Tomada de Decisão na Agricultura

Com o crescimento da popularidade dos drones e o advento de novos sensores aptos a captar luz em espectros além do visível, temos visto uma grande movimentação em relação ao uso de índices de vegetação no intuito de gerar indicadores úteis para agricultura. Mas, de fato, o que são esses tais índices de vegetação e como podemos gerar informações úteis para a tomada de decisão na Agricultura?

Os índices de vegetação (IV) são objetos de estudo de uma prática chamada Sensoriamento Remoto (SR), que basicamente consiste em obter informações de um objeto sem existir um contato físico com o mesmo, e muitas vezes à longas distâncias. Uma das primeiras aplicações dos dados obtidos remotamente tem sido a detecção de diferenças na refletância, relacionadas à densidade da cobertura vegetal. As primeiras medições por SR foram realizadas através de câmeras acopladas em aeronaves, balões, pipas, foguetes e até pássaros. Atualmente, imagens de sensores remotos podem ser obtidas a partir de diversas plataformas, como satélites, aeronaves, veículos aéreos não tripulados (VANTs), máquinas agrícolas autopropelidas, etc.

Inúmeros IVs já foram desenvolvidos para diferentes finalidades. Pesquisadores no mundo inteiro usam as características de absorção associadas com constituintes bioquímicos para avaliar as culturas em estudo. Assim, diferentes índices são utilizados na agricultura e são otimizados para avaliar um processo de interesse. Por exemplo, alguns índices espectrais foram propostos para capturar os processos fotoquímicos associados com a atividade da fotossíntese tal como o uso da eficiência da luz (ε) ou estimar o conteúdo de pigmentação da folha (clorofila), enquanto que outros foram projetados para obter o índice de área foliar (IAF).

A escolha do comprimento de onda mais adequado está relacionada às características que se deseja avaliar. Algumas vezes pode surgir o efeito de confusão, pois a refletância do dossel no NIR é fortemente dependente das propriedades estruturais (por exemplo, IAF), enquanto no visível é sensível as propriedades bioquímicas (por exemplo, clorofila). Para reduzir esse efeito, muitos estudos recentes demonstraram que a quantidade de clorofila da folha pode ser estimada através da combinação de diferentes índices espectrais. Assim, os IVs podem ser divididos em índices sensíveis à concentração do pigmento (clorofila) e índices estruturais, que podem ou não ser imunes à influência das propriedades óticas do solo. Na figura abaixo você pode conferir quais são as respostas padrões em cada comprimento de onda observado.

Índices não são um conceito novo, o popular NDVI (Índice de Vegetação por Diferença Normalizada), por exemplo, foi desenvolvido por J. W. Rouse em 1974 e mais tarde validado por C. J. Tucker em 1979 através de combinações lineares das bandas do vermelho e infravermelho próximo para monitorar propriedades como a biomassa. É calculado a partir das refletâncias do NIR (Infravermelho Próximo) e do Vermelho, atingindo valores entre -1 e 1. O valores entre -1 e 0 correspondem a superfícies não vegetais que têm a refletância no vermelho maiores que no NIR, como água, neve e até mesmo nuvens.

O solo tem o valor de NDVI próximo de zero. Com uma refletância substancial no NIR, plantas têm um valor NDVI entre 0.1 e 1, quanto maior o valor, maior a densidade vegetal. Sendo um índice estrutural, é muito utilizado para monitoramento agrícola por apresentar forte correlação linear com o crescimento das culturas. Diversas vezes temos visto o NDVI confundido como um índice de “saúde da vegetação”, o que não pode ser tomado como verdade em parte dos casos, como é o caso de lavouras atacadas pela Soja Louca II, uma doença provocada pelo nematóide Aphelenchoides sp que causa super brotamento e retenção de hastes foliares e abortamento de vagens, não reagindo à herbicidas dessecantes. Nesse caso, o mapeamento pode ser feito na pré-colheita e as regiões que apresentarem alto NDVI serão na verdade as menos saudáveis (Fonte: EMBRAPA). Dessa forma, poderá ser feito um manejo diferenciado de controle desse tipo de nematóide nestas áreas no próximo plantio.

O SAVI (Índice de Vegetação Ajustado ao Solo), foi criado visando amenizar o efeito de solo e se baseia no princípio de que a curva de vegetação tende a aproximar-se da curva de solo para baixas densidades de vegetação, passando por uma mistura de respostas espectrais para densidades médias e quase nenhuma influência do solo para densidades altas de vegetação. O SAVI consiste na própria fórmula do NDVI, acrescida de uma constante L, que varia de 0 a 1, dependendo do grau da maior ou menor cobertura do solo, respectivamente.

O Índice de Vegetação por Diferença Normalizada Verde (GNDVI) e o de Diferença Normalizada do Vermelho Limítrofe (NDRE) podem ser calculados da mesma maneira. O GNDVI é calculado utilizando as refletâncias do verde e do NIR, enquanto o NDRE utiliza as bandas do Vermelho Limítrofe (Red Edge 735 nm) e do NIR. Estudos provam que estes índices (índices bioquímicos) são mais responsivos e confiáveis para alguns tipos de cultura (Fonte: ISPRS).

Ao contrário de satélites e aviões, os problemas causados pela extrema sensibilidade do NDVI a condições atmosféricas e cobertura de nuvens não são mais um problema com os drones. Apesar disso, ainda existem algumas validações que devem ser executadas para garantir a acurácia de aferições, como análises de solo e folhas após a identificação de manchas. Seguem alguns índices utilizados em agricultura.

Baixe agora nosso e-book Guia sobre Índices, Drones e Sensores na Agricultura

Mas afinal, o que tiramos de útil desses índices para a Tomada de Decisão?

Otimização de fertilização

Plantas requerem nutrientes para crescimento e fotossíntese. Vários estudos provam que um alto teor de clorofila indica um conteúdo substancial de nutrientes e isso, por consequência, indica boa produtividade. A deficiência de certos nutrientes, especialmente aqueles ligados à produção de clorofila, como o nitrogênio ou magnési0, irão manifestar uma gradual mudança na coloração da planta, indo do verde ao marrom (visualmente). Uma vez que a mudança de coloração começa a ficar evidente visualmente, na maioria das vezes já é tarde demais.

O acompanhamento periódico de lavouras através de índices de vegetação permite rastrear a variabilidade do teor de clorofila e outros aspectos biológicos na plantação, habilitando a capacidade de identificar campos afetados por deficiência nutricional de tal forma a tomar decisões preventivas, antes que isso se torne dano econômico. Quando falamos em Nitrogênio, um macronutriente instável e de díficil dosagem, entramos num campo onde as aplicações seguem “receitas de bolo” que podem levar a um desperdício de até 60% de adubos nitrogenados.

Otimização de aplicação de pesticidas

As imagens obtidas por sensoriamento remoto revelam quais talhões têm condições favoráveis para um crescimento vigoroso. Estes campos são em grande parte os alvos de ataques por insetos, fungos e doenças. Combinados com o know-how agronômico, imagens multiespectrais podem alertar o produtor sobre a vulnerabilidade de certos talhões. Estes alertas prévios permitem ao produtor não só reduzir o impacto prejudicial de organismos na lavoura, como também otimizar a aplicação de pesticidas de acordo como o nível de risco dos talhões, então reduzindo os custos com defensivos e a emissão de produtos químicos no meio ambiente.

Manejo preciso de pragas de solo

Os nematóides têm sido um grande vilão na agricultura brasileira, reduzindo consideravelmente o rendimento das colheitas a cada ano e tirando o sono dos agricultores. A identificação das espécies e o controle da população destes organismos são essenciais à manutenção do ecossistema produtivo das lavouras. As práticas adotadas hoje consideram a identificação visual de reboleiras, conduzindo à análises de solo pontuais e, para os que investem nos mapas de precisão, grid padrão de coleta do solo para aferição de população distribuída pela área.

Sabemos que as manchas de solo provocadas por nematóides coincidem com as manchas encontradas nos índices de vegetação (veja nosso estudo de caso), e dessa forma conseguimos identificar não só onde se encontram as reboleiras como também a extensão do seu dano, o que não é identificado precisamente a olho nú. Uma vez que sabemos a extensão da mancha, e quais áreas devemos ter mais atenção, pode-se montar um grid customizado, mais preciso e mais barato que a utilização de um grid padrão, já que áreas acusadas pelos índices serão tratadas separadamente e é possível ter uma redução do número de amostras em áreas com boas respostas.

Indicadores precisos em todas as fases da safra

Durante um ciclo de cultura, diversos são os fatores que podem influenciar na principal variável de medição de desempenho considerada hoje: a produtividade. Não são raras as situações em que o produtor se depara com uma variabilidade de produção altamente discrepante de um talhão para o outro, o mesmo em pequenas faixas de terra dentro do próprio talhão, e então começam estudar, entre os inúmeros fatores recorrentes desde o preparo do solo, escolha da variedade, aplicação de pesticidas, adubos foliares, falta de água, entre outros, qual a parcela de contribuição de cada técnica ou produto para aquele resultado final.

Um monitoramento periódico alimenta esses estudos com informações valiosas. E se rastreássemos o arranque do crescimento de biomassa na fase vegetativa da cultura? Isso me daria informações mais interessantes sobre insumos que agem especificamente nesta fase. E se rastreássemos o estado de maturação através de respostas espectrais? Quando falamos em Vinícolas, por exemplo, podemos decidir melhor qual região colher primeiro para maximizar o teor de açúcar ideal para a produção de vinhos.

Confira também como reduzir a perda da colheita