USE OF MULTISPECTRAL SATELLITE IMAGING FOR MONITORING THE PHENOLOGICAL CYCLE OF SOYBEAN CROP
DOI:
https://doi.org/10.5281/zenodo.15871939Keywords:
Agricultural Phenology, NDMI, NDVI, Remote Sensing, Sentinel-2, Soybean, Spectral IndicesAbstract
The study aimed to evaluate soybean phenology through the spectral indices NDVI (Normalized Difference Vegetation Index) and NDMI (Normalized Difference Moisture Index), derived from Sentinel-2 satellite imagery, correlating them with rainfall data during the 2021/2022 crop season in São Desidério, Bahia. It was characterized as applied research in terms of its purpose, aiming to provide practical information for remote sensing-based agricultural management, and exploratory-descriptive regarding its means, employing quantitative methods along with specific geoprocessing and multispectral analysis techniques. The methodological procedures initially involved obtaining and analyzing primary data represented by Sentinel-2 images collected at six strategic dates, covering key stages of the soybean phenological cycle, from plant emergence to post-harvest. These images underwent rigorous preprocessing using QGIS 3.16.16 software, including atmospheric corrections, cloud masking, and extraction of mean values of the spectral indices in the cultivated area. Additionally, secondary data related to daily and monthly accumulated rainfall were obtained from the National Institute of Meteorology (INMET) to establish clear relationships between environmental conditions and the spectral patterns observed in the images. For data analysis and interpretation, NDVI and NDMI indices were calculated, with their mean values statistically analyzed throughout the crop cycle. The statistical approach included Pearson’s correlation test to quantitatively assess the association between spectral indices and rainfall records, enabling interpretation of the direct influence of moisture variations on soybean development. The results clearly indicated that the NDVI reached a maximum peak of 0.9245 during the period corresponding to the highest vegetative vigor of the crop, reflecting its robust capability to monitor phenological development. Conversely, the NDMI presented values aligned with the water dynamics throughout the crop cycle, demonstrating a moderate positive correlation (r=0.6349) with accumulated rainfall data. This indicated that periods of greater water availability resulted in significant increases in leaf moisture, remotely detectable through this index. It was concluded that the integration of NDVI and NDMI indices is effective for detailed description and understanding of soybean phenology, allowing more precise analysis of vegetation condition and climatic influence, particularly in important agricultural regions such as western Bahia. The study underscores the relevance of spectral indices as strategic tools in supporting agricultural decision-making related to water, phytosanitary, and nutritional management, recommending their adoption for systematic monitoring and regional agricultural planning.
References
ADAMA. “Guia completo sobre a cultura da soja”. Portal ADAMA, [2021]. Disponível em: . Acesso em: 16/04/2025.
AGÊNCIA GOV. “Valor de produção e safra de grãos batem recorde em 2022, aponta IBGE”. Agência GOV [2023]. Disponível em: . Acesso em: 16/04/2025.
AGROPÓS. “Saiba os fatores que afetam o ciclo da soja!”. AgroPós. [2021]. Disponível em: . Acesso em: 16/04/2025.
AGROSATÉLITE GEOTECNOLOGIA APLICADA LTDA. Análise geoespacial da expansão da soja no bioma Cerrado: 2000/01 a 2020/21. Florianópolis: ABIOVE, 2021.
ALVARES, C. A. et al. “Köppen's climate classification map for Brazil”. Meteorologische Zeitschrift, vol. 22, n. 6, 2013.
AMARAL, L. et al. Remote sensing imagery to predict soybean yield: a case study of vegetation indices contribution. Precision Agriculture, vol. 25, n. 5, 2024.
ANDRADE, T. G. et. al. “Soybean yield prediction using remote sensing in southwestern Piauí state, Brazil”. Revista Caatinga, vol. 35, n. 1, 2022.
ARAUJO, R. W. O. et al “Estimativa multitemporal de biomassa em manguezais utilizando índices multiespectrais”. Boletim de Conjuntura (BOCA), vol. 20, n. 60, 2024.
BARIANI, C. J. M. V. et al. “Monitoramento da fenologia da soja irrigada usando perfis de série temporal de NDVI”. III Inovagri International Meeting. Fortaleza: UFSM, 2015.
BARROS, P. H. B. et al. “Combinando Inteligência Artificial e imagens de satélite para a previsão de sinistros agrícolas: Uma nota”. Revista Brasileira de Economia, vol. 77, n. 1, 2023.
BHUIYAN, M. S. H. et. al. “Aumento no desempenho de rendimento de genótipos de soja induzidos por mutação em condições agroecológicas variadas”. Brazilian Journal of Biology, vol. 84, n. 1, 2024.
BRASIL DE FATO. “Soja quadruplicou área plantada em 30 anos e avança sobre Amazônia e Matopiba”. Brasil de Fato [2024]. Disponível em: . Acesso em: 16/04/2025.
CÂMARA, G. M. S. et al. “Influência do fotoperíodo e da temperatura do ar no crescimento, floração e maturação da soja (Glycine max (L.) Merrill)”. Scientia Agricola, vol. 77, n. 1, 1997.
CEPEA; ABIOVE: Cadeia da soja e do biodiesel, 1° trimestre 2024. Piracicaba: USP, 2023.
CHECHI, L. et al. “Estimativa do índice de área foliar e da fração de cobertura do solo nas culturas de milho e soja Usando NDVI”. IRRIGA, vol. 26, n. 3, 2021.
CONAB - Companhia Nacional de Abastecimento. “Com novo recorde, produção de grãos na safra 2022/23 chega a 322,8 milhões de toneladas”. CONAB. [2023]. Disponível em: . Acesso em: 16/04/2025.
CONAB - Companhia Nacional de Abastecimento. “Monitoramento dos cultivos de inverno nas principais regiões produtoras mostra avanço no seu desenvolvimento”. CONAB. [2024]. Disponível em: . Acesso em: 16/04/2025.
CRUSIOL, L. G. T. et al. 50 anos do NDVI: desmistificando o índice e ponderando sua utilização para o monitoramento da soja na era digital. Londrina: EMBRAPA, 2024.
EL-MAGD, S. A. et al. “Towards understanding climate change: Impact of land use indices and drainage on land surface temperature for valley drainage and non-drainage áreas”. Journal of Environmental Management, vol. 350, 2024.
EMBRAPA. “Sistema de Análise Temporal da Vegetação – SATVeg”. Embrapa [2015]. Disponível em: Acesso em: 15/04/2025.
EMBRAPA. Cultivares de soja: macrorregiões 4 e 5 norte e nordeste do Brasil. Londrina: Embrapa, 2019.
EOS. “NDMI: Fórmula de índice e interpretação de valores”. EOS [2023]. Disponível em: . Acesso em: 15/04/2025.
FAO - World Food and Agriculture. Statistical Yearbook 2023. Rome: FAO, 2023.
FARIAS, G. D. et al. “Normalized Difference Vegetation Index (NDVI) for soybean biomass and nutrient uptake estimation in response to production systems and fertilization strategies”. Frontiers in Sustainable Food Systems, vol. 6, n. 1, 2023
FIOCRUZ. “Índice de estado da vegetação (NDVI)”. Fiocruz [2022]. Disponível em: . Acesso em: 20/04/2025.
FORBES. “Conab aponta nova safra de soja do Brasil acima da expectativa, recorde no milho”. Forbes Brasil [2022]. Disponível em: . Acesso em: 15/04/2025.
GAO, B. C. “NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space”. Remote Sensing of Environment, vol. 58, n. 3, 1996.
HUETE, A. R. “A soil-adjusted vegetation index (SAVI)”. Remote Sensing of Environment, vol. 25, n. 3, 1988.
HUETE, A. R. et al. “Overview of the radiometric and biophysical performance of the MODIS vegetation índices”. Remote Sensing of Environment, vol. 83, n. 1, 2002.
HUNGRIA, M.; NOGUEIRA, M. A. “Fixação biológica de nitrogênio”. In: Embrapa Soja. Tecnologias de produção de soja: região Central do Brasil 2020. Londrina: EMBRAPA, 2020.
IBGE - Instituto Brasileiro de Geografia E Estatística. “Cidades e Estados: Luís Eduardo Magalhães”. IBGE [2023]. Disponível em: . Acesso em: 15/04/2025.
IBGE - Instituto Brasileiro de Geografia E Estatística. Produção Agrícola Municipal 2022. Brasília: IBGE, 2022. Disponível em: . Acesso em: 15/04/2025.
IBGE - Instituto Brasileiro de Geografia E Estatística. Produção Agrícola Municipal 2023. Brasília: IBGE, 2023. Disponível em: . Acesso em: 15/04/2025.
INMET - Instituto Nacional de Meteorologia. Clima e Recursos Hídricos na Região Oeste da Bahia. Brasília: INMET, 2020. Disponível em: . Acesso em: 17/04/2025.
JONES, S. E. et al. “Multi-Sensor and Multi-temporal High-Throughput Phenotyping for Monitoring and Early Detection of Water-Limiting Stress in Soybean”. The Plant Phenome Journal vol. 7, n. 1, 2024.
JUNGES, A. H. et al. “Relationship between the normalized difference vegetation index and biophysical parameters of grapevines”. Agrometeorology, vol. 79, n. 2, 2019.
LAKRA, D. et al. “Soil moisture retrieval over agricultural region through machine learning and Sentinel-1 observations”. Frontiers in Remote Sensing, vol. 3, 2025.
LEMENKOVA, P. et al. “O. Computing vegetation indices from the satellite images using GRASS GIS scripts for monitoring mangrove forests in the coastal landscapes of Niger Delta, Nigeria”. Journal of Marine Science and Engineering, vol. 11, n. 4, 2023.
LI, J. et al. “Global Revisit Interval Analysis of Landsat-8 -9 and Sentinel-2A -2B Data for Terrestrial Monitoring”. Sensors, vol. 20, n. 22, 2020.
LI, M. et al. “Spatiotemporally consistent global dataset of the GIMMS Normalized Difference Vegetation Index (PKU GIMMS NDVI) from 1982 to 2022”. Earth System Science Data, vol. 15, n. 9, 2023.
LI, Q. et al. “Comparison of Satellite-Derived Vegetation Indices for Assessing Vegetation Dynamics in Central Asia”. Water, vol. 17, n. 5, 2025.
LOAYZA, A. C. V. et al. “Evolução dos indicadores da produção de soja no Matopiba”. Observatório De La Economía Latinoamericana, vol. 21, n. 12, 2023.
LOPATKA, A. et al. “Assessment of soil impact on pre- and post-harvest NDVI extrema by machine learning”. Soil Science Annual, vol. 75, n. 2, 2024.
LYKHOVYD, P. V. et al. “Normalised difference moisture index in water stress assessment of maize crops”. Agrology, vol. 7, n. 1, 2024.
MA, Y. et al. “Quantifying how topography impacts vegetation indices at various spatial scales”. Remote Sensing of Environment. vol. 303, n. 1, 2024.
MARIN, D. B. et al. “Sensoriamento remoto multiespectral na identificação e mapeamento das condições de estresse em lavouras cafeeiras”. Revista Ceres, vol. 66, n. 2, 2019.
MERCANTE, E. et al. “Características espectrais da soja ao longo do ciclo vegetativo com imagens landsat 5/TM em área agrícola no oeste do Paraná”. Engenharia Agrícola, vol. 30, n. 1, 2009.
MIMI?, G. et al. “Quantifying the Effects of Drought Using the Crop Moisture Stress as an Indicator of Maize and Sunflower Yield Reduction in Serbia”. Atmosphere, vol. 14, n. 3, 2022.
MURIGA, V. W. et al. “A Machine Learning Approach to Long-Term Drought Prediction using Normalized Difference Indices Computed on a Spatiotemporal Dataset”. International Geoscience and Remote Sensing Symposium. Pasadena: IEEE, 2023.
NEGRI, R. G. et al. “Sensoriamento remoto, processamento de imagens e estudos ambientais”. In: VILANOVA, M. R. N. et al. Fronteiras da engenharia e ciências ambientais: perspectivas multidisciplinares. São Paulo: Editora da UNESP, 2020.
NEUMAIER, N. et al. “Estádios de desenvolvimento da cultura de soja”. In: BONATO, E. R. (ed.). Estresses em soja. Passo Fundo: Embrapa, 2000.
NPARKS. Glycine max (L.) Merr. Singapore: NParks-National Parks Board. 2023. Disponível em: . Acesso em: 16/04/2025.
OLIVEIRA JÚNIOR, A. et al. “Estádios fenológicos e marcha de absorção de nutrientes da soja”. Embrapa Soja [2016]. Disponível em: . Acesso em: 10/05/2025.
OLIVEIRA, M. A. F. et al. “Avaliação de degradação e mudanças ambientais na bacia hidrográfica do Alto Ipanema”. Revista Brasileira de Meteorologia, vol. 35, n. 4, 2020.
OLIVEIRA, S. S. Monitoramento da cultura do algodão usando índice de vegetação e umidade da superfície (Trabalho de Conclusão de Curso de Graduação em Engenharia Agrícola). Chapadinha: UFMA, 2023.
REHMAN, T. H. et al. “Comparative sensitivity of vegetation indices measured via proximal and aerial sensors for assessing n status and predicting grain yield in rice cropping systems”. Remote Sensing, vol. 14, n. 12, 2022.
RITCHIE, H. “Drivers of Deforestation”. Our World in Data [2021]. Disponível em: . Acesso em: 16/05/2025.
ROUSE, J.W. et al. “Monitoring Vegetation Systems in the Great Plains with ERTS”. Proceedings, 3rd Earth Resource Technology Satellite (ERTS) Symposium. Washington: NASA; 1974
SA, R. et al. “Biomass estimation and saturation value determination based on multi-source remote sensing data”. Remote Sensing, vol. 16, n. 12, 2024.
SANTOS, J. S. et al. “Identificação da dinâmica espaço-temporal para estimar área cultivada de soja a partir de imagens MODIS no Rio Grande do Sul”. Revista Brasileira de Engenharia Agrícola e Ambiental, vol. 18, n. 1, 2014.
SCHAPARINI, L. P. et al. “Análise comparativa entre índices de vegetação e sua relação com o balanço hídrico em soja”. Agrometeoros, vol. 27, n. 1, 2020.
SCHORR, M. R. W. et al. “Estimativa objetiva da produtividade utilizando ferramentas do sensoriamento remoto – Estudo de caso da safra de soja 2021/22 no Rio Grande do Sul”. Anais do XX Simpósio Brasileiro de Sensoriamento Remoto. Florianópolis: UFSC, 2023.
SEDIVY, E. J. et al. “Soybean domestication: the origin, genetic architecture and molecular bases”. New Phytologist, vol. 214, n. 2, 2017.
SEIXAS, C. D. S. Monitoramento de Phakopsora pachyrhizi na safra 2019/2020 para tomada de decisão do controle químico da ferrugem-asiática da soja. Londrina: Embrapa, 2020.
SENTINEL HUB. "Mapping Soybean and Maize NDVI with Sentinel-1 and Sentinel-2". Sentinel Hub Custom Scripts, [2025]. Disponível em: . Acesso em: 15/04/2025.
SHIRATSUCHI, L. S. et al. “Sensoriamento remoto: conceitos básicos e aplicações na agricultura de precisão”. In: EMBRAPA. Agricultura de precisão: resultados de um novo olhar. Brasília: Embrapa, 2014.
SILVA, E. C. et al. “O Índices de vegetação NDVI e EVI no monitoramento do cultivo da soja no município de Querência–MT, SAFRA 2020/2021”. Revista Contexto Geográfico, vol. 8, n. 16, 2023.
SUHET, H. B. Sentinel-2 User Handbook. Paris: European Space Agency, 2015.
TEIXEIRA, A. A. D. et al. “Evaluation of the radiometric accuracy of images obtained by a remotely piloted aircraft system (RPAS) for the measurement of spectral reflectance and calculation of vegetation índices”. Engenharia Agrícola, vol. 40, n. 1, 2020.
TOMAZONI, J. C.; GUIMARÃES, E. “Utilização de índices de vegetação para avaliação de impacto de estiagem no município de Francisco Beltrão”. Revista Brasileira de Geografia Física, vol. 16, n. 6, 2023.
USDA - United States Department of Agriculture. “Normalized Difference Vegetation Index (NDVI)”. USDA [2025]. Disponível em: . Acesso em: 16/04/2025.
USDA - United States Department of Agriculture. “World Agricultural Production. Foreign Agricultural Service”. USDA [2024]. Disponível em: Acesso em: 16/04/2025.
USGS. “Landsat Normalized Difference Vegetation Index (NDVI)”. USGS [2023] Disponível em: . Acesso em: 16/04/2025.
VELOSO, C. A. C. et al. “Adubação fosfatada e potássica na cultura da soja em Latossolo Amarelo do Estado do Pará”. Anais do 31° Congresso Brasileiro De Ciência Do Solo. Gramado: SBCS, 2007.
VIEIRA FILHO, J. E. R. “A produção de soja e sua importância na economia brasileira”. Revista de Política Agrícola, vol. 33, 2024.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Ralph Wendel Oliveira de Araujo, Samir Herick Menezes da Cruz, Deivson Nacim Teixeira Sousa, Ariston de Lima Cardoso, Ossival Lolato Ribeiro
This work is licensed under a Creative Commons Attribution 4.0 International License.
Copyright (c). Conjuncture Bulletin (BOCA)
This work is licensed under a Creative Commons Attribution 4.0 International License.
