universidade federal de mato grosso campus … · produtividade do algodão em caroço em resposta...
TRANSCRIPT
UNIVERSIDADE FEDERAL DE MATO GROSSO
CAMPUS UNIVERSITÁRIO DE SINOP
INSTITUTO DE CIÊNCIAS AGRÁRIAS E AMBIENTAIS
SENSOR ATIVO DE DOSSEL NA GESTÃO DA ADUBAÇÃO
NITROGENADA EM ALGODOEIRO NO ESTADO DE MATO GROSSO
JONNAS DE MARCHI
Engenheiro Agrícola e Ambiental
2018
UNIVERSIDADE FEDERAL DE MATO GROSSO
CAMPUS UNIVERSITÁRIO DE SINOP
INSTITUTO DE CIÊNCIAS AGRÁRIAS E AMBIENTAIS
SENSOR ATIVO DE DOSSEL NA GESTÃO DA ADUBAÇÃO
NITROGENADA EM ALGODOEIRO NO ESTADO DE MATO GROSSO
JONNAS DE MARCHI
Orientador: Prof. Dr. Thiago Martins Machado
Coorientador: Dr. Luciano Shozo Shiratsuchi
Dissertação apresentada ao Programa de Pós-graduação em Agronomia, como parte das exigências para a obtenção do título de Mestre em Agronomia. Área de concentração: Agronomia.
Agosto de 2018
DADOS CURRICULARES DO AUTOR
JONNAS DE MARCHI – Nascido em 03 de setembro de 1991, no município de
Sinop, estado de Mato Grosso. Em agosto de 2009, ingressou na Universidade
Federal de Mato Grosso (UFMT), Instituto de Ciências Agrárias e Ambientais, curso
de Engenharia Agrícola e Ambiental, Campus de Sinop. Em abril de 2014 viajou para
o EUA para realizar o estágio supervisionado obrigatório na The Ohio State University,
em Columbus - Ohio. Retornou em setembro de 2014 para a obtenção do título de
Engenheiro Agrícola e Ambiental. No mesmo ano mudou-se para Sorriso – MT para
trabalhar na empresa RZS Agricultura de Precisão. Em março de 2016 ingressou no
curso de mestrado do Programa de Pós-graduação em Agronomia na Universidade
Federal de Mato Grosso, Campus Sinop. Em dezembro de 2018 mudou-se para Nova
Mutum – MT para exercer a função de Desenvolvedor de Soluções na empresa
Solinftec.
DEDICATÓRIA
Dedico aos meus pais,
Mario e Marlene,
pelo apoio, incentivo e dedicação incondicional.
AGRADECIMENTOS
À Deus, pelo dom da vida, sempre guiando meus passos durante minha
caminhada.
Aos meus pais, pela educação e amor incondicional, pelo exemplo de força
e perseverança e por não medirem esforços para que esta etapa em vida fosse
concretizada.
Aos meus irmãos, pela amizade e companheirismo mesmo que distante.
À minha namorada Maria Clara, pela paciência, compreensão e pelo apoio
nos momentos de dificuldade.
Ao meu Orientador, Prof. Dr. Thiago Martins Machado, pela amizade, pelos
ensinamentos, pela paciência e confiança.
Ao meu Coorientador, Dr. Luciano Shozo Shiratsuchi, pelos ensinamentos
transmitidos.
Aos membros da comissão examinadora.
À Universidade Federal de Mato Grosso (UFMT) - Campus Sinop, em
especial ao programa de pós-graduação em Agronomia, pela oportunidade de
realização do curso.
À Embrapa Agrossilvipastoril, pelo fornecimento do material e estrutura para
a realização deste trabalho.
Aos produtores, por concederem as áreas e auxiliarem na condução do
experimento.
À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior –
CAPES, pelo apoio financeiro através da concessão da bolsa de mestrado.
A todos que direta ou indiretamente contribuíram para a realização deste
trabalho, o meu sincero agradecimento.
Muito Obrigado a Todos Vocês.
1
LISTA DE FIGURAS
Figura 1. Condições climáticas durante o cultivo do algodoeiro em Lucas do Rio Verde na
safra 2014. ........................................................................................................................................... 33
Figura 2. Condições climáticas durante o cultivo do algodoeiro em Sinop na safra de 2014. 33
Figura 3. Condições climáticas durante o cultivo do algodoeiro em Campo Verde na safra
2014. ..................................................................................................................................................... 34
Figura 4. Condições climáticas durante o cultivo do algodoeiro em Sapezal na safra 2014. 34
Figura 5. Condições climáticas durante o cultivo do algodoeiro em área experimental da
Embrapa Agrossilvipastoril na safra 2015. ..................................................................................... 36
Figura 6. Condições climáticas durante o cultivo do algodoeiro em área experimental da
Embrapa Agrossilvipastoril na safra 2016. ..................................................................................... 37
Figura 7. Condições climáticas durante o cultivo do algodoeiro em área experimental da
Embrapa Agrossilvipastoril na safra 2017. ..................................................................................... 37
Figura 8. Leituras médias de NDVI e CIRE coletadas semanalmente durante os quatro anos
de experimento (2014, 2015, 2016 e 2017). .................................................................................. 42
Figura 9. Saturação do NDVI ilustrada em leituras coletadas com sensor ativo de dossel
durante os quatro anos de experimento (2014, 2015, 2016 e 2017). ........................................ 43
Figura 10. Desvio padrão do CIRE durante o desenvolvimento do algodoeiro em áreas de
produtores em 2014 (A) e área experimental da Embrapa em 2015, 2016 e 2017 (B). ......... 44
Figura 11. Distribuição de frequência e frequência acumulada do índice de vegetação de
clorofila usando a banda Red Edge (CIRE) sensoriado em lavouras comerciais de
produtores parceiros em 2014. ........................................................................................................ 45
Figura 12. Produtividade do algodão em caroço em resposta a doses de N em diferentes
regiões de produtores parceiros em 2014. ..................................................................................... 46
Figura 13. Curva de suficiência de N baseado em referência virtual para algodão em sistema
de produção comercial. ..................................................................................................................... 47
Figura 14. Curva de recomendação de N baseado em referência virtual para algodão em
sistema de produção comercial. ...................................................................................................... 48
Figura 15. Erro de validação da equação de recomendação de N para algodão em sistema
de produção comercial. ..................................................................................................................... 49
Figura 16. Distribuição de frequência e frequência acumulada do índice de vegetação de
clorofila usando a banda Red Edge (CIRE) sensoriado em parcelas experimentais em 2015,
2016 e 2017. ....................................................................................................................................... 50
Figura 17. Produtividade do algodão em caroço em resposta a doses de N durante os 3
anos de experimento (2015, 2016, 2017) em parcelas experimentais da Embrapa
Agrossilvipastoril. ................................................................................................................................ 50
Figura 18. Curva de suficiência de N baseado em referência virtual para algodão em
parcelas experimentais da Embrapa Agrossilvipastoril. ............................................................... 51
Figura 19. Curva de recomendação de N baseado em referência virtual para algodão em
parcelas experimentais da Embrapa Agrossilvipastoril. ............................................................... 52
Figura 20. Erro de validação da equação de recomendação de N para algodão em parcelas
experimentais da Embrapa Agrossilvipastoril. ............................................................................... 53
2
Figura 21. Erro de validação da equação de recomendação de N para algodão em parcelas
experimentais aplicado em dados sensoriados em lavouras comerciais. ................................. 54
3
SUMÁRIO
CAPÍTULO 1. Considerações gerais ........................................................................... 6
1. Introdução ............................................................................................................. 6
2. Revisão de Literatura ............................................................................................ 8
2.1 A cultura do algodão .......................................................................................... 8
2.2 Eficiência do uso de nitrogênio (EUN) ............................................................. 10
2.3 Gestão da adubação nitrogenada utilizando agricultura de precisão .............. 11
2.4 Sensores ativos de dossel (SAD) .................................................................... 12
2.5 Índice de vegetação ........................................................................................ 13
2.6 Algoritmos e abordagens baseadas em SAD .................................................. 14
3. Referências ......................................................................................................... 19
CAPÍTULO 2. Considerações específicas ................................................................. 27
1. Introdução ........................................................................................................... 29
2. Material e Métodos ............................................................................................. 32
3. Resultados e Discussão ..................................................................................... 42
4. Conclusões ......................................................................................................... 55
5. Referências ......................................................................................................... 56
4
SENSO ATIVO DE DOSSEL NA GESTÃO DA ADUBAÇÃO NITROGENADA EM
ALGODOEIRO NO ESTADO DE MATO GROSSO
RESUMO - Sensores ativos de dossel têm conseguido resultados promissores na avaliação do status de N em culturas, visando direcionar a adubação nitrogenada em taxas variáveis. No entanto, a maioria das formulações de gerenciamento de N desenvolvidas utilizam procedimentos complexos que às tornam impraticáveis pelos produtores. Existe uma carência de metodologias práticas baseadas em sensores ativos de dossel para determinação da demanda de adubação nitrogenada em sistemas de produção de algodão no cerrado brasileiro. Este trabalho teve por objetivo investigar a sensibilidade de índices de vegetação em identificar a variabilidade do requerimento de N e utilizar e orientar a aplicação de metodologias práticas baseadas em sensores ativos de dossel para direcionar a aplicação de N em taxas variáveis em sistemas de produção de algodão no Mato Grosso. Palavras-chave: agricultura de precisão, sensoriamento remoto, aplicação em taxas variáveis
5
ACTIVE CANOPY SENSOR IN THE MANAGEMENT OF NITROGEN
FERTILIZATION IN COTTON IN MATO GROSSO STATE
ABSTRACT - Active canopy sensors have achieved promising results in evaluating N status in crops, aiming to direct nitrogen fertilization at variable rates. However, most developed N management formulations use complex procedures that make them impractical for producer. There is a lack of practical methodologies based on active canopy sensors to determine nitrogen fertilizer demand in Brazilian cotton production systems in Cerrado. The objective of this work was to investigate the sensitivity of vegetation indices in identifying the variability of the N requirement and to use and guide the application of practical methodologies based on active canopy sensors to direct the application of N at variable rates in cotton production systems in Mato Grosso. Keywords: precision agriculture, remote sensing, variable rate application
6
CAPÍTULO 1. Considerações gerais
1. Introdução
Dadas as suas transformações e mobilidade no perfil do solo, o nitrogênio (N)
é o elemento mais dinâmico em sistemas agrícolas. Tal complexidade dificulta sua
recomendação baseada na análise tradicional do solo, resultando em baixa eficiência
do uso de nitrogênio (EUN) pelas culturas. Esta característica dinâmica sugere a
necessidade de estratégias alternativas de manejo de N para prever quando, onde e
quanto de N é necessário (SCHEPERS e RAUN, 2008).
O nitrogênio é considerado o nutriente mais importante para o algodoeiro
devido a grande exigência pela cultura, sendo considerado um fator limitante para o
desenvolvimento e potencial produtivo da cultura (CARVALHO et al, 2009). A
aplicação de N no algodoeiro deve ser feita de forma criteriosa, pois tanto a deficiência
como o excesso desse elemento, influenciam negativamente o crescimento da planta,
a retenção de frutos, a qualidade da fibra e a produtividade (REDDY et al., 2004).
As práticas atuais de gerenciamento da adubação nitrogenada para sistemas
de produção de algodão normalmente incluem quantidades significativas de N
aplicadas em taxas uniformes, onde na maioria das vezes, são aplicadas em estádios
fenológicos antecipados em prol de um maior rendimento operacional, contribuindo
para a baixa EUN pela cultura.
Segundo Raun e Johnson (1999), a EUN para culturas em todo o mundo
corresponde a 33 %. As principais causas da baixa EUN são a baixa sincronia entre
o suprimento e a demanda de N pela cultura, aplicação de taxas uniformes de N em
áreas com demanda espacialmente variáveis e incapacidade de explicar influências
temporalmente variáveis sobre as necessidades de N da cultura (SHANAHAN et al.,
2008). Uma das formas de se aumentar a EUN é a aplicação em doses variáveis,
considerando a variabilidade espacial e temporal do requerimento de N pela cultura
(SOLARI, 2006).
Técnicas de agricultura de precisão baseadas em sensores ativos de dossel
(SAD) têm conseguido resultados promissores na gestão da adubação nitrogenada
em diferentes culturas (ZHAO et al., 2005, CLAY et al., 2006; HONG et al., 2006,
7
SINGH et al., 2006; SHANAHAN et al. 2008, LI., 2010). O uso desses sensores para
estimar o status de N na planta pode melhorar a EUN em comparação à aplicação
uniforme tradicional, melhorando o rendimento da cultura e reduzindo a quantidade
de N aplicado, considerando variabilidade espacial (RAUN et al., 2005, 2007; TEAL et
al., 2006; FREEMAN et al., 2007 e TUBANA et al., 2008, DELLINGER et al, 2008).
No entanto, a maioria das formulações gerenciamento de N desenvolvidas e
ajustadas para o Brasil utilizam procedimentos laboratoriais que demandam muito
esforço e tempo, ou são baseados em abordagens locais pouco representativas, além
de serem sensíveis às condições da cultura (variedade e fenologia) que foram
calibrados. Vários fatores podem afetar o vigor e a demanda de N da cultura, como
diferenças genéticas entre cultivares, diferentes estágios fenológicos, clima,
adubações de base e práticas culturais, sendo necessário o estudo de metodologias
práticas que amenizem esses efeitos.
Baseado neste contexto, o presente trabalho teve como objetivo investigar o
potencial de índices de vegetação em identificar a variabilidade do requerimento de N
e utilizar e orientar a aplicação de metodologias práticas baseadas em sensores ativos
de dossel para direcionar a aplicação de N em taxas variáveis em sistemas de
produção de algodão no Mato Grosso.
8
2. Revisão de Literatura
2.1 A cultura do algodão
O algodoeiro é uma das principais plantas domesticadas pelo homem e uma
das mais antigas, havendo registros de seu uso há mais de 4.000 anos, tendo como
centros de origem a América do Sul, o Oriente Médio e a Ásia (WENDEL et al., 2010).
É uma planta originária de clima tropical, de crescimento indeterminado, sensível à
baixa luminosidade, porte ereto, com fixação de carbono na fotossíntese via C3 e
elevada taxa de fotorrespiração (OVEJERO et al., 2015). O algodão comercial
cultivado no Brasil é o algodão herbáceo, que pertence à espécie Gossypium hirsutum
var. latifolium Hutch, da família Malvaceae.
A cotonicultura é uma das principais fontes de renda do agronegócio brasileiro,
sendo destinada a produção de fibra, óleo e proteínas. A produção nacional é
estimada em 5 milhões de toneladas para a safra 2017/18, somando a produção de
pluma e caroço. Em destaque, a região de Mato Grosso, correspondendo a 66% da
área cultivada e com volume de produção estimado em 3,2 milhões de toneladas,
sendo 64% da produção total do país. Nessa safra, as boas condições climáticas têm
favorecido um cenário de produção e comercialização bastante promissor, a
estimativa de produtividade média nacional é de 4.267 kg ha-1 de algodão em caroço,
sendo a maior produtividade média registrada no país (CONAB, 2018).
Existem, basicamente, dois sistemas de cultivo do algodoeiro no Brasil, que
caracterizam dois sistemas de manejo distintos: (i) O algodão safra, em que há o
cultivo apenas do algodão como cultura comercial dentro do ano agrícola, sendo
semeado entre 01/12 e 10/01, período com maior disponibilidade hídrica, o que
possibilita o uso de solos com menor capacidade de retenção de água. As principais
características desse sistema é a utilização de cultivares de ciclo longo e semeadura
em espaçamento convencional entre fileiras (0,76 - 0,90 cm) (ZANCANARO e
KAPPES, 2015). (ii) O algodão segunda safra, também conhecido como algodão
"safrinha", é cultivado após uma cultura comercial (soja, feijão, milho, etc) no mesmo
ano agrícola, sendo semeado entre a segunda quinzena de janeiro e a primeira de
fevereiro, geralmente após a colheita da soja. Este sistema é caracterizado pela
9
semeadura de cultivares de ciclos curtos, para o melhor aproveitamento do período
de chuvas, e espaçamento adensado entre fileiras (0,38 - 50 cm). A principal
vantagem deste sistema é a intensificação do uso da terra, devido ao cultivo de duas
culturas no mesmo ano agrícola, o que leva à redução de custos de produção
(ANSELMO et al., 2011).
Os avanços no manejo da cultura e a constante melhoria nos pacotes
tecnológicos tem impulsionado o crescimento da produção algodoeira no Brasil, que
é, atualmente, o quinto país maior produtor e o terceiro maior exportador de fibra de
algodão do mundo, ocupando o primeiro lugar em produtividade em sistema sequeiro
(ABRAPA, 2017).
O Brasil alcançou essa posição com a migração da cultura do algodoeiro para
o Cerrado brasileiro, na segunda metade dos anos 1990, onde os produtores de soja
buscavam uma cultura alternativa para o sistema de rotação. As condições climáticas,
o relevo plano, os subsídios internos e a alta tecnologia adotada permitiram o aumento
crescente da produtividade e a produção de fibra de alta qualidade, tornando o sistema
competitivo (HOOGERHEIDE e FRANCISCO, 2013). O estado de Mato Grosso teve
grande importância no progresso da cotonicultura brasileira, com condições favoráveis
para o seu desenvolvimento, áreas extensas com topografia plana, alta intensidade
luminosa e clima bem definido, apresentando boa disponibilidade hídrica durante o
seu desenvolvimento e período seco na época da colheita, permitindo alto rendimento
e obtenção de fibra de qualidade. Mas em contrapartida, o Cerrado brasileiro tem
exigido grandes investimentos em correção e adubação, devido à baixa fertilidade
natural dos solos e a elevada demanda de nutrientes pela cultura (TAKIZAWA e
GUERRA, 1998). Com isso, torna-se necessária a prática de adubação química para
a manutenção de níveis de suficiência de nutrientes no solo.
O manejo da fertilidade do solo é um fator determinante para a obtenção de
altas produtividades no algodoeiro (SILVA, 1999; THOMPSON, 1999). A correção da
acidez do solo e a adubação mineral têm atingido valores da ordem de 20 a 30% do
custo total de manejo da cultura. Nesse contexto, a gestão eficiente da adubação é
essencial para a viabilização do sistema de produção algodoeiro no Cerrado
(CARVALHO e FERREIRA, 2006).
10
2.2 Eficiência do uso de nitrogênio (EUN)
A eficiência da adubação nitrogenada é um desafio em sistemas agrícolas,
devido a dinâmica complexa desse elemento no solo, dado por suas transformações
e mobilidade no perfil do solo. Em razão a tal complexidade, a análise de solo
tradicional não traz informações confiáveis sobre a disponibilidade de nitrogênio (N)
no solo, sendo difícil mensurar e controlar a quantidade de N disponível às plantas.
Esse comportamento do N no solo gera uma necessidade de pesquisas e
desenvolvimento de novas práticas de gerenciamento ou dispositivos capazes de
prever quando, onde e quanto de N é necessário (SCHEPERS e RAUN, 2008).
As práticas tradicionais de adubação nitrogenada resultam em baixa EUN,
devido as aplicações em taxas uniformes, normalmente em doses acima da
necessidade da cultura, desconsiderando a variabilidade espacial e temporal do
requerimento de N pela planta.
Uma das maiores causas da baixa EUN das atuais práticas de manejo de N é
a baixa sincronia entre a disponibilidade de N no solo e a demanda pela cultura
(SHANARAM et al., 2008; CASSMAN et al., 2002; FAGERIA e BALIGAR, 2005). O
requerimento de N no algodoeiro aumenta a partir da emissão dos primeiros botões
florais, alcançando absorção máxima diária entre 60 a 90 dias, após a germinação
(CARVALHO e FERREIRA, 2006). No Brasil, normalmente, o N é aplicado em
estádios fenológicos antecipados, ainda em estádios vegetativos, em razão de um
maior rendimento operacional, contribuindo para grandes perdas desse elemento no
sistema, causando prejuízos econômicos e impactos ambientais consideráveis.
Outra razão para a baixa EUN é a forma como o fertilizante nitrogenado é
geralmente recomendado, baseado em um rendimento esperado da cultura, que
estima uma quantidade de N que será removida no processo de colheita (STANFORD
e LEGG, 1984; MEISINGER e RANDALL, 1991). Embora esta abordagem de
"equilíbrio de massa" seja simples e considerável, ela assume uma EUN constante
(MEISINGER, 1984; MEISINGER et al., 1992), enquanto pesquisas demonstram que
a EUN variam no espaço e no tempo. Outro inconveniente desta abordagem é derivar
uma estimativa precisa e realista do rendimento almejado, principalmente,
11
considerando a baixa fertilidade natural dos solos do Cerrado e o alto potencial de
perdas de nutrientes dado pelas condições climáticas tropicais do país.
Estimativas mundiais relatam que a EUN na produção de cereais é de
aproximadamente 33% (RAUN e JOHNSON, 1999). Segundo Solari (2006), para
aumentar a EUN é essencial a aplicação de N em taxas variáveis, considerando a
demanda espacial e temporal da cultura. No algodoeiro, doses adequadas estimulam
o crescimento e o florescimento, regulariza o ciclo da planta, aumenta a produtividade
e melhora o comprimento e a resistência da fibra (BELTRÃO, 1999). Tanto a
deficiência como o excesso de suprimento de N afetam negativamente a produção e
a qualidade da fibra (REDDY et al., 2004).
Estudos de campo nos EUA e na Europa tem apresentado justificativa
econômica e ambiental para aplicações de N espacialmente variáveis em culturas
agrícolas (MAMO et al., 2003; HURLEY et al., 2004; KOCH et al., 2004 SCHARF et
al., 2005; SHAHANDEH et al., 2005; HEEGE et al, 2008, SHIRATSUCHI, 2011).
2.3 Gestão da adubação nitrogenada utilizando agricultura de precisão
O conceito de agricultura de precisão foi criado baseado no uso de tecnologias
espaciais para o gerenciamento agrícola localizado, considerando a variabilidade
espacial e temporal, visando aumentar a produtividade, reduzir os custos de produção
e minimizar os impactos ambientais.
A gestão espacial de informações tornou-se possível graças aos sistemas de
posicionamento global de baixo custo (GPS) e equipamentos de processamento de
dados móveis capazes de armazenar e trabalhar com grandes bancos de dados.
Pode-se considerar três abordagens disponíveis para a aplicação de
fertilizantes nitrogenados: (i) baseado em mapa (aplicação de taxas de N de acordo
com mapas previamente gerados); (ii) em tempo real (leituras de
dispositivos/sensores são convertidas em taxas de fertilizantes nitrogenados em
tempo real); ou (iii) integrado (processando uma combinação de sensor e mapa)
(ADAMCHUK et al., 2011).
Com o propósito de aumentar a EUN em sistemas agrícolas, vários
pesquisadores têm se dedicado ao estudo de técnicas e procedimentos que
12
consideram a variabilidade espacial do solo baseado em análise de solo e leituras de
sensores. Exemplos incluem: (i) o uso de amostragem em grid para recomendar a
aplicação de N (FERGUSON et al., 2002); (ii) o uso de mapas de condutividade
elétrica do solo para definir zonas de manejo com diferentes demandas de N
(EIGENBERG et al., 2006; HEINIGER et al., 2003); e (iii) o uso de técnicas de
sensoriamento remoto para estimar o status de N em culturas (SINGH et al., 2006; LI
et al., 2010; SHANARAM et al., 2008; CLAY et al., 2006; HONG et al., 2006).
2.4 Sensores ativos de dossel (SAD)
Técnicas que utilizam sensoriamento remoto baseado em SAD tem sido
amplamente exploradas, atuando de maneira não destrutiva e com alta resolução
espacial, tem por objetivo obter informações de vigor e desenvolvimento das plantas,
tendo em vista o manejo em taxa variável e em tempo real de fertilizantes,
principalmente o nitrogênio.
Esses sensores possuem fonte de luz própria não sendo influenciados pela luz
do sol, podendo ser utilizados a qualquer hora do dia (dia e noite) (MOREIRA, 2005).
Propriedades espectrais detectadas remotamente por meio de sensores podem
fornecer informações específicas sobre a resposta fisiológica às condições de
crescimento e adaptações de plantas ao meio ambiente. Pesquisadores tem estudado
a correlação de medidas espectrais com diferentes parâmetros em culturas, como a
capacidade fotossintética, produtividade, rendimento potencial (PENUELAS et al.,
1994; APARICIO et al., 2000; THENKABAIL et al., 2000; MAET al., 2001; RAUN et al.,
2001; BAEZ-GONZALES et al., 2002; TEAL et al., 2006a), biomassa vegetal
(WALLBURG et al., 1982; KLEMAN e FAGERLUND, 1987; WANJURA e HATFIELD,
1987; CASANOVA et al., 1998; FELTON et al., 2002) e teor de N na folha (BLACKMER
et al., 1994; BRONSON et al., 2003) para estimar o requerimento de N em culturas.
A premissa do uso desses sensores na gestão da adubação nitrogenada é
fundamentada no fato de que a reflectância do dossel da cultura em determinados
comprimentos de onda do espectro eletromagnético varia em função da concentração
de clorofila no tecido foliar, a qual está fortemente correlacionada com o teor de
nitrogênio foliar (BLACKMER et al., 1996; TARPLEY et al., 2000).
13
As folhas verdes apresentam normalmente baixa reflectância e transmitância
na região do visível do espectro (400 -700 nm) devido à forte absorção por pigmentos
fotossintéticos (clorofila) (CHAPPELLE et al., 1992). As folhas absorvem
principalmente os comprimentos de onda azuis (~ 450 nm) e vermelhos (~ 660 nm) e
refletem principalmente os comprimentos de onda verdes (550 nm). Em contrapartida,
a reflectância e a transmitância são geralmente altas na região do infravermelho
próximo (NIR) do espectro (~ 700 - 1400 nm) porque há pouca absorção por partículas
e pigmentos subcelulares e também porque há uma dispersão considerável na
interface da parede celular mesofílica (GAUSMAN, 1974; GAUSMAN, 1977; SLATON
et al., 2001). A luz NIR é fortemente absorvida pelo solo do que pelas plantas, e
medidas de reflectância nesses comprimentos de onda fornecem informações sobre
a quantidade de folhas (biomassa) em relação à quantidade de solo descoberto.
Baseado neste contexto espectral, combinações de reflectância em diferentes
comprimentos de onda derivam formulações matemáticas chamadas de índices de
vegetação (IVs) que são usadas para estimar características biofísicas de culturas.
2.5 Índice de vegetação
Desde a década de 1960 pesquisadores têm usado sensoriamento remoto
baseado no estudo de IVs para modelar variáveis biofísicas da vegetação. IVs são
medidas adimensionais, radiométricas, que indicam abundância relativa e atividade
de vegetação verde, incluindo índice área foliar (IAF), cobertura verde, teor de
clorofila, biomassa verde e albedo da radiação fotossinteticamente ativa (APAR)
(Jensen, 2007).
IVs são desenvolvidos para (i) maximizar a sensibilidade aos parâmetros
biofisiológicos das plantas; (ii) normalizar ou modelar efeitos externos, como ângulo
do sol, ângulo de visão e atmosfera, para comparações espaciais e temporais
consistentes; (iii) normalizar efeitos internos, como variâncias de fundo de dossel,
incluindo topografia, variação de solo e diferenças em vegetação senil ou lenhosa; e
(iv) ser acoplado a algum parâmetro biofísico mensurável específico, como biomassa,
IAF ou APAR, como parte do esforço de validação e controle de qualidade (Running
et al 1994).
14
Inúmeros IVs foram desenvolvidos para vários propósitos, o mais conhecido é
o Índice de Vegetação por Diferença Normalizada (NDVI), que usa a proporção da
banda vermelho e infravermelho próximo para avaliar o vigor da vegetação (Rouse al.,
1974). Porém, estudos demonstraram que o NDVI apresenta limitação de saturação
das leituras quando o índice de área foliar (IAF) ultrapassa certo limite (ao redor de 2)
(GITELSON et al., 1996). Outros são mais adequados para ambientes de alto IAF
devido a não saturação da faixa do vermelho, incluindo Índice Vegetação de Clorofila
(CI) (Gitelson et al., 2003, 2005) e outros para avaliação de clorofila por plataformas
orbitais como o Índice Terrestre de Clorofila Meris (MTCI) (Dash e Curran, 2004).
Cada IV tem sua aplicação e limitação, mas todos têm a finalidade comum de
avaliação não destrutiva do dossel da cultura para o atributo de interesse.
2.6 Algoritmos e abordagens baseadas em SAD
A primeira abordagem para recomendação de N com base em sensor óptico
resultou de estudos usando medidores de clorofila (SCHEPERS et al., 1992;
BLACKMER e SCHEPERS, 1995), tendo pôr objetivo desenvolver uma técnica
baseada em plantas para detectar e corrigir deficiências de N durante a safra
utilizando um dispositivo de contato que faz leituras da absorção de clorofila usando
as bandas vermelha (660nm) e infravermelho próximo (940nm) (SPAD 502, Konica
Minolta Sensing Inc., Osaka, Japão). Esses valores apresentaram boas correlações
com vigor e biomassa, permitindo a inferência do status de N em culturas (VARVEL
et al., 1997; VIDAL et al., 1999).
Durante o início dos anos 2000, sensores proximais usando fonte de luz própria
foram desenvolvidos para mediar a refletância de luz em bandas específicas. As
leituras eram transformadas através de equações em índices de vegetação sensíveis
a determinadas características biofísicas da planta, especialmente status de N (RUAN
et al., 2001).
A combinação de SAD, sistemas de posicionamento global (GPS) e
computação tornou possível aos pesquisadores explorar diferentes metodologias de
gerenciamento de N para diversas culturas.
15
Schepers et al., (1992) desenvolveu uma abordagem de normalização dos dados
SPAD, chamada de índice de suficiência (IS), que consiste na divisão das leituras do
sensor pela média das leituras sensoriadas em uma faixa rica em N, sendo descrito
matematicamente como:
IS =IV𝑠𝑒𝑛𝑠𝑜𝑟𝑖𝑎𝑑𝑜
IV𝑟𝑒𝑓𝑒𝑟ê𝑛𝑐𝑖𝑎
onde, IS é o índice de suficiência (0 ≤ IS ≤ 1), IVsensoriado é o índice de vegetação
sensoriado em tempo real, e IVreferência é o índice de vegetação da faixa rica em N ou
área do talhão onde não há limitação de N. Essa abordagem foi base de muitos
trabalhos científicos investigando dados SPAD e SAD para estimar doses variáveis
de N em culturas.
Um segundo método de normalização foi desenvolvido, conhecido como índice
de resposta (IR), medindo a resposta produtiva da cultura em relação ao N adicionado
(RAUN et al., 2001). Essencialmente IS e IR são recíprocos um do outro. Este trabalho
resultou no desenvolvimento da abordagem INSEY, que assume que o NDVI dividido
por uma entrada climatológica específica do local determinada por graus dias
acumulativos (GDD) > 0 [GDD =(Tmín + Tmáx)/2– 4.4°C], onde Tmín e Tmáx
representam a temperatura mínima e máxima diária, estimando a taxa de crescimento
da cultura sendo esta linearmente relacionada com o rendimento (RAUN et al., 2002).
Na tentativa de determinar uma dose de N de alto potencial produtivo, Raun et
al., (2008) propuseram a faixa de calibração em rampa. Este método consiste em
aplicar taxas de N escalonadas em rampas e comparar com uma faixa rica em N
adjacente, de modo que um patamar de crescimento possa ser determinado pelo SAD
ou visualmente.
Entretanto, para a adoção, tanto da faixa rica em N quanto da faixa de
calibração em rampa, se faz necessário a seleção criteriosa da porção da lavoura
onde será implantada tal área de referência para que seja representativa ao restante
da lavoura (KITCHEN et al. (2010).
Relações entre taxa de N e IS foram descritas por modelos quadráticos e uma
função foi desenvolvida para descrever a quantidade de N para maximizar o
16
rendimento de grãos (VARVEL et al., 2007). Em resumo, os pesquisadores utilizaram
funções históricas de resposta ao rendimento para determinar a taxa de N que
maximizou o rendimento relativo de grãos e subtraiu a taxa de N pelo N estimado na
planta usando um medidor de clorofila, e a diferença foi a recomendação de N, sendo
descrita matematicamente como (R² = 0,70):
𝑆𝐼 = 0,8073 + 0,002(𝐷𝑜𝑠𝑒 𝑁) − 0,0000056(𝐷𝑜𝑠𝑒 𝑁)²
onde, IS é o índice de suficiência e Dose N é a dose de maior de maior rendimento
histórico.
Baseado na relação linear entre SAD e SPAD, Solari et al., (2008)
desenvolveram um algoritmo de recomendação de N baseado em SAD empregando
a mesma equação quadrática determinada por Varvel et al., (2007), sendo descrita
matematicamente como:
𝑁 𝑟𝑒𝑐𝑜𝑚𝑒𝑛𝑑𝑎𝑑𝑜 = 317√0,97 − 𝐼𝑆
onde, N recomendado é taxa a ser aplicada e IS é o índice de suficiência.
Mesmo quando baseado em dados do medidor de clorofila, o algoritmo
desenvolvido forneceu estimativas razoáveis de recomendação de N para maximizar
rendimentos (SOLARI et al., 2010; ROBERTS, 2009; ROBERTS et al., 2010). Apesar
de simples e de fornecer recomendações razoáveis de N, o algoritmo não tinha
flexibilidade com base no estágio de crescimento da cultura e no crédito de aplicações
anteriores de N.
Outro método de Holland (2009) utilizou uma abordagem estatística para
simplificar a maneira como um valor de referência foi determinado. Este método,
denominado "referência virtual", atribui o valor do percentil 95 acumulativo de um
histograma de medições de IV coletadas em uma área representativa de um campo
de cultivo que recebeu uma aplicação modesta de pré-plantio ou cobertura do
fertilizante N como referência. Esta abordagem foi validada por Holland e Schepers
(2013) em conjunto com o algoritmo de IS proposto por Schepers et al., (1992).
17
Holland e Schepers (2010) derivaram um algoritmo de aplicação de N em taxa
variável baseado em SAD que permite que o usuário insira parâmetros que podem
alterar a recomendação de N. Por exemplo, dada a taxa de N que deve maximizar o
rendimento para o local específico e experiências anteriores do produtor e se a
resposta de N e o limite de leitura do sensor estiverem abaixo de algum IS específico,
o N recomendado será reduzido. Em geral, o algoritmo oferece flexibilidade, já que
não embutiu uma taxa N que maximiza o rendimento, por outro lado, oferece mais
fontes de erro humano se as entradas não forem selecionadas corretamente pelo
usuário, sendo descrito matematicamente como:
𝑁 𝑟𝑒𝑐 = (𝑁𝑜𝑝𝑡 − 𝑁𝑝𝑟𝑒 − 𝑁𝑐𝑟𝑑 + 𝑁𝑐𝑜𝑚𝑝)√(1 − 𝐼𝑆)
∆𝐼𝑆(1 + 0.1𝑒𝑚(𝐼𝑆𝑡𝑟𝑒𝑠ℎ𝑜𝑙𝑑−𝐼𝑆))
onde, N rec é a taxa de N que deve ser aplicada em kg ha-1; Nopt é a taxa de nitrogênio
ótima econômica (EONR) ou a taxa máxima de N prescrita pelos produtores; Npre é
a taxa de N aplicada antes do sensoriamento; Ncrd é o crédito N para da safra anterior;
Ncomp é o N em excesso de Nopt exigido pela cultura em condições limitantes do
solo em um dado estágio de crescimento; SI é o índice de suficiência; m é a variável
da taxa de recuo (0 <m<100); e o SItreshold é o ponto de corte de retorno.
No Brasil, estudos pioneiros avaliaram o potencial de SAD em estimar a
resposta a doses de N, em comparação a outras formas disponíveis para realizar tal
estimativa (medidor de clorofila e análise laboratorial do teor de N foliar). Exemplos
desses trabalhos são os de Povh et al., (2008) e Grohs et al., (2009) em trigo;
Motomiya et al., (2009) em algodão; INAMASU et al., 2006; Molin et al., (2010); Amaral
e Molin (2011) e Portz et al (2011) em cana-de-açúcar.
Shiratsuchi et al., (2011, 2014) ajustou um algoritmo para milho cultivado na
região do Cerrado baseado em SAD utilizando a abordagem de IS desenvolvida por
Schepers et al., (1992).
Os modelos de aplicação de N desenvolvidos, comumente chamados de
algoritmos, variam em complexidade com base nos fatores incluídos para realizar a
recomendação, conforme mencionado anteriormente. No entanto, precisam atender
18
ao requisito básico de fazer uma avaliação rápida do status de N da cultura e derivar
uma recomendação de N durante a safra com base nessa avaliação.
19
3. Referências ABRAPA: Associação Brasileira de Produtores de Algodão. Área, produção e produtividade do Brasil. Brasília. 2012. Disponível em: <http://www.abrapa.com.br/Paginas/dados/area-algodao-brasil_backup2017.aspx>. Acesso em: 03 agosto 2017. ADAMCHUK, V. I.; VISCARRA, R. A. R.; SUDDUTH, K. A.; SCHULZE, P. L. Sensor fusion for precision agriculture. In: Thomas, C., editor. Sensor Fusion-Foundation and applications. Croatia: In_tech. p. 27-40, 2011. AMARAL, L. R.; MOLIN, J. P. Sensor óptico no auxílio à recomendação de adubação nitrogenada em cana-de-açucar. Pesquisa Agropecuária Brasileira, Brasília, v. 16, n. 1, p. 1633-1642, 2011. ANSELMO, J.L.; JUNIOR, E. F.; LEONEL, T. Z.; HOLANDA, H. V. de.; MAGALHÃES, H. J. S. Sistemas de Produção da Cultura do Algodoeiro. In: ANSELMO, J. L. (Coord.). Algodão, milho safrinha e culturas de inverno 2010/2011. Chapadão do Sul: Fundação Chapadão, 2011. p. 23-32. (Pesquisa, tecnologia, produtividade). BELTRÃO, N. E. de M. Algodão brasileiro em relação ao mundo: Situação e perspectivas. In: Beltrão, N. E. de M. (ed) O agronegócio do algodão no Brasil. Brasília: Embrapa Comunicação para Transferência de Tecnologia, 1999, v.1, p.15-27. BLACKMER, T. M.; SCHEPERS, J. S; VARVEL, G. E. Light reflectance compared with other nitrogen stress measurements in corn leaves. Agronomy Journal, 86 (6): 934-938, 1994. BLACKMER, T. M.; SCHEPERS, J. S; VARVEL, G. E.; WALTER-SHEA, E. A. Nitrogen deficiency detection using reflected shortwave radiation from irrigated corn canopies. Agronomy Journal, Madison, v. 88. p. 1-5, 1996. CARVALHO, L. H. SILVA, N. M. KONDO, J. I. CHIAVEGATO E. J. ALMEIDA, W. P. CARVALHO, H. R. Comportamento de cultivares de algodoeiro em diferentes níveis de adubação nitrogenada em plantio adensado na presença de nematóides. In: CONGRESSO BRASILEIRO DO ALGODÃO, 7., 2009, Foz do Iguaçu. Sustentabilidade da cotonicultura Brasileira e Expansão dos Mercados: Anais... Campina grande: Embrapa Algodão, 2009. p. 2111-2116. CARVALHO, M.C.S.; FERREIRA, G.B. Calagem e adubação do algodoeiro no Cerrado. Campina Grande: Embrapa Algodão, 2006. 16p. (Embrapa Algodão. Circular Técnica, 92). CASSMAN, K. G.; DOBERMANN, A.; WALTERS, D. T. Agroecosystems, nitrogen-use efficiency, and nitrogen management. AMBIO 31:132-140, 2002.
CHAPELLE, E.W.; KIM, M. S.; J. E. McMURTREY, J. E. Ratio analysis of reflectance spectra (RARS). An algorithm for the remote estimation of the concentrations of
20
chlorophyll-a, chlorophyll-b, and carotenoids in soybeans leaves. Remote Sensing of Environment, 39 (3):239-247, 1992.
CLAY, D. R.; KIM, K.; CHANG, J.; CLAY, S. A.; DALSTED, K. Characterizing water and nitrogen stress in corn using remote sensing. Agronomy Journal. 98; 579-587, 2006.
CONAB - COMPANHIA NACIONAL DE ABASTECIMENTO. Acompanhamento da safra brasileira de grãos.v.12 safra 2017/18 – Décimo segundo levantamento, Brasília, p. 1.148, setembro 2018.
DASH, J.; CURRAN, P.J. The MERIS terrestrial chlorophyll index. International Journal of Remote Sensing, 25: 5403-5413. 2004.
DELLINGER, A.E., SCHMIDT, J.P., BEEGLE, D.B. Developing Nitrogen Fertilizer Recommendations for Corn Using an Active Sensor. Agronomy Journal. 100: 1546-1552, 2008
EIGENBERG, R. A.; NIENABER, J. A.; WOODBURRY, B. L; FERGUSON, R. B. Soil conductivity as measure of soil and crop status - a four year summary. Soil Science Society of America Journal. 70: 1600-1611, 2006.
FAGERIA, N. K.; BALIGAR, V. C. Enhancing nitrogen use efficiency in crop plants, Advances in Agronomy. Vol. 88. 97-185, 2005.
FERGUSON, R. B.; HERGERT, G. W.; SCHEPERS, J. S.; GOTWAY, C. A.; CAHOON, J. E. PETERSON, T. A. Site-specific nitrogen management of irrigated maize: Yield and soil residual nitrate effects. Soil Science Society of America Journal 66, 544-553, 2002. FOX, R. H; WALTHALL, C. L. Crop Monitoring Technologies to Assess Nitrogen Status. Nitrogen in Agricultural Systems. J. S. SCHEPERS, J. S.;RAUN, W. R. Madison, WI, ASA-CSSA-SSSA. 49. 2008.
FREEMAN, K.W.; GIRMA, K.; TEAL, R. K.; ARNALL, D. B.; TUBANA, B.; HOLTZ, S.; MOSALI, J.; RAUN, W. R. By-Plant Prediction of Corn Forage Biomass and Nitrogen Uptake at Various Growth Stages Using Remote Sensing and Plant Height. Agronomy Journal. 99: 530-536, 2007.
FRIDGEN, J. L.; VARCO, J. J. Dependency of cotton leaf nitrogen, chlorophyll, and reflectance on nitrogen and potassium availability. Agronomy Journal, 96, 6369, 2004.
GAUSMAN, H. W. Leaf reflectance of near-infrared, Photogrammetic Engineering & Remote Sensing, 40 (2): 183-191, 1974.
GAUSMAN, H. W. Reflectance of leaf components. Remote Sensing of Environment, 6 (1): 1-9, 1977.
21
GITELSON, A. A.; VINA, A.; ARKEBAUER, T. J.; RUNDQUIST, D. C.; KEYDAN, G.; LEAVITT, B. Remote estimation of leaf area index and green leaf biomass in maize canopies. Geophysical Research Letters. 2003. 30(5):1248 doi:10.1029/2002Gl016450.
GITELSON, A.A.; VINA, A.; CIGANDA, V.; RUNDQUIST, D. C.; ARKEBAUER, T. J. Remote estimation of canopy chlorophyll content in crops. Geophysical Research Letters. 32: 4-7. 2005.
GROHS, D. S.; BREDEMEIER, C.; MUNDSTOCK, C. M; POLETTO, N. Modelo para estimative do potencial produtivo em trigo e cevada por meio do sensor GreenSeeker. Engenharia Agrícola, Jaboticabal, v. 29, n. 1, p. 101-112, 2009.
HEEGE, H. J.; REUSCH, S. THIESSEN, E. Prospects and results for optical systems for site-specific on-the-go control of nitrogen-top-dressing in Germany. Agronomy Journal. 9:115-131, 2008.
HEINIGER, R. W.; McBRIDE, R. G.; CLAY, D. E. Using Electrical Conductivity to Improve Nitrogen Management. Agronomy Journal. 95, 508-519, 2003. HOLLAND, K. H. Sensor-based chemical management for agricultural landscapes. U.S. Patent #7,723,660. Issue May 25, 2009. HOLLAND, K. H.; SCHEPPERS, J. S. Use of a virtual reference concept to interpret active crop canopy sensor data. Precision Agriculture, v. 14, p. 71-85, 2013. HOLLAND, K. H; SCHEPERS, J. S. Derivation of a variable rate nitrogen application model for in-season fertilization of corn. Agronomy Journal. 102; 1415-1424, 2010.
HONG, N.; WHITE, J. G; WEISZ, R.; CROZIER, C. R.; GUMPERTZ, M. L.; CASSEL, D. K. Remote Sensing-Informed Variable-Rate Nitrogen Management of Wheat and Corn. Agronomy Journal. 98, 327-338, 2006.
HOOGERHEIDE, H. C..; FRANCISCO, E. Manejo de nutrientes para o algodoeiro de alta produtividade. Informações Agronômicas, nº 141, IPNI, Piracicaba, 5 p., 2013.
HURLEY, T. M.; MALZER, G. L.; KILIAN, B. Estimating site-specific nitrogen crop response functions: A conceptual framework and geostatistical model. Agronomy Journal. 96:1331-1343, 2004.
INAMASU, R. Y. SOUSA, R. V.; PORTO, A. J. V.; FORTES, C.; LUCHIARI, A.; SCHEPERS, J. S.; SHANAHAN, J. F.; FRANCIS, D. D. Acesso ao estado nutricional da cana-de-açuçar por meio de sensor ativo de reflectância. In: CONGRESSO BRASILEIRO DE AGRICULTURA DE PRECISÃO, 2., São Pedro. Anais… Piracicaba: ESALQ, 2006. 1 CD-ROM. JENSEN, J. R. Remote Sensing of environment: An earth resource perspective. Upper Saddle River. Prentice Hall. 592P. 2007.
22
KOCH, B.; KHOSLA, R., FRASIER, W. M.; WESTFALL, D. G.; INMAN, D. Economic feasibility of variable-rate nitrogen application utilizing site-specific management zones. Agronomy Journal. 96:1572-1580, 2004. KITCHEN, N. R.; SUDDUTH, K. A.; DRUMMOND, S. T. Is a nitrogen-rich reference needed for canopy sensor-based corn nitrogen applications?. In: INTERNATIONAL CONFERENCE ON PRECISION AGRICULTURE, 10., 2010, Denver. Proceedings…Monticelli: ISPA, 2010. 1 CD-ROM. LI, Y.; CHEN, D.; WALKER, C.N. & ANGUS, J.F. Estimating the nitrogen status of crops using a digital camera. Field Crops Residual., 118:221-227, 2010. MAMO, M.; MALZER, G. L.; MULLA, D. J.; HUGGINS, D. R.; STROCK, J.; Spatial and temporal variation in economically optimum nitrogen rate for corn. Agronomy Journal. 95:958-964, 2003. MEISINGER, J. J. Evaluating plant-available nitrogen in soil-crop systems. p. 391–416. In R. D. Hauck et al. (ed.) Nitrogen in crop production. ASA-CSSA-SSSA, Madison, WI. 1984. MEISINGER, J. J.; MAGDOFF, F. R.; SCHEPERS, J. S. Predicting N fertilizer needs for corn in humid regions: Underlying principles. p. 7–27. In B.R. Bock and K.R. Kelley (ed.) Predicting N fertilizer needs for corn in humid regions. Bull. Y-226. Tennessee Valley Authority, Muscle Shoals, AL. 1992. MEISINGER, J. J.; RANDALL, G. W. Estimating nitrogen budgets for soil-crop systems. p 85-124. In R.F Follett et al. (ed.) Managing nitrogen for groundwater quality and farm profitability. SSSA. Madison, WI. 1991. MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicação. 3. Ed. Voçosa: Editora UFV, 2005. 320 p. MOLIN, J. P.; FRASSON, F. R.; AMARAL, L. R.; POVH, F. P.; SALVI, J. V. Capacidade de um sensor ótico em quantificar a resposta da cana-de-açucar a doses de nitrogênio. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 14. N. 12, p. 1345-1349, 2010. MOTOMIYA, A. V. A.; MOLIN, J. P.; CHIAVEGATO, E. J. Utilização de sensor óptico ativo para detector deficiência foliar de nitrogênio em algodoeiro. Revista Brasileira de Engenharia Agrícola e Ambiental. Campina Grande, v. 13, p. 137-145, 2009. OVEJERO, R. F. L.; PEREIRA, A. T.; CHRISTOFFOLETI, P. J. Manejo de "soqueira" e "tiguera" de algodão tolerante ao glifosato através de herbicidas. IN: SENTELHAS, P. C. et al. FUNDAÇÃO MATO GROSSO: Boletim de pesquisa 2015/2016. Santa Cruz do Sul - RS. p. 252-263. Editora Gazeta. 2015. ISSN: 2446-8630.
23
PORTZ, G.; MOLIN, J. P.; JASPER, J. Active crop sensor to detect variability of nitrogen supply and biomass on sugarcane fields. Precision Agriculture, Dordrecht, v. 13, n. 1, p. 33-44, 2011. POVH, F. P.; MOLIN. J. P.; GIMENEZ, L. M.; PAULETTI, V.; MOLIN, R. SALVI, J. V. Comportamento do NDVI obtido por sensor ótico ativo em cereais. Pesquisa Agropecuária Brasileira, Brasília, v. 43, n. 8, p. 1075-1083, 2008. RAUN, W. R.; JOHNSON, G. V. Improving nitrogen use efficiency for cereal production. Agronomy Journal. 91:357-363, 1999. RAUN, W. R.; JOHNSON, G. V.; STONE, M. L.; SOLIE, J. B.; LUKINA, E. V.; THOMASON, W. E.; SCHEPERS, J. S. In-season prediction of potencial grain yield in winter wheat using canopy reflectance. Agronomy Journal. 93:131-128, 2001. RAUN, W.R.; SOLIE, J. B; JOHNSON, G. V.; STONE, M. L.; MULLEN, R. W. FREEMAN, K. W.; THOMASON, W. E.; LUKINA E. V... Improving nitrogen use efficiency in cereal grain production with optical sensing and variable rate application. Agronomy Journal. 94:815–820. 2002. doi:10.2134/agronj2002.8150
READ, J.J.; WHALEY, E.L.; TARPLEY, L.; REDDY, R. Evaluation of a hand-held radiometer for field determination of nitrogen status in cotton. American Society of Agronomy Special Publication Number 66. p. 177-195, 2003.
REDDY, K. R.; KOTI, S.; DAVIDONIS, G. H.; REDDY, V. R. Interactive effects of carbon dioxide and nitrogen nutrition on cotton growth, development, yield, and fiber quality. Agronomy Journal, v. 96, p. 1148-1157, 2004.
ROBERTS, D.F. An Integrated Crop- and Soil-Based Strategy for Variable-Rate Nitrogen Management in Corn. PhD Dissertation, University of Nebraska, Lincoln, 2009.
ROBERTS, D.F.; KITCHEN, N.R.; SCHARF, P.C.; SUDDUTH, K.A. Will Variable-Rate Nitrogen Fertilization Using Corn Canopy Reflectance Sensing Deliver Environmental Benefits? Agronomy Journal. 102: 85-90, 2010.
ROUSE, J. W.; HASS, R.W.; SCHELL, J. A.; DEERING, D. W.; HARLAN, J.C. Monitoring the vernal advancement of retrogradation of natural vegetation. Greenbelt, Md.: NASA Goddard Space Flight Center, 1974.
RUNNING, S. W.; JUSTICE, C. O.; SOLOMONSON, V.; HALL, D.; BARKER, J.; KAUFMANN, Y. J.; STRAHLER, A. H.; HUETE, A. R.; MULLER, J. P.; VANDERBILT, V.; WAN, Z. M.; TIELETT, P.; CARNEGGIE, D. Terrestrial remote sensing science and algorithms planned for EOS/MODIS. International Journal of Remote Sensing. 15:3587 -3620. 1994.
SCHARF, P. C.; KITCHEN, N. R.; SUDDUTH, K. A, DAVIS, J. G.; HUBBARD, V. C.; LORY, J. A. Field-scale variability in optimal nitrogen fertilizer rate for corn. Agronomy Journal. 97:452-461, 2005.
24
SCHEPERS, J. S.; FRANCIS, D. D.; VIGIL, M. F.; BELOW, F. E. Comparisons of corn leaf nitrogen concentration and chlorophyll meter readings. Community Soil Science Plant Anal. 23:2173-2187, 1992.
SCHEPERS, J. S.; RAUN, W. R. Nitrogen in agricultural systems. ASA, CSSA, e SSSA, Madison, WI, 2008.
SHAHANDEH, H.; WRIGHT, A. L.; HONS, F. M.; LASCANO, R. J. Spatial and temporal variation of soil nitrogen parameters related to soil texture and corn yield. Agronomy Journal. 97:772-782, 2005.
SHANAHAN, J. F.; KITCHEN, N. R.; RAUN, W. R.; SCHEPERS, J. S. Responsive in-season nitrogen management for cereals. Computers and Electronics in Agriculture 61(1): 51-62, 2008.
SHIRATSUCHI, L. S. Intregration of plant-based canopy sensors for site-specific nitrogen management. PhD Dissertation, University of Nebraska, Lincoln. 222p. 2011.
SHIRATSUCHI, L. S.; VILELA, M. F.; FERGUNSON, R. B.; SHANAHAN, J. F.; ADAMCHUK, V. I.; RESENDE, A. V.; HURTADO, S. C.; CORAZZA, E. J. Desenvolvimento de um algoritmo baseado em sensors ativos de dossel para a recomendação da adubação nitrogenada em taxas variáveis. In: INAMASU, R. Y.; NAIME, J. M.; RESENDE, A. V.; BASSOI, L. H.; BERNARDI, A. C. C. Agricultura de Precisão: um novo olhar: São Carlos: Embrapa Instrumentação, 2011. P. 184 -188.
SHIRATSUCHI, L. S.; VALE, W. G.; MALACARNE, T. J.; SCHUCK, C. M. SILVA, R. G.; JUNIOR, O. L. O. Algoritmos para aplicações de doses variáveis de nitrogênio em tempo real para produção de milho safra e safrinha no Cerrado. In: BERNARDI, A. C. C.; NAIME, J. M.; RESENDE, A. V.; BASSOI, L. H.; INAMASU, R. Y. Agricultura de Precisão: um novo olhar: Brasília, DF: Embrapa, 2014. P. 226 -232.
SILVA, N. M. da. Nutrição mineral e adubação do algodoeiro no Brasil. In: CIA, E.; FREIRE, E. C.; SANTOS, W. J. dos. Cultura do algodoeiro. Piracicaba: 1999. p.57-92.
SINGH, I.; SRIVASTAVA, I.A.; CHANDNA, P. & GUPTA, R. Crop sensors for efficient nitrogen management in sugarcane: Potential and constraints. Sugar Technol., 8:299-302, 2006.
SLATON, M.R.; HUNT, E. R; SMITH, W. K. Estimating near-infrared leaf reflectance from leaf structural characteristics. American Journal of Botany, 88 (2):278-284, 2001.
SOLARI, F. Developing a crop based strategy for on the go N management in irrigated cornfields. Graduate College at the University of Nebraska, Lincoln. Thesis (PhD), 157 p. 2006.
25
SOLARI, F.; SHANAHAN, J.F.; FERGUSON, R.B.; ADAMCHUK, V. I. An Active Sensor Algorithm for Corn Nitrogen Recommendations Based on a Chlorophyll Meter Algorithm. Agronomy Journal, 102, 1090-1098, 2010.
SOLARI, F.; SHANAHAN, J.F.; FERGUSON, R.B.; SCHEPERS, J.S.; GITELSON, A. Active sensor reflectance measurements of corn nitrogen status and yield potential. Agronomy Journal. 100(3):571-579, 2008.
STANFORD, G.; LEGG, J. O. Nitrogen and yield potential. In: R.D. Hauck (ed) Nitrogen in crop production. ASA, CSSA, and SSSA, Madison, WI. p 263-272. 1984.
TAKIZAWA, E. K.; GUERRA, J. Tecnologia de manejo do algodão no Cerrados. In: SEMINÁRIO ESTADUAL DO ALGODÃO, 4.; ENCONTRO ALGODÃO MATO GROSSO 2000, 1., 1998, Cuiabá. Anais... Rondonópolis: Fundação MT, 1998. p. 61-66.
TARPLEY, L.; REDDY, K. R.; SASSENRATH-COLE, G. F. Reflectance indices with precision and acurracy in prediction cotton leaf nitrogen concentration. Crop Science, Madison, v. 1. n. 40, p. 1814-1819, 2000.
TEAL, R. K.; TUBANA, B.; GIRMA, K.; FREEMAN, K. W.; ARNALL, D. B.; WALSH, O.; RAUN, W. R. In-Season Prediction of Corn Grain Yield Potential Using Normalized Difference Vegetation Index. Agronomy Journal. 98: 1488-1494, 2006.
THOMPSON, W. R. Fertilization of cotton for yields and quality. In: CIA, E.; FREIRE, E. C.; SANTOS, W. J. dos (Ed). Cultura do algodoeiro. Piracicaba: POTAFOS, 1999. p. 93-99.
TUBANA, B.S.; ARNALL D. B.; WALSH, O.; CHUNG, B.; SOLIE, J. B.; GIRMA, K.; RAUN, W. R. Adjusting Midseason Nitrogen Rate Using a Sensor-Based Optimization Algorithm to Increase Use Efficiency in Corn. Journal of Plant Nutrition 31: 1393-1419, 2008.
VARVEL, G.E.; WILHELM, W.W.; SHANAHAN, J.F.; SCHEPERS, J.S. An Algorithm for Corn Nitrogen Recommendations Using a Chlorophyll Meter Based Sufficiency Index. Agronomy Journal,99, 701-706, 2007.
VIDAL, I.; LONGERI, L.; HÉTIER, J. M. Nitrogen uptake and chlorophyll meter measurements in spring wheat. Nutrient cycling in agroecosystems, 55(1), 1-6. 1999.
WENDEL, J. F.; BRUBAKER, C. L.; SEELANAN, T. The origin and evolution of Gossypium. In: Physiology of Cotton, edited by James McD. Stewart, Derrick M. Oosterhuis, James J. Heitholt and Jackson R. Mauney, Springer, 2010. pp. 1-18.
ZANCANARO, L.; KAPPES. C.; Sistemas de cultivo do algodoeiro. IN: BELOT, J. L. (2º Ed.) Manual de boas práticas de manejo do algodoeiro em Mato Grosso: Safra 2014/15. IMAmt - Instituto Mato-grossense do Algodão. Cuiabá-MT. 2015. 3: p. 46-83.
26
ZHAO, D.; REDDY, K.R.; KAKANI, V.G.; READ, J.J.; KOTI, S. Canopy reflectance in cotton for growth assessment and lint yield prediction. European Journal of Agronomy, 26, 335344, 2007.
ZHAO, D.; REDDY, K.R.; KAKANI, V.G.; READ, J.J.; KOTI, S. Selection of optimum reflectance ratios for estimating leaf nitrogen and chlorophyll concentrations of field grown cotton. Agronomy Journal, 97, 8998, 2005.
27
CAPÍTULO 2. Considerações específicas
SENSOR ATIVO DE DOSSEL NA GESTÃO DA ADUBAÇÃO NITROGENADA EM ALGODOEIRO NO ESTADO DE MATO GROSSO
RESUMO - Sensores ativos de dossel possibilitam aplicação de nitrogênio (N) em taxa variável utilizando a cultura como bioindicador de vigor e status de N. Metodologias práticas baseadas em sensores ativos de dossel para determinação da demanda de adubação nitrogenada em sistemas de produção de algodão no Mato Grosso são essenciais. Este trabalho teve por objetivo investigar o potencial de dois índices de vegetação em identificar a variabilidade do requerimento de N para algodoeiro e desenvolver curvas de recomendação de N em taxa variável para áreas comerciais e parcelas experimentais, utilizando a metodologia de suficiência de N baseada em referência virtual. O experimento foi conduzido em faixas com diferentes doses de N (0, 45, 90 e 180 kg ha-1) durante as safras 2014, 2015, 2016 e 2017 em produtores parceiros e área experimental da Embrapa em Sinop – MT, no qual foram realizadas leituras semanais durante o decurso da cultura. Observou-se que o índice de vegetação de clorofila baseado na banda Red Edge (CIRE) apresenta-se mais responsivo para diferenciar doses de N para algodoeiro, sendo utilizado para a geração das formulações propostas. Foram desenvolvidas duas curvas de recomendação de N, sendo uma para produção comercial (R² = 0,97) e outra para área experimental (R² = 0,94). A curva gerada em parcelas experimentais superestimou a dose quando aplicada em lavouras comerciais. O presente trabalho utiliza uma abordagem de fácil adoção prática, que permite o produtor desenvolver sua própria curva de recomendação de N para suas condições específicas, considerando a variabilidade espacial de sua propriedade. Palavras-chave: agricultura de precisão, índice de vegetação, sensoriamento remoto proximal
28
ACTIVE CANOPY SENSOR ON THE MANAGEMENT OF NITROGEN FERTILIZATION IN COTTON IN STATE OF MATO GROSSO
ABSTRACT - Active canopy sensors make possible the application of nitrogen
(N) in variable rate using the crop as a bioindicator of vigor and status of N. Practical
methodologies based on active canopy sensors to determine nitrogen fertilizer
demand in cotton production systems in Mato Grosso are essential. The objective
of this study was to investigate the potential of two vegetation indices in identifying
the variability of N requirement for cotton and to develop N recommendation curves
of variable rate application for commercial areas and experimental plots, using the
N sufficiency methodology based on virtual reference. The experiment was
conducted in field strips with different N rates (0, 45, 90 and 180 kg ha-1) during the
2014, 2015, 2016 and 2017 seasons in partner producers and experimental area
of Embrapa in Sinop – MT, in which weekly readings were taken during the growth
of the culture. It was observed that the chlorophyll vegetation index based on the
Red Edge band (CIRE) is more responsive to differentiate N rates for cotton, being
used to generate the proposed formulations. Two N recommendation curves were
developed, one for commercial production (R² = 0.97) and the other for
experimental area (R² = 0.94). The curve developed in experimental plots
overestimated the N rate when applied in commercial areas. This work uses an
approach of easy practical adoption, which allows the producer to develop his own
N response curves for his specific condition considering the spatial variability of his
farm.
keywords: precision agriculture, vegetation index, proximal remote sensing
29
1. Introdução
A gestão da adubação nitrogenada é um desafio para as diferentes culturas
agrícolas, por se tratar de um elemento com dinâmica complexa no solo, sujeito a
diversos mecanismos de perdas (desnitrificação, volatilização, escoamento
superficial, lixiviação, etc.) e potencial causador de impactos ambientais. Tal
comportamento faz com que a eficiência do uso de nitrogênio (EUN), para a maioria
das culturas, seja inferior a 60% (CANTARELLA, 2007). As práticas atuais de
gerenciamento de nitrogênio para sistemas de produção de algodão geralmente
incluem quantidades significativas de N aplicadas em taxas uniformes, onde na
maioria das vezes, são aplicadas em estádios fenológicos antecipados em prol de um
maior rendimento operacional, contribuindo para uma menor EUN pela planta.
A adubação nitrogenada no algodoeiro deve ser realizada de forma criteriosa,
sendo responsável pelo desenvolvimento adequado e a eficiência produtiva da
cultura, e, consequentemente, relacionado ao potencial econômico do processo. Os
custos com fertilizantes correspondem a cerca de 22% do custo total de produção de
algodão (ANSELMO et al., 2011).
Técnicas de agricultura de precisão tem sido tem sido exploradas visando
aumentar a eficiência do uso de insumos em sistemas agrícolas, levando em
consideração o gerenciamento localizado a partir do uso de sensores que registram
informações da cultura em alta resolução espacial, permitindo assim, a detecção de
zonas dentro do talhão. Dentre elas, técnicas que utilizam sensoriamento remoto
baseadas na resposta espectral dada por sensores ativos de dossel (SAD) têm
conseguido resultados promissores na avaliação do estado nutricional de culturas,
devido a facilidade de correlação com alguns nutrientes, especialmente o nitrogênio
(ZHAO et al., 2005, CLAY et al., 2006; HONG et al., 2006, SINGH et al., 2006;
SHANAHAN et al., 2008, LI et al., 2010).
A premissa do uso desses sensores é fundamentada no fato de que
propriedades espectrais (reflectância e transmitância) do dossel da cultura são
afetadas pela disponibilidade de N, pois este elemento apresenta efeito direto no
desenvolvimento da cultura e no acúmulo de clorofila das folhas (BLACKMER et al.,
1996, TARPLEY et al., 2000).
30
A vantagem da utilização destes sensores deve-se à possibilidade de serem
embarcados a máquinas agrícolas capazes de realizar aplicação de N em taxas
variáveis e em tempo real, considerando a variabilidade espacial e temporal do
requerimento de N, evitando perdas e consequentemente, aumentando a lucratividade
(RESENDE et al., 2014).
Nos últimos anos, vários pesquisadores têm se dedicado ao estudo de bandas
e índices de vegetação (IVs) com alta sensibilidade para estimar o conteúdo de N nas
culturas, visando a geração de formulações para o gerenciamento da aplicação de N
em taxas variáveis. Os resultados demonstraram que o IV por diferença normalizada
(NDVI) apresenta limitação de saturação das leituras quando o índice de área foliar
(IAF) ultrapassa certo limite (ao redor de 2) (GITELSON et al. 1996a). Observa-se que
a banda do vermelho não é responsiva em altos valores de IAF em contraste com uma
alta resposta do infravermelho próximo, ocasionando insensibilidade do NDVI para
mudanças de teores de clorofila ou doses de N. Em estudos, Zarco-Tejada et al.,
(2005) e Gutierrez et al., (2012) constataram saturação do NDVI em altos valores de
biomassa e IAF no algodoeiro, indicando uma necessidade de IVs mais robustos para
a determinação do vigor e status de N na cultura.
Geralmente estes sensores têm sido utilizados comercialmente no Brasil com
algoritmos desenvolvidos em outros países como EUA e Europa, sendo necessário o
desenvolvimento e/ou calibração dessas formulações para as condições de cultivo do
algodoeiro no Cerrado brasileiro. A maioria das curvas de resposta de culturas ao N
ajustadas para o Brasil utilizam procedimentos de calibração laboratoriais que
demandam muito esforço ou são baseados em abordagens locais pouco
representativas, além de serem sensíveis às condições da cultura (variedade e
fenologia) que foram calibrados. Vários fatores podem afetar o vigor e a demanda de
N, como propriedades do sensor, diferenças genéticas entre cultivares, diferentes
estágios fenológicos, condições climáticas, adubações de base e práticas culturais
(SCHRODER et al., 2000; TREMBLAY, 2004), sendo necessário o estudo de
metodologias práticas que amenizem esses efeitos.
No Brasil, existe uma grande carência de metodologias práticas baseadas em
SAD para direcionar a aplicação de N em taxas variáveis em sistemas de produção
de algodão.
31
Baseado neste contexto, o presente trabalho apresentou os seguintes objetivos:
(i) investigar o potencial de dois índices de vegetação em identificar a variabilidade do
requerimento de N; (ii) utilizar e orientar o uso de uma abordagem de gestão da
adubação nitrogenada de cobertura em taxa variável utilizando sensor ativo de dossel;
(iii) desenvolver curvas de recomendação de N em taxa varável para algodoeiro; e (iv)
avaliar o desempenho da equação de recomendação de N gerada em parcelas
experimentais quando aplicada em dados coletados em áreas comerciais.
32
2. Material e Métodos
O experimento foi conduzido na safra 2014 em talhões comerciais de
produtores parceiros na região de Lucas do Rio Verde, Sinop, Campo Verde e
Sapezal, e nas safras 2015, 2016 e 2017 em área experimental da Embrapa
Agrossilvipastoril localizada no município de Sinop - MT (longitude 55º 35' 42" W e
latitude 11º 52' 30" S, WGG84).
2.1. Áreas de produtores
Na safra 2014, foram selecionados produtores que fossem representativos do
sistema de produção de algodão sequeiro no Mato Grosso para a implantação do
experimento. Nestas áreas adota-se sistema de plantio direto em sucessão,
utilizando-se a cultura da soja na primeira safra em sucessão com a cultura do algodão
na segunda safra.
De modo geral, o solo é classificado como Latossolo Vermelho-Amarelo
Distrófico, de textura predominante argilosa (SANTOS et al., 2013).
O clima das regiões, segundo a classificação de Köppen-Geiger, é do tipo Aw,
clima tropical, com estação chuvosa no verão e seca no inverno. Os dados diários de
precipitação e temperaturas máxima e mínima durante o período de condução dos
experimentos foram cedidos pela empresa Somar Meteorologia (Figura 1, Figura 2,
Figura 3 e Figura 4). A precipitação acumulada durante o período de desenvolvimento
do algodoeiro para os municípios Sapezal, Sinop, Lucas do Rio Verde e Campo Verde
foram 821,8 mm, 750,8 mm, 552,4 mm e 532,3 mm, respectivamente.
O experimento foi conduzido em sistema on farm research, onde cada parcela
constituiu-se de faixas longas com o comprimento do talhão pela largura da faixa do
aplicador de fertilizante da fazenda. Em todos produtores, a semeadura do algodoeiro
nas áreas de estudo ocorreu entre o período de 15 janeiro a 20 de fevereiro de 2014,
utilizando-se a variedade FM 975 WS em espaçamento 0,75 m, com adubação de
base de 500 kg ha-1 da fórmula 08-20-20. Foi realizada adubação potássica (140 kg
ha-1) em cobertura de maneira uniforme, parceladas em duas aplicações, utilizando
como fonte cloreto de potássio.
33
Figura 1. Condições climáticas durante o cultivo do algodoeiro em Lucas do Rio Verde na safra 2014.
Figura 2. Condições climáticas durante o cultivo do algodoeiro em Sinop na safra de 2014.
Semeadura
Colheita
Semeadura
Colheita
34
Figura 3. Condições climáticas durante o cultivo do algodoeiro em Campo Verde na safra 2014.
Figura 4. Condições climáticas durante o cultivo do algodoeiro em Sapezal na safra 2014.
Semeadura
Colheita
Semeadura
Colheita
35
Os tratamentos consistiram em quatro doses de N (0, 45, 90 e 180 kg ha-1)
replicadas 3 vezes e casualizadas em transecto, sendo aplicadas em cobertura e
parceladas em duas aplicações, entre 30 e 45 após a emergência das plantas (DAE),
utilizando como fonte o fertilizante ureia.
2.2. Área experimental da Embrapa
Nas safras 2015, 2016 e 2017, o experimento foi conduzido em área
experimental da Embrapa Agrossilvipastoril localizada no município de Sinop - MT
(longitude 55º 35' 42" W e latitude 11º 52' 30" S, WGS84), altitude média de 368 m,
sendo implantado em área com histórico de sucessão soja-milho nos últimos dois
anos anteriores a implantação do experimento.
O solo é classificado como Latossolo Vermelho-Amarelo Distrófico de textura
predominante argilosa (SANTOS et al., 2013). Realizou-se amostragem do solo na
área experimental para a determinação da fertilidade do solo (Tabela 1).
Tabela 1. Atributos químicos da área experimental da Embrapa Agrossilvipastoril.
Prof. pH P K Ca Mg SB CTC V% MOS
m ----mgdm-3---- ---------cmolc dm-3---------- % g kg-1
0,0–0,2 5,3 21,4 91,9 2,2 1,4 3,8 7,4 50,9 22,3 pH - CaCl2 0,01 M 2,5: 1 de solo; P e K - Mehlich 1; Ca e Mg - KCl 1M; MOS - Na2Cr2O7.2H2O + H2SO4
O clima da região, segundo a classificação de Köppen-Geiger, é do tipo Aw,
clima tropical, com estação chuvosa no verão e seca no inverno. Apresenta
temperatura e precipitação média anual de 24 ºC e 2000 mm ano-1, respectivamente.
Os dados diários de precipitação e temperaturas máxima e mínima durante o período
do experimento (Figura 5, Figura 6 e Figura 7), foram obtidos a partir de uma estação
meteorológica automática localizada no campo experimental da Embrapa
Agrossilvipastoril (11º 51' 42.6" S e 55º 36' 45.1" W). A precipitação acumulada
durante o período de desenvolvimento do algodoeiro para as safras 2015, 2016 e 2017
foram 1112,5 mm, 546,3 mm e 597,7 mm, respectivamente. As safras 2016 e 2017
apresentaram baixos volumes hídricos somados a longos períodos de estiagem
36
durante o estádio de frutificação e enchimento das maças, resultando em baixo
potencial produtivo para as safras.
O experimento foi conduzido em parcelas experimentais, onde cada parcela
constitui-se de faixas longas com seis fileiras de plantas, espaçadas a 0,90 m, com 60
m de comprimento (324 m2).
A semeadura foi realizada em 14 de janeiro de 2015, 20 de fevereiro de 2016 e
17 de fevereiro de 2017, utilizando-se as variedades BRS369RF, IMA 5675 BG2RF e
FM 940 GLT, respectivamente, em espaçamento de 0,9 m com adubação de base de
450 kg ha-1 da fórmula 08-20-20 em 2015, e 350 kg ha-1 da fórmula 04-30-16 para os
demais anos. Foi realizada adubação potássica (140 kg ha-1) em cobertura de maneira
uniforme, parceladas em duas aplicações, aos 30 e 45 DAE, utilizando como fonte
cloreto de potássio.
Figura 5. Condições climáticas durante o cultivo do algodoeiro em área experimental da Embrapa Agrossilvipastoril na safra 2015.
Semeadura
Colheita
37
Figura 6. Condições climáticas durante o cultivo do algodoeiro em área experimental da Embrapa Agrossilvipastoril na safra 2016.
Figura 7. Condições climáticas durante o cultivo do algodoeiro em área experimental da Embrapa Agrossilvipastoril na safra 2017.
Semeadura
Colheita
Semeadura
Colheita
38
Os tratamentos consistiram em quatro doses de N (0, 45, 90, 180 kg ha-1) e
quatro repetições casualizadas em transecto, totalizando 16 parcelas, sendo
aplicadas em cobertura e parceladas em duas aplicações, entre 30 e 45 DAE,
utilizando como fonte o fertilizante ureia. Os tratos fitossanitários durante o decurso
da cultura foram realizados conforme descrito por EMBRAPA (2001), de maneira
uniforme em todos os tratamentos para garantir o bom desenvolvimento das plantas.
2.3. Sensor ativo de dossel
Para a avaliação da reflectância do dossel utilizou-se o sensor CropCircle,
modelo ACS-430 (Holland Scientific, Lincoln, NE, EUA), o qual possui fonte de luz
própria, modulada, com frequência de emissão de 40.000 Hz, emitida a partir de um
único LED (light emitting diode). A reflectância do alvo é captada por três
fotodetectores, sendo um na região do espectro eletromagnético na banda do
vermelho (RED, 670 nm), um na região de transição entre a banda do vermelho e a
banda do infravermelho próximo (Red edge, 730 nm), e um na região da banda do
infravermelho próximo (NIR, 780 nm). O campo de visão é de 32 por 6 graus com
altura de trabalho recomendada entre 0,25 e 2,0 m em relação ao alvo,
correspondendo a uma faixa sensoriada de 0,5 e 1 m, respectivamente.
2.4. Índices de vegetação
Neste trabalho foram investigados o potencial de dois IVs em identificar a
variabilidade do requerimento de N para o algodoeiro: (i) índice de vegetação por
diferença normalizada (NDVI) (Eq. 2) desenvolvido por ROUSE et al., (1974), descrito
matematicamente como:
𝑁𝐷𝑉𝐼 = ρ𝑁𝐼𝑅−ρ𝑅𝐸𝐷
ρ𝑁𝐼𝑅+ρ𝑅𝐸𝐷 Eq. 2
onde, NDVI é o índice de vegetação por diferença normalizada (-1 ≤ NDVI ≤ 1), NIR é
a reflectância na banda do infravermelho próximo (780 nm) e RED é a reflectânica na
banda do vermelho (670 nm) e o (ii) índice de vegetação de clorofila usando a banda
39
Red Edge (CIRE) (Eq. 3) desenvolvido por Gitelson et al. (2003, 2005), descrito
matematicamente como:
𝐶𝐼𝑅𝐸 = [ρ𝑁𝐼𝑅
ρ𝑅𝑒𝑑𝐸𝑑𝑔𝑒− 1] Eq. 3
onde, CIRE é o índice de vegetação de clorofila usando a banda Red Edge (0 ≤ CIRE
≤ 2), NIR é a reflectância na banda do infravermelho próximo (780 nm) e Red Edge é
a reflectância na região de transição entre a banda do vermelho e a banda do
infravermelho próximo (730 nm). Os critérios de escolha dos IVs selecionados foram
guiados pelos estudos pioneiros de GITELSON et al. (1996b) mostrando as vantagens
do uso da banda red edge para uso em IVs. Atualmente, o NDVI é um dos IVs mais
empregados mundialmente para monitorar, analisar e mapear características
fisiológicas e biofísicas de culturas, porém vários autores têm relatado limitação no
uso do NDVI devido a saturação das leituras quando o IAF da cultura ultrapassa certo
limite (GITELSON, 2004).
2.5. Metodologias de recomendação de N
As curvas de recomendação de N desenvolvidas neste trabalho para talhões de
produtores e área experimental da Embrapa utilizam a metodologia desenvolvida e
validada por Schepers et al., (1992), chamada de índice de suficiência (IS).
Esta metodologia normaliza o índice de vegetação (IV) sensoriado por um IV
médio derivado de uma parcela de referência dentro do talhão (faixa rica em N) que é
considerada não limitante em termos de N. Define-se como parcela de referência ou
faixa rica em N um determinado local do talhão, onde recebeu toda quantidade de N
demandada pela cultura para seu pleno desenvolvimento, considerando este local
como condição de suficiência em N pela cultura.
Muitos estudos tem relatado que o IS é melhor que o valor de leitura absoluto
para avaliar o status de N em culturas, pois este conceito integra na leitura do sensor
os efeitos do clima, solo, híbridos, estrutura do dossel (estádios de desenvolvimento
40
e arquitetura da folha) e diferentes tipos culturas (PETERSON et al., 1993, HUSSAIN
et al., 2000, DEBAEKE et al., 2006, HOLLAND e SCHEPERS, 2010, ZHU et al. 2011).
O processo de normalização consiste na divisão das leituras do sensor pela
média das leituras na faixa rica em N, resultando em um quociente chamado de IS
(Eq. 1), sendo descrito matematicamente como:
IS =IV𝑠𝑒𝑛𝑠𝑜𝑟𝑖𝑎𝑑𝑜
IV𝑟𝑒𝑓𝑒𝑟ê𝑛𝑐𝑖𝑎 Eq. 1
onde, IS é o índice de suficiência (0 ≤ IS ≤ 1), IVsensoriado é o índice de vegetação
sensoriado em tempo real, e IVreferência é o índice de vegetação da faixa rica em N ou
área do talhão onde não há limitação de N.
Para a inferência da faixa rica em N utilizou-se a abordagem de referência virtual
desenvolvida por Holland e Schepers (2013), este conceito parte do pressuposto que
num histograma que freqüência de leituras de sensores em uma população de plantas
que não receberam aporte de N, o valor que representa o percentil 95 (valor
correspondente a 95% da frequência acumulada) é um valor de IV equivalente ao de
uma faixa rica montada à campo.
Os autores apontam que a abordagem de referência virtual se mostra mais
facilitada, em termos de adoção prática, pois dispensa a implantação de faixa rica em
N, onde na maioria das vezes, dependendo do local onde foi montada a faixa rica em
N não necessariamente será o local que maximiza a absorção de N pela cultura.
Esta abordagem tem a possibilidade de ser aplicada de duas maneiras
diferentes. A primeira, baseada em mapeamento prévio da variabilidade espacial do
talhão dada por sensores embarcados em autopropelidos ou motos, chamada de
"drive-first", onde posteriormente a coleta das informações será extraído o IV de
referência (valor percentil 95) através do histograma gerado. A outra, chamada de
"drive-and-apply", onde o sensor é embarcado em maquinário capaz de realizar
aplicação em taxa variável em tempo real, gerando e atualizando o histograma
continuamente a partir de leituras coletadas em tempo real enquanto a máquina se
desloca ao longo do talhão.
Em ambas as áreas de experimentais (produtores e área experimental da
Embrapa), os dados foram coletados em sistema "drive-first", sendo utilizado 50% das
41
leituras sensoriadas para a geração das curvas de recomendação de N e as outras
50% utilizou-se para o processo de validação da equação.
2.6. Avaliações
Foi considerado como área útil para as avaliações as duas fileiras centrais das
faixas, descartando-se como bordadura as demais fileiras laterais. As leituras de
reflectância foram realizadas semanalmente, iniciando aos 15 DAE em estádio
fenológico V2. O sensor foi operado de forma manual, sendo realizado o
caminhamento no sentido do plantio, em velocidade (0,75 m s-1) e altura (0,6 m do
dossel) constante, registrando os dados na frequência de 1 Hz.
Dados de produtividade foram obtidos por meio de colheita manual do algodão
em caroço, considerando como área útil 3 m lineares das duas fileiras centrais.
2.7. Análise estatística
Os dados foram submetidos a análise estatística descritiva e análise de
variância, ajustando-se modelos de regressão polinomial para as variáveis de efeito
significativo ao nível de 0,05 de probabilidade. Os procedimentos estatísticos foram
realizados utilizando-se o software R, versão 3.3.2 (R DEVELOPMENT CORE TEAM,
2011).
42
3. Resultados e Discussão
3.1. Índices de vegetação
As leituras médias de CIRE e NDVI coletadas semanalmente durante os quatro
anos de experimento (2014, 2015, 2016 e 2017) foram compiladas para avaliar o
comportamento dos IVs ao longo do crescimento do algodoeiro (Figura 8). Obteve-se
um aumento significativo dos valores após a primeira e segunda cobertura de N (entre
35 e 45 DAE), indicando absorção e metabolização de N pelas plantas, exceto para o
NDVI após a segunda cobertura que apresentou uma estabilização dos valores,
atingindo um ponto de saturação aos 52 DAE, no início do estádio de florescimento,
tornando-se insensível para diferenciar doses de N após essa data. Gutierrez et al.,
(2012) em estudo comparativo entre diferentes IVs obteve a saturação do NDVI em
altos valores de biomassa e IAF em estádio de florescimento da cultura. Segundo
Moreira (2001), o NDVI aumenta linearmente com o aumento do IAF e então assume
uma forma assintótica, a partir de onde o NDVI aumenta pouco com o incremento de
IAF.
Figura 8. Leituras médias de NDVI e CIRE coletadas semanalmente durante os quatro
anos de experimento (2014, 2015, 2016 e 2017).
43
Na Figura 9 são apresentados todos os dados sensoriados durante os quatro
anos de experimento organizados em ordem crescente, demostrando que ocorreu a
saturação assintótica do NDVI a partir do valor 0,8, corroborando com resultados
obtidos por Zarco-Tejada et al., (2005) e Gutierrez et al., (2012) para algodão cultivado
nos EUA e Gitelson (2004) para a cultura da soja, milho e trigo. Isso explica-se devido
a relação não-linear do NDVI com características biofísicas como IAF e biomassa,
saturando assintoticamente em condições de biomassa moderada a alta (IAF superior
a 2) (GITELSON et al., 1996a, MYNENI et al., 1997). O NDVI é composto pela
reflectância da região do vermelho (ρRED) e do infravermelho próximo (ρNIR) do
espectro eletromagnético, assim observa-se que a reflectância na região do vermelho
(ρRED) não é responsiva quando o IAF excede 2, enquanto que a reflectância do
infravermelho próximo (ρNIR) continua a responder significativamente às mudanças
na densidade de vegetação, de moderada a alta nas culturas (IAF de 2 a 6). No
entanto, essa maior sensibilidade do ρNIR tem pouco efeito sobre os valores de NDVI
uma vez que o ρNIR excede 30%, ocasionando insensibilidade do NDVI para
mudanças de teores de clorofila ou doses de N.
Figura 9. Saturação do NDVI ilustrada em leituras coletadas com sensor ativo de dossel durante os quatro anos de experimento (2014, 2015, 2016 e 2017).
O índice de vegetação de clorofila baseado na banda Red Edge (CIRE)
apresentou-se responsivo para diferenciar teores de clorofila ou doses de N ao longo
do desenvolvimento da cultura, pois não apresenta saturação das leituras em estádios
44
fenológicos avançados, que apresentam condições de alto IAF ou biomassa, sendo o
mais indicado para a avaliar o estado nutricional de N no algodão. Por essa razão, as
formulações propostas neste trabalho foram baseadas em índice de vegetação CIRE.
Em ambas as áreas experimentais, as curvas foram geradas considerando as
leituras do sensor coletadas em estádios fenológicos avançados para assegurar o
efeito das doses de N. Calculou-se o desvio padrão semanal dos valores de CIRE a
partir dos 38 DAE (Figura 10), observando-se um incremento significativo do desvios
após a primeira e segunda cobertura de N (entre 35 e 45 DAE), sendo utilizadas para
a geração das curvas as leituras que apresentaram os maiores desvios padrão, 107
DAE para produtores (Figura 10A) e 93 DAE para área experimental da Embrapa
(Figura 10B), considerando que o N aplicado foi absorvido e metabolizado pela
cultura.
Figura 10. Desvio padrão do CIRE durante o desenvolvimento do algodoeiro em áreas
de produtores em 2014 (A) e área experimental da Embrapa em 2015, 2016 e 2017
(B).
B
B
A
B
45
3.2. Curva de recomendação de N para produtores
Para a geração da curva de recomendação de N em talhões comerciais em
2014 foram utilizadas leituras coletadas com o sensor sobre diferentes condições de
manejo, altura de plantas, ataque de doenças, pressão de pragas, tipos de solo,
procurando o máximo de variabilidade de leituras em condições reais de produção de
algodão.
A partir do histograma de distribuição de frequência (Figura 11) gerado com os
valores de CIRE coletados em sistema "drive-first", extraiu-se o valor de 0,89
correspondente a 95% da frequência acumulada, sendo determinado via interpolação
linear.
Figura 11. Distribuição de frequência e frequência acumulada do índice de vegetação de clorofila usando a banda Red Edge (CIRE) sensoriado em lavouras comerciais de produtores parceiros em 2014.
O conceito de referência virtual foi proposto para contornar a necessidade de
produtores estabelecerem faixas ricas em N em seus talhões, tornando-se esta
abordagem mais facilitada em termos de adoção prática à campo. No entanto,
limitações e precauções associadas ao uso da detecção remota também se aplicam
à abordagem de referência virtual para interpretação dos dados, pois culturas que
crescem sob condições de estresse inerente do ambiente ou hídrico apresentam
efeitos sobre a reflectância do dossel, não refletindo o real status de N da cultura.
Além disso, a referência virtual de uma área onde outros fatores não estão
satisfatórios como por exemplo, falta de outros nutrientes, infestação de plantas
46
daninhas, fitotoxidez de defensivos, o valor correspondente à não deficiência de N
pode ser mascarada e dosagens podem ser superestimadas.
O valor de referência virtual extraído do histograma foi utilizado para a
normalização das leituras sensoriadas, assim transformando os valores em IS, agora
tratado como índice de suficiência de nitrogênio (ISN). Por exemplo: um valor
sensoriado de CIRE de 0,85 dividido por 0,89 (referência virtual) resulta num ISN de
0,95.
Para a parametrização da curva de recomendação de N foi utilizada a dose
que obteve o maior potencial produtivo média do algodão em produtores em 2014. A
Figura 12 mostra a correlação entre doses de N e produtividade para as diferentes
regiões de produtores. Os produtores localizados nos municípios de Lucas do Rio
Verde e Campo Verde apresentaram baixo potencial produtivo, isso explica-se devido
a semeadura tardia da cultura obtendo baixo volume hídrico a partir dos 60 após a
semeadura (Figura 1 e Figura 3), coincidindo com o período de frutificação e
enchimento das maças. Ajustou-se uma curva de resposta de produtividade média
baseada em doses de N, indicando que a maior produtividade média (221 @ ha-1)
ocorreu na maior dose 180 kg ha-1 (Figura 12).
Figura 12. Produtividade do algodão em caroço em resposta a doses de N em diferentes regiões de produtores parceiros em 2014.
150
170
190
210
230
250
0 50 100 150 200
Pro
dutivid
ade (
@ h
a-1
)
Dose de N (kg ha-1)
Sapezal Sinop Lucas do Rio Verde Campo Verde Média
47
Fazendo-se uma analogia com faixa rica em N extraiu-se o valor de índice de
vegetação médio sensoriado nas faixas de maior dose 180 kg ha-1, considerado estas
como faixas ricas em N. O valor obtido corresponde a 0,85 sendo 4,5 % menor que o
valor obtido utilizando o conceito de referência virtual, o que corrobora com Holland e
Schepers (2013) que encontraram valores de índice de vegetação derivados de uma
faixa rica em N menores que 5% quando comparados com valores obtidos utilizando
referência virtual, indicando que o valor que corresponde a 95% da frequência
acumulada resulta de plantas com condição de suficiência de N no talhão, mesmo
sem receberem o aporte do mesmo.
Baseado nas leituras do sensor transformadas em ISN e parametrizadas pela
dose que maximizou a produtividade do algodão foi gerada a curva de resposta de
suficiência de N da cultura (Figura 13). Interpreta-se esta curva de suficiência de N
como sendo o quanto de N a planta está suprida no momento da leitura do sensor em
relação a dose de maior potencial produtivo da cultura (180 kg ha-1).
Figura 13. Curva de suficiência de N baseado em referência virtual para algodão em sistema de produção comercial.
Fazendo a diferença da dose de N que maximizou a produtividade do algodão
(180 kg ha-1) com o teor de N estimado na planta pelo sensor, tem-se a curva de
recomendação de N para determinação da dose de N a ser aplicada em cobertura
(Figura 14), sendo um gráfico o inverso do outro. Em resumo, o ISN lido pelo sensor
prediz o status nutricional de N da cultura e por diferença pede o restante de N a ser
aplicado para atingir 180 kg ha-1.
48
Figura 14. Curva de recomendação de N baseado em referência virtual para algodão em sistema de produção comercial.
Os modelos matemáticos que apresentaram melhor ajuste para descrever a
correlação entre as varáveis avaliadas são apresentados na Tabela 2, todos
apresentaram efeito significativo a 5 % de probabilidade. O comportamento quadrático
que descreve a correlação entre dose de N e ISN corrobora com os resultados obtidos
por Varvel et al., (2007) e Shiratsuchi et al., (2014) para a cultura do milho em sistema
de produção comercial.
Tabela 2. Modelos matemáticos de correlação entre produtividade média e doses de N, e correlação entre suficiência de N e recomendação N em função do Índice de Suficiência de N (ISN).
Atributo Equação R²
Produtividade * Doses de N y = -0,0011x2 + 0,3986x + 143,78 0,99**
Suficiência de N * ISN y = 174,73x2 + 107,21x – 126,78 0,94**
Recomendação de N* ISN y = -174,73x2 – 107,21x + 306,78 0,94** R2 - coeficiente de determinação do modelo; ** - significativo ao nível de 0,05 de probabilidade;
Para a validação da curva de recomendação de N proposta para talhões
comerciais, aplicou-se a equação de recomendação de N na metade restante das
leituras sensoriadas normalizadas pelo valor de referência virtual e transformadas em
ISN. Em média, a curva de recomendação de N para talhões comerciais subestima a
dose em – 1,45 kg ha-1 (Figura 15).
49
Figura 15. Erro de validação da equação de recomendação de N para algodão em sistema de produção comercial.
Estudos futuros à nível de produtor serão necessários, buscando o máximo de
variabilidade de leituras em condições reais de produção de algodão para um maior
refinamento da curva de recomendação de N proposta. Porém, é importante ressaltar
que o procedimento proposto e de fácil adoção e pode ser desenvolvido em condições
especificas de variabilidade espacial e sistema de produção adotado pelo produtor.
3.3. Curva de recomendação de N para área experimental
Para a geração da curva recomendação de N em parcelas experimentais da
Embrapa Agrossilvipastoril foram consideradas as leituras coletadas durante os 3
anos de experimento.
A partir do histograma de distribuição de frequência (Figura 16) gerado com
os valores de CIRE coletados em sistema "drive-first", extraiu-se o valor de 0,70
correspondente a 95% da frequência acumulada, sendo determinado via interpolação
linear.
O valor de referência virtual extraído do histograma foi utilizado para a
normalização das leituras sensoriadas, assim transformando os valores em ISN.
Para a parametrização da curva de recomendação de N foi utilizada a dose que obteve
o maior potencial produtivo médio do algodão durante os 3 anos de experimento. A
Figura 17 mostra a correlação entre doses de N e produtividade para os diferentes
anos. As safras 2016 e 2017 apresentaram baixo potencial produtivo, isso explica-se
devido a semeadura tardia da cultura obtendo baixo volume hídrico somado a
50
períodos de estiagem registrados durante o estádio de frutificação e enchimento das
maças no algodoeiro (Figura 6 e Figura 7).
Figura 16. Distribuição de frequência e frequência acumulada do índice de vegetação de clorofila usando a banda Red Edge (CIRE) sensoriado em parcelas experimentais em 2015, 2016 e 2017.
Ajustou-se uma curva de resposta de produtividade média baseada em doses
de N, indicando que a dose de maior produtividade média (178 @ ha-1) ocorreu na
maior dose 180 kg ha-1 (Figura 17).
Figura 17. Produtividade do algodão em caroço em resposta a doses de N durante os 3 anos de experimento (2015, 2016, 2017) em parcelas experimentais da Embrapa Agrossilvipastoril.
80
110
140
170
200
230
260
0 50 100 150 200
Pro
dutivid
ade (
@ h
a-1
)
Dose de N (kg ha-1)
2015 2016 2017 Média
51
Novamente, fazendo-se uma analogia com faixa rica em N extraiu-se o valor
de índice de vegetação médio sensoriado nas faixas de maior dose 180 kg ha-1,
considerado estas como faixas ricas em N. O valor obtido corresponde a 0,68, sendo
2,8 % menor que o valor obtido utilizando o conceito de referência virtual, o que
corrobora com Holland e Schepers (2013) que encontraram valores de índice de
vegetação derivados de uma faixa rica em N menores que 5% quando comparados
com valores obtidos utilizando referência virtual, indicando que o valor que
corresponde a 95% da frequência acumulada resulta de plantas com condição de
suficiência de N no talhão, mesmo sem receberem o aporte do mesmo.
Baseado nas leituras do sensor transformadas em ISN e parametrizadas pela
dose que maximizou a produtividade do algodão foi gerada a curva de resposta de
suficiência de N da cultura (Figura 18). Interpreta-se esta curva de suficiência de N
como sendo o quanto de N a planta está suprida no momento da leitura do sensor em
relação a de maior potencial produtivo da cultura (180 kg ha-1).
Figura 18. Curva de suficiência de N baseado em referência virtual para algodão em parcelas experimentais da Embrapa Agrossilvipastoril.
Fazendo a diferença da dose de N que maximizou a produtividade do algodão
(180 kg ha-1) com o teor de N estimado na planta pelo sensor, tem-se a curva de
recomendação de N para determinação da dose de N a ser aplicada em cobertura
(Figura 19), sendo um gráfico o inverso do outro. Em resumo, o ISN lido pelo sensor
prediz o status nutricional de N da cultura e por diferença pede o restante de N a ser
aplicado para atingir 180 kg ha-1.
52
Figura 19. Curva de recomendação de N baseado em referência virtual para algodão em parcelas experimentais da Embrapa Agrossilvipastoril.
Os modelos matemáticos que apresentaram melhor ajuste para descrever a
correlação entre as variáveis avaliadas são apresentados na Tabela 3, todos
apresentaram efeito significativo a 5 % de probabilidade. O comportamento quadrático
que descreve a correlação entre dose de N e ISN para algodão em nível de parcelas
experimentais corrobora com os resultados obtidos neste estudo para algodão em
áreas comerciais e com Varvel et al. (2007) e Shiratsuchi et al. (2014) para a cultura
do milho em sistema de produção comercial.
Tabela 3. Modelos matemáticos de correlação entre produtividade média e doses de N, e correlação entre suficiência de N e recomendação N em função do Índice de Suficiência de N (ISN).
Atributo Equação R²
Produtividade * Doses de N y = -0,0024x2 + 0,7373x + 124,57 0,99**
Suficiência de N * ISN y = 234,79x2 - 49,879x - 15,151 0,97**
Recomendação de N* ISN y = -234,79x2 + 49,879x + 195,15 0,97** R2 - coeficiente de determinação do modelo; ** - significativo ao nível de 0,05 de probabilidade;
Deve-se ressaltar que uma das grandes vantagens desta abordagem é a
facilidade de adoção prática, pois sabe-se que não existe fórmula universal que
funcione para todas condições de cultivo, por isso é importante ter uma formulação
simples que possa ser traduzida e implementada pelos consultores ou produtores.
53
Para a validação da curva de recomendação de N proposta neste trabalho para
parcelas experimentais da Embrapa Agrossilvipastoril, aplicou-se a equação de
recomendação de N na metade restante das leituras sensoriadas normalizadas pelo
valor de referência virtual e transformadas em ISN. Em média, a curva de
recomendação de N para parcelas experimentais superestima a dose em 9,40 kg ha-
1 (Figura 20).
As curvas de resposta propostas neste trabalho são sensíveis ao potencial
produtivo almejado para a dose estabelecida de 180 kg ha-1, portanto para doses de
N maiores deve-se gerar novas formulações seguindo as mesmas metodologias deste
estudo.
É importante frisar que estas formulações calculam o N total a ser aplicado na
cultura, portanto se for utilizado N na base durante o plantio, esta dose deve ser
subtraída da dose total. Por exemplo: foram aplicados 30kgN ha-1 no plantio e a
equação pede a dose de 120 kgN ha-1 deve-se então ser aplicada uma dose de 90
kgN ha-1.
Figura 20. Erro de validação da equação de recomendação de N para algodão em parcelas experimentais da Embrapa Agrossilvipastoril.
3.1. Equação gerada em parcelas aplicada em dados de produtor
A maioria das abordagens comercias de aplicação de N em taxa variável
orientam a utilizar abordagens locais montadas normalmente em parcelas
experimentais, utilizando o valor médio sensoriado como valor de referência para
geração das formulações de recomendação N para lavouras comerciais. Visando
54
avaliar este desempenho, aplicou-se a equação de recomendação de N gerado em
parcelas experimentais nos dados sensoriados em talhões comerciais em 2014 para
estimar a dose de N a ser aplicada, superestimando em média 24,34 kg ha-1 (Figura
21).
Figura 21. Erro de validação da equação de recomendação de N para algodão em parcelas experimentais aplicado em dados sensoriados em lavouras comerciais.
A curva de recomendação de N gerada em parcelas experimentais superestima
a dose quando aplicada em dados coletados em lavouras comerciais, neste caso
podendo chegar até 91,61 kg ha-1.
Isso ocorre devido à baixa representatividade do local escolhido como
referência em relação a área comercial a ser aplicada, dada pela diferença de região,
clima, manejo, solo, variedade, pressão de pragas, doenças, entre outros.
55
4. Conclusões
1. O índice de vegetação de clorofila baseado na banda Red Edge (CIRE)
apresentou-se mais responsivo para diferenciar doses de N ao longo do
desenvolvimento do algodoeiro, sendo utilizado para a geração das curvas de
recomendação de N propostas.
2. A abordagem explorada neste trabalho se mostrou facilitada em termos de
adoção prática, o que permite o produtor gerar sua própria curva de
recomendação de N para suas condições de cultivo, dispensando a
necessidade em estabelecer faixas de referência de N, visto que sem um
conhecimento prévio da variabilidade do talhão, o local selecionado para
implantação da faixa de referência pode ser pouco representativo em relação
ao restante da área.
3. Foram desenvolvidas duas curvas de recomendação de N utilizando a
metodologia de suficiência de N baseada em referência virtual para algodoeiro,
sendo uma para produção comercial (R² = 0,97) e outra para área experimental
(R² = 0,94).
4. A equação gerada em parcelas experimentais quando aplicada em áreas
comerciais pode superestimar a dose de N a ser aplicada em até 91,61 kg ha-
1, ressaltando a importância em gerar formulações representativas às
condições de cultivo da fazenda.
56
5. Referências
ANSELMO, J. L.; HOLANDA, H. V.; KANEKO, F. H.; ALVES, L. A.; LOURENÇO, P. H. F. N.; LEAL, A. J. F.; RICIERI, A. D. Estimativa do custo de produção do algodão em caroço, na região dos chapadões - Safra 2010/11. In: CONGRESSO BRASILEIRO DO ALGODÃO, 8.; COTTON EXPO, 1., 2011, São Paulo. Evolução da cadeia para construção de um setor forte: Anais. Campina Grande, PB: Embrapa Algodão, 2011. p 1774 -1781. BLACKMER, T. M.; SCHEPERS. J. S.; VARVEL, G. E.; WALTER-SHEA, E. A. Nitrogen deficiency detection using reflected shortwave radiation from irrigated corn canopies. Agronomy Journal, Madison, v. 88, p. 1-5, 1996. CANTARELLA, H. Nitrogênio. In: NOVAIS, R. F.; ALVAREZ, V. H.; BARROS, N. F.; FONTES, R. L. F.; CANTARUTTI, R. B.; NEVES, J. C. L. (Ed). Fertilidade do solo. Viçosa: SBCS, 2007. p. 375-470. CLAY, D. R.; KIM, K.; CHANG, J.; CLAY, S. A.; DALSTED, K. Characterizing water and nitrogen stress in corn using remote sensing. Agronomy Journal. 98; 579-587, 2006. DEBAEKE, P.; ROUET, P.; JUSTES, E. Relationship between the normalized SPAD index and the nitrogen nutrition index: Application to durum wheat. Journal Plant nutrition. 29:75-92, 2006.
EMBRAPA – Empresa Brasileira de Pesquisa Agropecuária. Algodão: Tecnologia de produção. Dourados: Embrapa Agropecuária Oeste, 2001. 296p.
GITELSON, A. A. Wide Dynamic Range Vegetation Index for Remote Quantification of Crop Biophysical Characteristics. Journal of plant physiology, Vol. 161, 165-173. 2004.
GITELSON, A. A.; GRITZ, U.; MERZLYAK, M. N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for no-destructive chlorophyll assessment in higher plant leaves. Journal of plant physiology, 160, 271-282. 2003.
GITELSON, A. A.; KAUFMAN, Y.; MERZLYAK, M. N. Use of green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, v. 58, p. 289-298, 1996a. http://dx.doi.org/10.1016/S0034-4257(96)00072-7.
GITELSON, A. A.; MERZLVAK, M. N.; LICHTENTHALER, H. K. Detection of red edge position and chlorophyll content by reflectance measurements near 700 nm. Journal of Plant Physiology, 148(3-4), 501-508. 1996b.
57
GITELSON, A. A.; VINA, A.; CIGANDA, V.; RUNDQUIST, D. C.; ARKEBAUER, T.J. Remote estimation of canopy chlorophyll content in crops. Geophysical Research Letters. 32: 4-7. 2005.
GUTIERREZ, M.; NORTON, R.; THORP, K. R.; WANG, G. Association of spectral reflectance indices with plant growth and lint yield in upland cotton. Crop Science, 52(2), 849-857. 2012.
HOLLAND, K. H. Sensor-based chemical management for agricultural landscapes. U.S. Patent #7,723,660. Issue May 25, 2009. HOLLAND, K. H.; SCHEPPERS, J. S. Use of a virtual reference concept to interpret active crop canopy sensor data. Precision Agriculture, v. 14, p. 71-85, 2013. HOLLAND, K. H; SCHEPERS, J. S. Derivation of a variable rate nitrogen application model for in-season fertilization of corn. Agronomy Journal. 102; 1415-1424, 2010. HONG, N.; WHITE, J. G; WEISZ, R.; CROZIER, C. R.; GUMPERTZ, M. L.; CASSEL, D. K. Remote Sensing-Informed Variable-Rate Nitrogen Management of Wheat and Corn. Agronomy Journal. 98, 327-338. 2006. HUSSAIN, F.; BRONSON, K. F.; YADVINDER, S.; BIJAY, S.; PENG, S. Use of chlorophyll meter sufficiency indices for nitrogen management of irrigated rice in Asia. Agronomy Journal. 92:875-879, 2000. KITCHEN, N. R.; SUDDUTH, K. A.; DRUMMOND, S. T. Is a nitrogen-rich reference needed for canopy sensor-based corn nitrogen applications? In: INTERNATIONAL CONFERENCE ON PRECISION AGRICULTURE, 10., 2010, Denver. Proceedings... Monticello: ISPA, 2010. 1 CD-ROM. LI, Y.; CHEN, D.; WALKER, C.N. & ANGUS, J.F. Estimating the nitrogen status of crops using a digital camera. Field Crops Residual, 118:221-227, 2010. MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologia de aplicação. São Jose dos Campos: INPE, 2001. 250 p. MYNENI, R. B.; NEMANI, R. R.; RUNNING, S. W. Estimation of global leaf area index and absorbed PAR using radiative transfer models. IEEE Trans. Geosci. Remote Sensing. 33: 1380-1393. 1997. PETERSON, T.A.; BLACKMER, T. M.; FRANCIS, D. D.; SCHEPERS, J. S. Using a chlorophyll meter to improve N management. NebGuide G93-1171-A. University of Nebraska Ext., Lincoln, 1993. R DEVELOPMENT CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. 2011.
58
RAUN, W. R.; SOLIE, J. B.; MAY, J.; ZHANG, H.; KELLY, J.; TAYLOR, R. K.; ARNALL, D. B.; MONASTERIO, I. O. Nitrogen rich strips for wheat, corn and other crops. Publications E-1022. Stillwater: Oklahoma State University Extension. 2010. RAUN, W. R.; SOLIE, J. B.; TAYLOR, R. K.; ARNALL, D. B.; MACK, C. J.; EDMONDS, D. E. Ramp calibration strip technology for determining midseason nitrogen rates in corn and wheat. Agronomy Journal, Madison, v. 100, n. 4, p. 1088-1093, 2008. RESENDE, A. V.; HURTADO, S. M. C.; VILELA, M. F.; CORAZZA, E. J.; SHIRATSUCHI, L. S. Aplicações da agricultura de precisão em sistemas de produção de grãos no Brasil. In: BERNARDI, A. C. C.; NAIME, J. M.; RESENDE, A. V.; BASSOI, L. H.; INAMASU, R. Y. Agricultura de precisão: um novo olhar. Brasília, DF: Embrapa Instrumentação, 2014. p. 196-210. ROSOLEM, C. A. Problemas em nutrição mineral, calagem e adubação do algodoeiro. Informações Agronômicas, Piracicaba-SP, n. 95, 2001. 17 p. (Encarte Técnico). ROUSE, J. W.; HAAS, R. H.; SCHELL, J. A.; DEERING, D. W.; HARLAN, J. C. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation, Texas: Texas A&M University, 1974. (Type III final. NASA/GSFC). SANTOS, H. G.; JACOMINE, P. K. T.; ANJOS, L. H. C.; OLIVEIRA, V. A.; LUMBRERAS, J. F.; COELHO, M. R.; ALMEIDA, J. A.; CUNHA, T. J. F.; OLIVEIRA, J. B. Sistema brasileiro de classificação de solos. 3ª.ed. rev. Brasília, DF: Embrapa, 2013. SCHEPERS, J. S.; FRANCIS, D. D.; VIGIL, M.; BELOW, F. E. Camparison of corn leaf nitrogen concentration and chlorophyll meter readings. Communications in Soil Science and Plant Analysis. v. 23, n. 17-20, p. 2173-2187, 1992. SCHRODER, J. J.; NEETESON, J. J.; OENEMA, O.; STRUIK, P.C.; “Does the crop or the soil indicate how to save nitrogen in maize production?: Reviewing the state of the art,” Field Crops Research, vol. 66(2), pp.151–164, 2000. SHANAHAN, J. F.; KITCHEN, N. R.; RAUN, W. R.; SCHEPERS, J. S. Responsive in-season nitrogen management for cereals. Computers and Electronics in Agriculture 61(1): 51-62, 2008. SHIRATSUCHI, L. S.; VALE, W. G.; MALACARNE, T. J.; SCHUCK, C. M.; SILVA, R. G.; JUNIOR, O. L. O. Algoritmos para aplicações de doses de variáveis de nitrogênio em tempo real para produção de milho safra e safrinha no Cerrado. In: BERNARDI, A. C. C.; NAIME, J. M.; RESENDE, A. V.; BASSOI, L. H.; INAMASU, R. Y. Agricultura de precisão: um novo olhar. Brasília, DF: Embrapa Instrumentação, 2014. p. 226-232. SINGH, I.; SRIVASTAVA, I.A.; CHANDNA, P. & GUPTA, R. Crop sensors for efficient nitrogen management in sugarcane: Potential and constraints. Sugar Technology, 8:299-302, 2006.
59
TARPLEY, L.; REDDY, K. R.; SASSENRATH-COLE, G. F. Reflectance indices with precision and acurracy in prediction cotton leaf nitrogen concentration. Crop Science, Madison, v. 1. n. 40, p. 1814-1819, 2000. TREMBLAY, N. “Determining nitrogen requirements from crops characteristics. Benefits and challenges,” Recent Res. Devel. Agrononomy & Horticulture, vol. 1, pp. 157–182, 2004. VARVEL, G. E.; WILHELM, W. W.; SHANAHAN, J. F.; SCHEPERS, J. S. Nitrogen fertilizer applications for corn based on sufficiency index calculations. Agronomy Journal, 99, 701-706, 2007. ZARCO-TEJADA, P. S.; USTIN, S. L.; WHITING, M. L. Temporal and spatial relationships between within-field yield variability in cotton and high-spatial hyperspectral remote sensing imagery. Agronomy Journal, Madison, v. 97, p. 89-98, 2005. ZHAO, D. Selection of optimum reflectance ratios for estimating leaf nitrogen and chlorophyll concentrations of field-grown cotton. Agronomy Journal, Madison, v, 97, p. 89-98, 2005. ZHU, J.; TREMBLAY, N.; LIANG, Y. Corn Nitrogen Status Indicator Less Affected by Soil Water Content. Agronomy Journal. 103, 809, 2011