We evaluated the sensitivity of 14 narrowband vegetation indices (VIs) to rainfall seasonality over the Brazilian savannahs. Five images obtained in 2020 by the PRecursore IperSpettrale della Missione Applicativa (PRISMA) tracked the transition from the rainy (11 May) to the dry season (8 July, 17 August, and 4 September), and towards the beginning of a new seasonal cycle on 3 October. We considered two scenarios in the data analysis. First, we kept the PRISMA image from 11 May as a reference to evaluate the VI sensitivity with increasing water deficit from 8 July (49 days without any precipitation) to 4 September (102 days). Second, we changed the reference image to 4 September to evaluate the largest VI responses on 3 October after the first rainfall. The first three VIs (ranked by F-values) having significant changes with increasing water deficit over grasslands were the Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI), and Moisture Stress Index (MSI). The Vogelmann red edge index (VOG) and Red-Edge Normalized Difference Vegetation Index (RENDVI) presented the largest F-values over woodlands. In the second scenario, Red-edge Vegetation Stress Index (RVSI) and RENDVI were among the first five ranked VIs by t-values over both areas. The largest changes in VIs were generally observed over savannah grassland, which is the most sensitive physiognomy to water deficit. The lowest modifications were noted over riparian forests, which have access to waters from rivers. The vegetation-type dependence of the VI changes was also observed after the occurrence of rainfall. Results suggest the potential use of different VIs to obtain phenological metrics for more accurate savannah mapping in Brazil.

A precipitação é crucial para a produção agrícola no estado do Mato Grosso. Contudo, a rede de monitoramento dos dados de chuvas é insuficiente e desuniformemente distribuída, afetando a determinação do balanço hídrico, a detecção de secas e a gestão de recursos hídricos. Considerando o potencial dos produtos de precipitação oriundos de sensoriamento remoto para estimar a precipitação em locais com monitoramento deficiente, este trabalho teve como objetivo validar os dados CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data) para o estado de Mato Grosso, bem como analisar sua distribuição espacial e temporal na região. As estimativas do CHIRPS foram comparadas com séries históricas registradas em 154 estações pluviométricas da rede hidrometeorológica nacional, tendo sido quantificadas seis métricas de erro para validação do produto. A partir dos resultados obtidos confirmou-se que o bioma Amazônia apresenta a maior precipitação do estado, seguido pelo Cerrado. Em contraste, o bioma Pantanal possui a menor precipitação média mensal e anual em comparação aos outros biomas do estado. Comprovou-se, ainda, que o produto CHIRPS estima de forma adequada a precipitação total mensal e a média histórica mensal, revelando-se uma ferramenta promissora para a gestão de recursos hídricos, detecção de secas, estudos de balanço hídrico e modelagem hidrológica em bacias hidrográficas no estado de Mato Grosso. Contudo, para totais diários, o erro de estimativa é elevado, não sendo recomendada sua utilização direta sem correção dos dados ou calibração em modelos hidrológicos.

Estimating global radiation (GR) is crucial for assessing solar energy potential, understanding surface energy balance, and forecasting agricultural production. However, several regions require additional monitoring and sparse sensor networks. The ERA5-ECMWF reanalysis is a viable alternative for estimating meteorological elements in unmonitored areas. This study aimed to train an artificial neural network (ANN) model to estimate GR based on ERA5 data and map its distribution in the study area. We utilized GR data from 32 automatic weather stations of the Brazilian National Institute of Meteorology in Mato Grosso, Brazil, for model training. The model input consisted of ERA5 air temperature, precipitation data, and top-of-atmosphere solar radiation (R₀) calculated from the latitude and day of the year. The calibrated model demonstrated high accuracy, with Nash–Sutcliffe and Kling–Gupta efficiency indices exceeding 0.99. This enabled the generation of historical time series and maps of GR spatial distribution in the study area. The results demonstrate that—as input for the ANN—ERA5 data enables precise and accurate estimation of GR distribution, even in locations without meteorological stations.