de análise do problema. Entretanto, para a caracterização adequada de um modelo, o mesmo deveria abordar os aspectos mais relevantes da interação clima-planta-solo, de forma qualitativa e quantitativa, tendo em vista o resultado final procurado: rendimentos, fases fenológicas, etc. Diferentes aproximações têm sido sugeridas para modelar o impacto da variabilidade meteorológica na produção vegetal. Basicamente, os tipos de modelos podem ser classificados na seguinte forma, segundo BAIER (l977):

a) - Aproximação estatística ou de regressão múltipla;
b) - Aproximação fisiológica e/ou matemática dos processos envolvidos;
c) - Simulação, com o uso de computadores e baseada em processos fisiológicos;
d) - Aproximações feitas por meio da água disponível no solo, baseando-se em estudos de evapotranspiração real.

No primeiro caso, também denominados modelos empírico-estatísticos, utilizam uma amostragem de dados de rendimento das colheitas, correspondendo a uma área determinada, do tempo meteorológico e dados de solo procedentes da mesma zona, com o objetivo de produzir estimativas dos coeficientes do modelo, mediante técnicas de regressão. No segundo, são aproximações da produção esperada com base em curva de crescimento vegetal ou índices de disponibilidade térmica (graus-dia). O terceiro, baseia-se em modelos de simulação de crescimento das espécies cultivadas que descrevem o impacto detalhado da variabilidade meteorológica nos processos fisico-biológicos que se processam no interior de uma planta típica ou de folhagem típica. Neste caso, são aplicados em ambientes controlados e em laboratórios com a finalidade de conhecer, em nível fisiológico, o impacto do meio físico sobre os processos metabólicos e de produção final. Não se aplicam em geral, em propriedades agrícolas ou de forma regional na avaliação da produção. Seu objetivo básico é conhecer ou determinar o comportamento fisiológico frente às condições ambientais e tentar modelá-lo para futuras generalizações. O último item refere-se à estimativa aproximada da produção, baseada em índices de umidade do solo durante a estação de crescimento, em regiões onde a precipitação pluviométrica é o principal fator limitante.

Para a estimativa de fases fenológicas, duas aproximações são mais correntes: a primeira, baseada no princípio de graus-dia ou na previsão climatológica de temperatura; a segunda, relacionando dados meteorológicos ou observações fenológicas de fases anteriores do mesmo ciclo vegetativo, para prever as seguintes com o uso, muitas vezes, de análise de regressão.

Para o desenvolvimento de modelos de previsão de safras, duas informações básicas são fundamentais:

a) - O modelo ou estimativa do rendimento ou de produtividade agrícola da espécie ou cultivar;

b) - A determinação ou estimativa da área plantada.

Neste aspecto, as duas informações têm importância singular. Pouco adianta ter-se modelos de rendimento acurados, se a determinação ou estimativa da área plantada é deficiente ou vice-versa. Para atingir-se um modelo ajustado de safras, seus dados carecem de boa metodologia de determinação: simplicidade, exatidão e custo baixo.

Para fins de produção agrícola, os modelos de previsão baseados em princípios agrometeorológicos mais significativos são os referentes às fases de desenvolvimento e maturação das culturas, assim como os que tratam de rendimento das colheitas, disponibilidade de umidade do solo e reservas d'água, condições de frio para os cultivos hibernais, quantificação de irrigação e disponibilidade de calor. Grande parte das técnicas de previsão numérica baseada na agrometeorologia fundamenta-se na relação estatística entre as variáveis dependentes que deverão ser estimadas (rendimento da colheita, data da floração e maturação, etc.) e as variáveis agrometeorológicas independentes (precipitação, temperatura, etc.) ou ainda as variáveis reduzidas (índices de umidade do solo, influência da umidade atmosférica ). Este enfoque estatístico não leva necessariamente a uma fácil explicação das relações de causa e efeito, mas é um enfoque prático para a previsão dos rendimentos. Os coeficientes destes modelos empíricos e a validade das estimativas dependem grandemente da escolha do modelo, das variáveis e da representatividade dos dados utilizados. Os resultados auferidos com tais modelos são, entretanto, variados, dependendo da homogeneidade das condições climáticas e práticas agrícolas representadas pelos dados, ou, se as condições geográficas e de solo são adequadamente ponderadas nas equações.

A explosão, desde a década de 50, do uso de funções polinomiais tomou-se quase como um padrão para descrever a resposta das culturas à aplicação de fertilizantes, água de irrigação e demais fatores atmosféricos, particularmente entre profissionais e cientistas das áreas de agronomia, economia e agrometeorologia. As vantagens de sua utilização prendem-se ao fato de serem fáceis de estimar, terem flexibilidade e possibilidade de exibir uma fase de decréscimo de rendimento (fatores adversos). Entretanto, a principal crítica contra as estimativas polinomiais, é que seus parâmetros não têm significação biológica em muitos casos. Também, contradizem o princípio de não substituição entre elementos ou fatores essenciais em processos fisiológicos.

Das estimativas ou previsões com base em variáveis agrometeorológicas atualmente em uso, a mais importante sob o aspecto econômico é provavelmente a previsão agrometeorológica dos rendimentos das colheitas. O desenvolvimento desses métodos tem feito rápidos avanços nos últimos 15-20 anos, tendo sido aplicados para os principais cultivos em inúmeros países. Entre os países mais avançados que utilizam a previsão dos rendimentos das colheitas, figuram o Canadá, Alemanha, índia, Japão, EUA e a Ex-URSS. A maioria das previsões operativas dos rendimentos das colheitas tem sido estabelecida para os cultivos anuais de cereais devido à sua função na produção mundial de alimentos e também por sua importância econômica no comércio internacional. Além disso, têm-se elaborado com êxito modelos de previsão para a soja, linho, beterraba-açucareira, cana-de-açúcar e outras de importância regional. Entretanto, tratando-se de cultura perene, os resultados são variados, conforme modelos de previsão para café desenvolvidos por LIU e LIU (l987b). Neste aspecto, culturas perenes onde práticas culturais (podas, raleio de frutos e flores) são rotineiras, modelos baseados apenas em variáveis agrometeorológicas não parecem ser suficientes para descrição do processo produtivo. Haveria outros regressares ainda não testados que poderiam dar bons resultados ? Será que a introdução de variáveis que descrevem o potencial de produção (metragem da copa, número médio de frutos por planta) da espécie e tipo (cultivar) para cada condição local e safra, associadas com variáveis agrometeorológicas, não melhoraria substancialmente os modelos previsores?

Grande parte dos modelos desenvolvidos para a previsão de rendimentos não é operacional, ou seja, limita-se ao local de experimentação, sem possibilidades de generalização e, portanto, de reduzida utilização prática. Apesar da utilização de modelos polinomiais por mais de 40 anos, persiste a sua utilização generalizada em busca de melhores e mais representativos estimadores. O que se tem buscado melhorar continuamente nesses modelos é o entendimento fisiológico dos processos de crescimento e desenvolvimento vegetal, e incorporá-los de forma descritivo-numérica aos mesmos, melhorando, desta forma, os estimadores dos modelos, sejam eles polinomiais ou não. Tal procedimento pode ser notado em trabalho recentemente conduzido por GRIMM et al (l993).

Em vista que o desenvolvimento de modelos clima-rendimento baseado em programas ou sistemas computacionais e sua implementação em sistemas de informações agroclimáticas são importantes para o planejamento e elevação da produtividade agrícola, pesquisadores têm tentado introduzir novas teorias e metodologias diversas. A utilização da teoria de ingerência nebulosa (conjuntos difusos) na previsão de safras, usando um banco de regras montado a partir de séries históricas de produtividade e de variáveis climáticas é um bom exemplo, conforme trabalho de SILVA et al (!981). No entanto, nem sempre o ano imediatamente anterior é o mais adequado para servir de base para a estimativa, o que dificulta a utilização desta técnica.

Nos últimos anos, com o advento dos satélites ambientais operando de forma sistemática, considerável atenção tem sido dada ao desenvolvimento de modelos de rendimento, com a participação de dados de sensoriamento remoto. Imagens de satélites têm revolucionado muitos aspectos de levantamentos de grandes superfícies da terra, para uma variedade de aplicações, gerando desde modelos espectrais, modelos de albedo (refletividade), até modelos termais completos. Dados espectrais de satélites representam um potencial observável alternativo para uso em estimativas de rendimentos. Em anos mais recentes, esforços têm sido direcionados na construção de modelos de rendimento baseados sobre dados espectrais de satélites ambientais, como: Landsat, Spot, NOAA, MOSI, entre outros. Pesquisadores de diversas partes do mundo têm trabalhado por anos seguidos, na estimativa de índices de área folhar, com dados espectrais de satélites, como um input para estimativa da evapotranspiração ou para input para modelos de rendimento de grandes áreas (trigo, cana-de-açúcar, soja). Trabalhos por longos anos consecutivos têm sido conduzidos para estabelecer relações entre informações espectrais de satélites, determinações de campo, propriedades agronômicas sobre superfícies cultivadas, como eventual input em modelos de estimativa de rendimentos. Normalmente, tais técnicas têm sido utilizadas para grandes culturas, notadamente cereais, em plantações de grande extensão de cultivo com relevo pouco pronunciado. RUDORFF e BATISTA (l990), neste aspecto, propuseram um Modelo Espectral-Agrometeorológico, com ajustamentos polinomiais, para estimativa do rendimento da cana-de-açúcar, numa área global de 4O.OOOha. Embora a combinação de dados espectrais (modelo de índice de vegetação) com dados agrometeorológicos (modelo agrometeorológico) tenha proporcionado estimativas melhores do que tais modelos isolados, ainda explica pouco (r ² de 50% - 69%). Estes resultados enfatizam a necessidade de se buscar novos estimadores e com desempenho mais favorável. Haveria algo não testado que consiga melhorar as previsões agrícolas? Acredita-se que sim. A nova técnica de redes neurais, talvez, tenha boas possibilidades neste aspecto.

Nos últimos anos, tem surgido também uma nova técnica denominada redes neurais que juntamente com sistemas especialistas, ambos fazendo parte da inteligência artificial, têm sido propalados como o maior avanço tecnológico desde o descobrimento do transistor, conforme LAWRENCE (l992). Redes neurais artificiais são grupos altamente interconectados de neurônios que processam informações em paralelo. Redes neurais (ou neuronais) artificiais são formadas de centenas ou milhares de neurônios simulados que são conectados de forma similar como os neurônios do cérebro, as quais são capazes de aprender de maneira similar às pessoas. Um simulador de rede neural é um programa (conjunto de instruções computacionais) que cria um modelo de neurônios e de conexões entre eles e então treina tal modelo. Na atualidade, há vários simuladores comercialmente disponíveis que simplificam grandemente a modelagem de redes neurais. O método de rede neural de maior sucesso e utilização generalizada denomina-se Back-Propagation e foi desenvolvido em 1985/86. Possui um esquema de aprendizagem supervisionado pelo qual uma camada de neurônios da rede neural de propagação para frente ("feed forward") é avaliada continuamente e treinada para tornar-se uma máquina de comparação padrão. A rede aprende tendo um erro local de sinal propagado de volta durante o treinamento, daí o nome. O treinamento da rede pode ser pensado como uma função de minimização de erro, ou seja, quando o erro é minimizado a rede está treinada. As redes neurais têm sido aplicadas em várias áreas do conhecimento nos últimos anos. Entre elas podemos enumerar-. previsões financeiras, análise e processamento de sinais, controle de processos, robótica, reconhecimento de padrões (dados digitais de imagens de satélites, sinais de retomo de sonares do fundo do mar), filtros de ruídos, reconhecimento da fala, diagnósticos médicos e de decisões de negócios, entre outras.

Neste contexto, questões ficam evidentes, tendo em vista a flexibilidade que as redes neurais atuais possuem para estruturar e esquematizar modelos: não poderiam ajustar melhor os inputs previsores de rendimentos ou de safras? Qual o tamanho mínimo da série de dados necessária para treinar adequadamente a rede ? Ou qual o número de neurônios da camada oculta (hidden) seria adequado para o ajustamento da rede previsora? A utilização de redes neurais pode ser um importante passo na busca de melhores ajustamentos nas previsões de fases fenológicas relevantes de culturas diversas, além de estimativa de rendimentos baseada em dados de potencial de produção (inerente à cultura) e das condições climáticas reinantes que antecedem à colheita.

Outra informação fundamental para a composição dos modelos de previsão de safras diz respeito à determinação ou estimativa da área cultivada. Neste aspecto reside um dos principais problemas da estimativa da produção, tendo em vista o caráter dinâmico e sazonal dos cultivos. Muitas vezes, em diversos países, as safras são avaliadas de forma indireta e por métodos puramente qualitativos, isto é, subjetivamente. É comum o uso de informações sobre o volume de crédito agrícola para plantio tomado pelos produtores ou pela conjuntura socio-econômica e comercial reinante como critério de estimativa de safra em curso. Também, a série temporal de safras passadas pode ser considerada. Neste aspecto, em muitos casos, as metodologias de séries temporais ( modelos autorregressivos - AR, médias móveis - NU, modelos mistos - ARMA e ARIMA - Autorregressivo-integrado-médias móveis) poderiam ser aplicadas. Entretanto, grande parte das séries históricas de dados de safras é pequena, pouco confiável, apresentando não-estacionaridade (média e variância variáveis no tempo), dificultando sua previsão. Também, a ocorrência de fatores ambientais extremos (ventos fortes, granizo, temperaturas extremas, estresse hídrico), pode frustrar, em certos anos, tais estimativas.

A estimativa de áreas plantadas poderia ser efetuada com o uso de processos tradicionais de medição topográfica, fotogrametria e sensoriamento remoto. Os dois primeiros processos, embora precisos geometricamente falando, são de custo elevado e execução demorada, tendo em vista a dinâmica e a extensão agrícola. Os dados de sensoriamento remoto orbital, nos últimos anos, têm sido utilizados nos mais diferentes campos da geociência e, principalmente, na agricultura, especialmente no caso de uso da terra, ou seja, na discriminação das espécies e culturas vegetais. Em muitas aplicações de técnicas de sensoriamento remoto em atividades como agricultura, florestas, mineração, entre outras, necessita-se uma resolução espectral melhor do que a atualmente disponível nas fotografias aéreas ou sensores a bordo de satélites, neste caso ainda com baixa resolução espacial. Também, a resolução temporal deve ser considerada, pois, em muitas regiões, o problema de nebulosidade tem prejudicado o imageamento da superfície terrestre, reduzindo as possibilidades de discriminação de cultivos em fases fenológicas propícias, Este fato é tanto mais notório quando se pensa em utilizar dados de sensoriamento remoto no meio rural com estruturas fundiárias de pequenas propriedades, relevo acentuado, plantios diversificados por propriedade e sistemas de produção consorciados. Deste modo, a caracterização adequada das áreas cultivadas, por espécie e cultivares, toma-se problemática para a previsão de safras. Os atuais sensores a bordo de satélites fornecem coberturas de grandes áreas a custos baixos, mas possuem limitações quanto às suas capacidades espectrais e em muitos casos espaciais também (tamanho do pixel), não permitindo o detalhamento e a precisão necessária aos monitoramentos intensivos dos recursos naturais e agrícolas.

Nos últimos anos, uma nova geração de sensores aerotransportáveis (scanners) foi desenvolvida para atender às necessidades de imagens com alta resolução espacial e principalmente espectral. Um destes sensores, de segunda geração, de imageamento espectroscópico, chamado Compact Airborne Spectrographic Imager - CASI, foi desenvolvido por empresa canadense, segundo TRINO (l993). O CASI é um equipamento portátil e flexível que pode ser usado em laboratório e no campo. A flexibilidade diz respeito à capacidade que o equipamento tem em selecionar e definir bandas espectrais permitindo utilizá-lo para verdade terrestre, ou na definição da seleção de bandas espectrais ótimas para outros satélites e sistemas aerotransportáveis. Suas imagens são registradas em fita cassete digital de capacidade de 2.2 Gbytes. O peso do sistema é de 55kg e o tamanho é o de um computador PC. O CASI foi projetado para produzir imagens digitais desde o espectro visível (430nm) ao infravermelho próximo (870nm), com grande sensibilidade, grande resolução espacial e espectral e uma amplitude dinâmica em termos espaciais, ser compacto e facilmente transportável, de fácil montagem em uma gama de aeronaves de pequeno porte, de fácil operação e baixo custo. Pode operar no modo espacial (até 15 bandas programáveis) e no modo espectral (amostras de pixeis com 288 intervalos de 1.8 rim). A real utilidade e o potencial discriminante de alvos destes novos sensores não são conhecidos totalmente em termos práticos e em condições ambientais variadas.

Assim, uma nova questão é colocada em dúvida será que as imagens digitais geradas por sensores aerotransportáveis atuais permitem a discriminação de cultivos em pequenas extensões, plantios diversificados e separação de cultivares (tipos) de uma mesma espécie vegetal?

Em um futuro próximo, espera-se o desenvolvimento e operação de sensores orbitais com maior resolução espacial (3 a 5 m), com sistemas baseados em varredura eletrônica (melhor geometria), melhor resolução espectral, radiométrica (10 bandas espectrais) e temporal, com obtenção de imagens estereoscópicas e com sistemas de captação da energia eletromagnética passiva e ativa (microondas). Tais perspectivas foram levantadas detalhadamente por FAGUNDES (l987) e antecipam aproveitamentos futuros de resultados alcançados com o uso de scanners aerotransportados de utilização atual.

Para a correta avaliação quantitativa da discriminação de cultivos, espécies e cultivares, por sensores aerotransportáveis ou orbitais, no entanto, há a necessidade de um referencial confiável e detalhado, ou seja, de cartas básicas nas quais as alterações ou projeções da evolução fisico-espacial possam ser georreferenciadas com precisão. Neste aspecto, informações de campo e fotografias aéreas são fundamentais e imprescindíveis para a configuração precisa e detalhada de mapas topográficos, com a ajuda de pontos de apoio terrestre, da aerotriangulação e processos de restituição aerofotogramétrica numérica ou digital. Dependendo do número de mapas (temas) gerados por estes processos e sua abrangência em nível municipal ou regional, viabiliza-se a implantação do cadastro técnico multifinalitário.

Para a adequada manipulação, visualização e análise dos dados espaciais obtidos por sensores remotos digitais e mapas precisos, a utilização de sistemas de informações geográficas - GIS toma-se fundamental. Desta forma, o SGI ou GIS, é um sistema georreferenciado com topologia associada, partindo de mapas básicos e compatíveis, onde as diversas cartas temáticas poderão ser correlacionadas. Este sistema permite que informações provenientes de vários conjuntos de dados espaciais possam ser justapostos e representados de forma gráfica ou digital, podendo posteriormente ser usados para análise visual ou por modelos analíticos. Atualmente, pesquisadores do mundo todo têm buscado a integração de sistemas de informações geográficas com dados de sensoriamento remoto, objetivando a planificação agrícola, o cadastro técnico rural e o levantamento dos recursos naturais. O GIS, então, pode integrar numa mesma base de dados (mapas com precisão), imagens diversas, sejam de satélites ou obtidas de outras fontes, com modelos numéricos de terreno, combinando as várias fontes de informações por meio de algoritmos de manipulação para gerar e produzir novas imagens ou mapas georreferenciados.

Do exposto até aqui, pode-se verificar as dificuldades e limitações dos métodos atuais de previsão agrícola, possíveis saídas para estudos futuros e numerá-los de forma resumida:

a) - Normalmente, os métodos e modelos em uso para previsão de rendimentos e de safras são direcionados para plantios extensivos, notadamente cereais;

b) - Os modelos de rendimentos atuais ou são por demais abrangentes, baseados em dados estatísticos globais de produção passadas (FIBGE), sem grandes comprovações quantitativas, ou usam dados experimentais de difícil generalização;

c) - Regiões com plantios em pequenas extensões (propriedades< 100 ha) ou apresentando relevo mais ondulado (15-25% declividade), com cultivos perenes (laranja, maçã, café, etc.) não têm merecido a atenção devida dos pesquisadores na elaboração de modelos operacionais de previsão agrícola. Além disso, culturas perenes, onde há interferência no processo produtivo pelo homem (podas, raleios de flores e frutos por métodos mecânicos ou químicos), as variáveis climáticas isoladas não são suficientes para estabelecer relações matemáticas ou empírico-estatísticas para a definição adequada destes modelos. Assim, modelos que levem em conta características das culturas, como potencial de produção (número médio de frutos/planta, metragem da copa) da espécie e cultivar para cada safra específica, além das variáveis ambientais (solo, clima), devem ser considerados e podem torná-los de aplicação prática. Qual modelo daria melhor ajustamento: polinomial ou redes neurais?

d) - A discriminação de áreas cultivadas com base em sensores remotos orbitais tem sido também utilizada para grandes culturas, não apenas pela sua importância socio-econômica, mas principalmente pela dificuldade técnica de diagnosticar áreas com plantios em pequena escala com grande variabilidade espectral. Entretanto, em muitos casos, culturas de menor extensão, principalmente fruticultura, têm um alto valor sócio-econômico agregado. Será que os sensores atuais (scanners) aerotransportáveis têm possibilidades de discriminar cultivos em nível de cultivares (tipos), nestas condições ?

e) - Em vários estudos denota-se a utilização de imagens orbitais, mas no entanto, sem a utilização de cartas básicas (topográficas, fundiárias) precisas e em escala adequada sobre as quais as modificações captadas da superfície terrestre possam ser georreferenciadas. Este fato é tanto mais notório quanto menores as áreas cultivadas, diversificadas e de relevo variado. Neste aspecto, a utilização de mapas básicos componentes de cadastros técnicos rurais ou o desenvolvimento deles toma-se fundamental quando se pensa em utilizar metodologias quantitativas de previsão de safras. Também, a integração de sensoriamento remoto orbital ou aerotransportado com sistema de informações geográficas - GIS é importante na medida em que toma o processo de previsão mais dinâmico, ágil e com visão espacial da ocupação do solo agrícola.

A relevância do assunto nos parece transparente uma vez que os modelos de previsão de fenofases, de rendimentos agrícolas e de safra, atualmente em uso, não apresentam resultados adequados nem permitem um monitoramento dinâmico da produção agrícola. Este fato é mais notório quando se particulariza para regiões de pequenas propriedades, plantios consorciados e de relevo pronunciado. Também, até este momento, não encontramos referências do uso de imagens digitais de scanners aerotransportáveis na discriminação de espécies agrícolas em nível de cultivares e nem do uso de redes neurais na previsão agrícola, particularmente em espécies perenes.

1.2 - Novo enfoque de previsão agrícola

Tendo em vista os problemas encontrados nos métodos atualmente em uso para a previsão agrícola, principalmente para culturas não extensivas e perenes, formulou-se um fluxograma para auxiliar no entendimento global do modelo a ser enfocado. Assim, a FIGURA 1.1 (pg. 12), nos proporciona uma idéia geral dos diversos processos e etapas envolvidas no novo enfoque proposto para a implementação da previsão agrícola.

Os modelos envolvidos possuem base agrometeorológica com combinação de dados do potencial produtivo da espécie e cultivar e levando em conta fases fenológicas importantes (data da floração, de colheita), dados de rendimento e produção total de séries históricas de áreas em produção. As variáveis agrometeorológicas consideradas estão dentro do conceito de graus-dia, horas de frio, balanço hídrico, entre outros, que dão significação lógica e compreensível para os resultados apresentados pela cultura. Os modelos propostos são polinomiais, de várias ordens, ajustamentos pela técnica de regressão múltipla. Também, utiliza-se de rede neural artificial, Back-Propagation, para ajustamentos das variáveis previsoras e como modelo de comparação alternativa.

Para a caracterização e discriminação das espécies e cultivares, quanto à área ocupada, empregam-se imagens digitais captadas por scanner aerotransportado. Como verdade terrestre, utilizam-se fotografias aéreas do mesmo período das imagens digitais, dados de campo (plantas/mapas fundiários existentes) e sobretudo restituição fotogramétrica digital e confecção de mapas precisos e em escala adequada da área de estudo. Também, comparam-se as áreas discriminadas por esta metodologia com outra utilizada pelos produtores e órgãos encarregados pela previsão local. Para a integração e manipulação de todas os dados alfanuméricos ou dos mapas digitalizados, emprega-se o sistema de informações geográficas - GIS. Assim, a dinâmica das safras pode ser acompanhada em tempo quase real, com a combinação destas diversas técnicas e modelos de previsão, sob uma ótica espacial e dimensionadas de acordo com o interesse do usuário, isto é, em nível da empresa agrícola, do município e do Estado.

Para a implementação deste estudo, dados de séries históricas de rendimento, produção total e dados fenológicos de cultura perene são necessários. Além disso, ter disponível vôo aerofotogramétrico recente, concomitante com imagens digitais obtidas por aeronave das áreas agrícolas envolvidas. Também um inventário preciso de toda a área de estudo, quanto ao manejo, uso e tipo de solo, práticas agrícolas adotadas, entre outras informações do processo produtivo é necessário. Neste aspecto, em nosso meio, a única cultura que reúne todas estas características é a da maçã. Também, a importância sócio-econômica da maçã no contexto da fruticultura mundial é nítida quando se verifica o montante de dólares no comércio internacional desta pomácea, ou seja, superado apenas pela banana e laranja mais tangerina, segundo a INTERNATIONAL FRUIT WOLD (l985). Em nível de Brasil, Santa Catarina é o maior produtor (60% da produção) com, aproximadamente, 500.000t. na safra 1992/1993. A região de Fraiburgo/SC, contribui com mais de 40% da produção nacional.

Embora o montante expressivo de produção desta região, os produtores convivem com a falta de uma metodologia adequada para a previsão dos rendimentos e de safras, seja em nível de pomar, propriedade ou mesmo regional. Conforme dados e informações prestadas pelos produtores de Fraiburgo, como a Empresa Renar , Pomifrai Fruticultura e pela AFF, na safra de 1992/1993, a diferença entre a previsão e a colheita final, superou a 50%, tendo casos em nível de pomar em 80%. Esta diferença significativa implica em problemas diversos de administração da produção, desde a falta de mão-de-obra e câmaras frigoríficas para estocagem do produto até, e principalmente, na comercialização da produção. Em nível governamental, tais previsões advém de levantamentos junto às empresas produtoras, sofrendo da mesma deficiência.

Os resultados deste trabalho deverão ser de interesse de empresas públicas e privadas delicadas às atividades do meio rural, instituições governamentais de acompanhamento de safras e órgãos de arrecadação tributária.

1.3 - Objetivos do estudo

O principal objetivo deste estudo é avançar no entendimento de modelos que visem melhorar a previsão de fenofases importantes de culturas agrícolas, rendimentos e safras.

Os objetivos específicos são:

a) - Testar e comparar modelos de previsão polinomiais contra redes neurais de estádios fenológicos importantes de cultura perene, como floração e início de colheita, bem como de rendimentos e produção total (safra). Também tentar a combinação de modelos previsores polinomiais e neurais pelo uso de programação linear, buscando minimizar desvios ou erros relativos;

b) - Desenvolvimento de metodologia de análise espacial para a caracterização da propriedade agrícola com o intuito de discriminação das áreas cultivadas, em nível de espécie e cultivares, a partir de imagens digitais obtidas por scanner aerotransportável e de aerofotos obtidas de vôo fotogramétrico.

FIGURA 1.1 - Fluxograma metodológico dos objetivos propostos para a presente pesquisa.