Upload
others
View
5
Download
0
Embed Size (px)
Citation preview
UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE ENGENHARIA AGRÍCOLA
ÍNDICES DE VEGETAÇÃO NA ESTIMATIVA DE
PARÂMETROS BIOMÉTRICOS DA CULTURA DA
CANA-DE-AÇÚCAR
Discente: Lucas Pedreschi Tittoto – RA: 156395
Orientador: Prof. Dr. Lucas Rios do Amaral
Coorientador: Murillo Grespan da Rocha (mestrando do PPG Engenharia Agrícola)
Campinas, SP
Agosto, 2016
1
ÍNDICES DE VEGETAÇÃO NA ESTIMATIVA DE PARÂMETROS
BIOMÉTRICOS DA CULTURA DA CANA-DE-AÇÚCAR
Resumo: Criada por uma demanda da agricultura por tornar a unidade de produção
agrícola mais eficiente e produtiva, a agricultura de precisão (AP) passou a envolver todo
tipo de estudo ou soluções que direta ou indiretamente tornavam possível o tratamento da
área produtiva com toda a sua variabilidade e fatores ocasionadores dela. Abrangendo
uma área específica da AP, este estudo, busca aprofundar as pesquisas em sensoriamento
proximal, por meio do uso de sensores de refletância, para detectar as potencialidades
deste como identificador de certos parâmetros da cultura da cana-de-açúcar e assim,
auxiliando a torná-lo uma ferramenta útil no dia-a-dia do produtor rural. Para tal, foi
acompanhado todo o período de crescimento da cana-de-açúcar em duas áreas comerciais
distintas, alocando parcelas de forma direcionada, compostas por três subparcelas, que
representaram um estágio de crescimento da cana cada, sendo eles 30, 40, 125 cm de
altura de colmo. Foram realizadas avaliações biométricas manuais e com um sensor de
dossel, tendo como objetivo final estabelecer possíveis relações entre os parâmetros da
planta e índices de vegetação (IVs). Este relatório apresenta as atividades de coleta dos
dados em todos os estágios de crescimento previstos e suas devidas análises e conclusões
finais.
Palavras chave: Agricultura de precisão, sensor de dossel, sensoriamento proximal.
1. INTRODUÇÃO
A agricultura de precisão (AP) é um sistema de gerenciamento agrícola baseado
na variação espacial de propriedades do solo e das plantas encontradas nas lavouras e visa
à otimização do lucro, sustentabilidade e proteção do ambiente (BRASIL, 2011). Trata-
se de um conjunto de tecnologias aplicadas para permitir um sistema de gerenciamento
que considere a variabilidade espacial da produção (BRASIL, 2011).
Atualmente, a investigação da variabilidade espacial dos cultivos é feita em sua
grande maioria a partir de amostragens, geralmente manuais e laboriosas, que acabam
impedindo o adequado retorno das práticas de agricultura de precisão (MOLIN et al.,
2015). Como alternativa, o sensoriamento remoto surge com grande potencial de
utilização, principalmente visando a adubação em taxa variável e em tempo real. Para
tanto, vem se estudando o uso de sensores óticos ativos terrestres, que se caracterizam
por utilizarem fonte de luz própria e serem aplicados na agricultura montados em veículos
(AMARAL, 2010). Segundo Moreira (2005), esses sensores são capazes de captar
espectros eletromagnéticos em faixas pré-determinadas por cada sensor, gerando dados
capazes de serem transformados em produtos passíveis de interpretação, quer seja na
forma de imagem, gráfico ou tabela.
Com a proposta de facilitar a interpretação dos dados gerados pelos sensores
óticos surgiram os índices de vegetação (IVs). O NDVI (Normalized Difference
Vegetation Index) proposto por Rouse et al. (1973), é hoje um dos índices mais estudados
tanto para a estimativa da nutrição por N (RAUN et al., 2002; SOLARI, 2006; EITEL et
al., 2008) como outras aplicações (SOLIE et al., 2002). Porém muitos estudos mostram
2
sua sensibilidade a condições externas que inviabilizam a identificação precisa de certos
causadores de variabilidade nas lavouras. Como exemplo está o estudo de Jensen (2009),
o qual identificou três aspectos negativos no NDVI coletado por plataformas orbitais,
sendo eles a influência de radiância de trajetória atmosférica (não importante no caso de
sensores terrestres), saturação em relação a altos valores de índice de área foliar (IAF) e
a sensibilidade a mudanças do substrato do dossel, como o solo. Os sensores de dossel,
além do NDVI, oferecem a possibilidade de calcular uma gama de outros índices que
podem apresentar resposta à alguma variável da planta que seja de interesse para o gestor
agrícola. Exemplo desses índices que em alguma situação apresentaram rendimento
superior ao NDVI são: NDRE (BARNES et al., 2000), CI (GITELSON et al., 2005),
MTCI (SHIRATSUCHI et al., 2010), SAVI (HUETE, A.R., 1988) e CCCI (LONG et al.,
2009).
Além disso, segundo Amaral (2014), é necessário ter em mente que, apesar de
todos os avanços recentes nas pesquisas com sensores de dossel, esses equipamentos
foram desenvolvidos para atuarem nas culturas de milho nos Estados Unidos, e trigo, na
Europa. Portanto, culturas tropicais como a cana-de-açúcar precisam de muitos estudos
para apontar a efetividade dessa tecnologia.
Atualmente pesquisas vêm desenvolvendo técnicas para mensurar alguma
característica de planta ou de solo para inferir sobre aspectos específicos de intervenção,
na medida do possível, em tempo real (sensoriamento proximal), AMARAL 2014,
CIGANDA et al. 2012, PORTZ et al. 2011, SOLIE et al. 2002. Ao focar-se na avaliação
de plantas, assume-se que estas têm como expressar suas deficiências a partir de
indicadores, sendo que o indicador com mais potencial, devido à sua facilidade de
medição, é a refletância da luz incidente (BRASIL, 2011). Hoje os métodos manuais de
mensuração das características da planta são caros e/ou onerosos, muitas vezes não
adotadas pelos produtores e dessa forma, busca-se uma alternativa através do uso de
sensoriamento proximal para tornar esse levantamento rápido e efetivo.
Logo, o objetivo dessa pesquisa foi inferir se o sensoriamento proximal, por meio
do uso de sensores de dossel e o cálculo de diferentes índices de vegetação, pode permitir
a estimativa de propriedades do dossel da cultura da cana-de-açúcar, auxiliando na
identificação da variabilidade existente nos canaviais.
2. MATERIAIS E MÉTODOS
2.1. Local e solos
O experimento foi conduzido em duas fazendas pertencentes ao Grupo Ipiranga
Agroindustrial em sua unidade de Descalvado-SP. Fazenda Boa Vista, nos talhões 16 e
17 onde havia ambientes de produção C e E (Figura 1) e nos talhões 9 e 10 da fazenda
Santa Luzia com ambientes A, D e E (Figura 2).
3
.
Figura 1. Imagem de satélite (Google Earth) dos talhões 16 e 17 da fazenda Boa Vista
com os ambientes C e E delimitados pela linha vermelha em diagonal.
Figura 2. Imagem de satélite (Google Earth) dos talhões 8, 9 e 10 da fazenda Santa Luzia
com os ambientes A, D e E delimitados pela linha vermelha em diagonal.
4
A variabilidade dos solos foi importante para obter variabilidade no
desenvolvimento das plantas ao longo da área e, assim, auxiliar nas análises de correlação
entre as variáveis medidas.
2.2. Características do cultivo
Além da variabilidade do solo, as áreas foram escolhidas por serem de cana-soca
(segundo corte), uma vez que áreas de cana-planta poderiam apresentar muita
homogeneidade no vigor de plantas, o que não seria interessante para a presente pesquisa,
ou muitas falhas no plantio e heterogeneidade no estande, o que também poderia
prejudicar os resultados.
As variedades plantadas foram RB867515 (Fazenda Boa Vista) e RB855156
(Fazenda Santa Luzia), em áreas com colheita mecanizada.
2.3. Metodologia de coleta
Vinte pontos amostrais (ou parcelas “virtuais”) foram alocadas em cada uma das
áreas (Figura 5). O direcionamento dos locais onde foram alocadas essas parcelas foi
realizado por meio de análise de agrupamento (criação de vinte grupos) das variáveis de
NDVI medidas por imagem do satélite LANDSAT 8, tirada em 08/03/2016 (Figura 3),
data em que a cana estava quase a ser colhida anterior a pesquisa; variabilidade medida
por um sensor de condutividade elétrica aparente do solo (EM-38®, Geonics,
Mississauga, Ontario, Canadá) para as profundidades de 0-50cm e 50-100cm (Figura 4);
e pela demarcação dos ambientes de produções obtidos por dados da usina. Dessa forma,
foi-se contemplado grande parte da variabilidade existente nas áreas em relação ao
desenvolvimento da cultura e variação de solo para a correta alocação das parcelas,
visando à obtenção de dados com grande amplitude nos valores das variáveis biométricas
avaliadas (figuras 5 e 6).
5
Figura 3. NDVI por imagem do satélite LANDSAT 8 dos talhões da fazenda Santa Luzia
Figura 4. NDVI por imagem do satélite LANDSAT 8 dos talhões da fazenda Boa Vista
6
Figura 5. Indicação das parcelas alocadas na fazenda Santa Luzia com fundo da
condutividade elétrica de 0-50cm de profundidade (interpolada) para evidenciar a
variabilidade contemplada pelas parcelas.
Figura 6. Indicação das parcelas alocadas na fazenda Boa Vista com fundo da
condutividade elétrica de 0-50cm de profundidade (interpolada) para evidenciar a
variabilidade contemplada pelas parcelas.
Cada parcela “virtual” alocada em cada um dos grupos para cada área constou de
cinco fileiras de cana-de-açúcar com 9,0m, espaçadas 1,5 m. Dos 45 m lineares, apenas
12 foram utilizados para as avaliações, subdivididos em quatro partes de 3,0 m cada
(subparcelas – Figura 7).
7
Figura 7. Croqui de uma parcela “virtual” de amostragem, indicando os locais onde
foram efetuadas as avaliações de planta conforme a época de amostragem (A, B, C e D).
Uma observação importante deve ser feita em relação à subparcela D, pois essa só
está na metodologia, por ter sido coletada para análise na dissertação de mestrado do
coorientador dessa pesquisa.
Cada subparcela representaria uma época de avaliação (plantas com altura média
de colmos de 30, 50 e 70 cm e época de colheita), porém a amostragem 50 cm alcançou
média de 40 cm, a de 70 cm foi postergada, sendo realizada apenas com 125 cm de média
e a amostragem da colheita não foi utilizada nesse trabalho, pois não foi usado sensor de
refletância nesse período. Para a análise da biomassa foi feita uma amostragem para cada
subparcela, uma vez que a mensuração desta requer amostragem destrutiva. Já a análise
das demais variáveis relacionadas ao desenvolvimento das plantas foram realizadas em
todas as subparcelas que ainda não haviam sido cortadas para a biomassa, sendo elas:
número de perfilhos contados manualmente na subparcela;
altura de plantas medida da base da planta até a lígula da folha +1, medidos
através de um bastão escalonado;
diâmetro de colmos medido na área basal do 3° nó, medido com um paquímetro;
índice de área foliar medido por um sensor de radiação fotossinteticamente ativa
(AccuPAR LP-80, DecagonDevices, Pullman, Washington, EUA);
teor relativo de clorofila nas folhas por meio de um clorofilômetro (ClorofiLog,
Falker Automação Agrícola, Porto Alegre/RS, Brasil);
biomassa total da parte aérea por meio da coleta de todo material presente na
subparcela, para então obter o valor total de massa e a relação entre os itens
pesados.
8
As variáveis “altura das plantas”, “diâmetro dos colmos” e “teor de clorofila”
foram avaliadas em 10 perfilhos representativos em cada subparcela; no caso da variável
“teor de clorofila”, foi amostrado o limbo foliar da folha +3, numerada pelo sistema
estabelecido por Kuijper, citado por Rodrigues (1995), posicionando o equipamento
aproximadamente na metade da folha, entre a base e a extremidade. As parcelas foram
identificadas através do uso de bandeiras colocadas em suas extremidades A e D para que
as avaliações posteriores fossem repetidas nas mesmas áreas reais. O Índice de Área
Foliar foi medido em três pontos ao longo da subparcela, já que cada leitura abrange 86,5
cm, excluindo-se as bordaduras e gerando um valor médio.
Por último, as subparcelas foram avaliadas com o sensor de refletância do dossel
(CropCircle ACS-430, Holland Scientific Inc., Lincoln, Nebraska, EUA) com a
finalidade de relacionar as variáveis biométricas medidas aos índices de vegetação
calculados a partir das leituras de refletância desse equipamento (Tabela 1). Segundo
Amaral (2014), esse equipamento possui sua própria fonte de luz modulada com
frequência de emissão de 40.000 Hz, emitida a partir de um LED (lighting emitting diode).
A refletância do alvo é captada por três fotodetectores, sendo um na região do espectro
magnético centrada no vermelho (670 nm, visível), um na região de transição entre o
vermelho e infravermelho próximo, chamado de red edge (730 nm), e uma na região do
infravermelho próximo (IVP, 780 nm). O campo de visão do sensor é de 32 por 6 graus
e coleta dados cinematicamente em apenas uma fileira de plantas de cana-de-açúcar por
vez, sendo sua distância ideal em relação ao alvo (dossel da cultura) entre 0,8 e 1,2 m
(AMARAL, 2014).
Tabela 1. Índices de vegetação (IV) que foram utilizados, seguido por suas siglas,
equações e referências.
IV Sigla Equação Referência
Normalized
difference
vegetation index
NDVI (RNIR-RRed)/(RNIR+Rred) ROUSE et al.(1974)
Soil adjusted
vegetation index SAVI
(1+L)(RNIR-
Rred)/(RNIR+Rred+L) HUETE (1988)
Normalized
difference red
edge index
NDRE (RNIR-RRE)/(RNIR+RRE) BARNES et al.
(2000)
Chlorophyll
index CI (RNIR/RRE) - 1
GITELSON et al.
(2005)
Canopy
chlorophyll
content index
CCCI NDRE/NDVI LONG et al. (2009)
Meris terrestrial
chlorophyll index MTCI (RNIR-RRE)/(RRE-Rred)
SHIRATSUCHI et al.
(2010)
Em que: RNIR, valores de refletância obtidos pelo sensor em 780nm; RRE, refletância em
730 nm; RRed, refletância em 670 nm.
9
3. RESULTADOS E DISCUSSÃO
A terceira amostragem apresentou insensibilidade dos dados do sensor à variação
dos parâmetros biométricos da cana-de-açúcar (Tabela 2). Isto ocorre porque como o
sensor obtém informação apenas do topo do dossel, este topo passa a não ter mais relação
com o que acontece abaixo dele quando a cana apresenta porte alto. Apesar de nessa
avaliação haver fraca relação dos IVs com biomassa e número de perfilhos quando as
duas áreas são analisadas em conjunto, esta correlação é um artefato dos dados devido à
diferença da magnitude dos dados entre as áreas, uma vez que avaliando as correlações
individualmente para cada área (Tabela 2), nota-se resultados ruins.
Tabela 2. Correlação dos índices de vegetação com variáveis biométricas para terceira avaliação
da cana-de-açúcar nas duas áreas de pesquisa.
NS=não significativo; *=significativo a 5%; **=significativo a 1%.
Na primeira avaliação, os índices NDRE, NDVI, SAVI e CI apresentaram
relações semelhantes (Tabela 3). Estes índices apresentaram relação com número de
perfilhos, IAF e biomassa tanto nas áreas individualmente, quanto na análise em
conjunto. Diferentemente, existiram relações dos índices com altura de colmos quando
analisando as áreas individualmente, mas que deixou de existir quando as áreas foram
analisadas conjuntamente. Isso ocorre porque os dados de altura de colmo permanecem
praticamente constantes dentro de uma faixa de 20 a 40cm, enquanto os valores dos IVs
(Figura 8) se alteram em cada área. Isto ocorre devido ao diferente comportamento do
dossel das variedades estudadas em cada área e é comprovado quando normalizamos os
NDRE NDVI SAVI CI CCCI MTCI
Perfilhos 0,31NS 0,23NS 0,26NS 0,35NS 0,29NS 0,34NS
IAF 0,41NS 0,26NS 0,26NS 0,45* 0,38NS 0,44NS
Clorofila -0,12NS 0,03NS 0,04NS -0,11NS -0,15NS -0,13NS
Altura -0,11NS 0,14NS 0,09NS -0,04NS -0,16NS -0,02NS
Diâmetro 0,18NS 0,28NS 0,29NS 0,19NS 0,12NS 0,15NS
Biomassa 0,10NS 0,18NS 0,16NS 0,19NS 0,06NS 0,21NS
Perfilhos 0,35NS 0,45* 0,43NS 0,38NS 0,28NS 0,32NS
IAF -0,06NS -0,12NS -0,10NS -0,09NS -0,03NS -0,07NS
Clorofila -0,09NS -0,08NS -0,09NS -0,04NS -0,10NS -0,07NS
Altura 0,19NS 0,18NS 0,19NS 0,11NS 0,23NS 0,16NS
Diâmetro 0,28NS 0,32NS 0,33NS 0,32NS 0,25NS 0,31NS
Biomassa 0,38NS 0,37NS 0,39NS 0,35NS 0,38NS 0,36NS
Perfilhos 0,45** 0,47** 0,47** 0,46** 0,40* 0,42**
IAF 0,32* 0,26NS 0,26NS 0,27NS 0,33* 0,28NS
Clorofila 0,23NS 0,26NS 0,24NS 0,22NS 0,19NS 0,17NS
Altura 0,10NS 0,17NS 0,17NS 0,08NS 0,08NS 0,11NS
Diâmetro 0,11NS 0,16NS 0,17NS 0,15NS 0,08NS 0,14NS
Biomassa 0,32* 0,35* 0,35* 0,33* 0,29NS 0,34*
Boa Vista
Santa Luzia
Ambas
10
valores obtidos pelo maior valor de cada área (Figura 9). Logo, a boa relação obtida
indica que as variações nos IVs dentro de uma mesma área são influenciadas pela altura
de colmos (por conta da consequente variação no dossel das plantas), mas que
comparações entre áreas distintas deve ser feita com cautela.
Tabela 3. Correlação dos índices de vegetação com variáveis biométricas para primeira
amostragem da cana-de-açúcar nas duas áreas de pesquisa.
NS=não significativo; *=significativo a 5%; **=significativo a 1%
Figura 8: Relação entre altura de colmo e NDRE da primeira amostragem.
NDRE NDVI SAVI CI CCCI MTCI
Perfilhos 0,57** 0,56* 0,56* 0,56** -0,28NS 0,19NS
IAF 0,68** 0,63** 0,63** 0,70** -0,08NS 0,51*
Clorofila -0,56** -0,50* -0,50* -0,57** 0,06NS -0,42NS
Altura 0,67** 0,64** 0,65** 0,68** -0,20NS 0,37NS
Diâmetro 0,57** 0,54* 0,54* 0,57** -0,16NS 0,34NS
Biomassa 0,78** 0,75** 0,76** 0,79** -0,27NS 0,38NS
Perfilhos 0,68** 0,67** 0,67** 0,68** -0,05NS 0,45*
IAF 0,65** 0,67** 0,67** 0,65** -0,17NS 0,34NS
Clorofila -0,04NS -0,11NS -0,11NS -0,05NS 0,26NS 0,15NS
Altura 0,67** 0,74** 0,74** 0,66** -0,39NS 0,18NS
Diâmetro -0,01NS 0,01NS 0,01NS -0,03NS -0,08NS -0,08NS
Biomassa 0,72** 0,79** 0,79** 0,72** -0,39NS 0,22NS
Perfilhos 0,77** 0,71** 0,71** 0,77** 0,17NS 0,67**
IAF 0,48** 0,51** 0,51** 0,48** -0,12NS 0,27NS
Clorofila 0,18NS 0,10NS 0,10NS 0,19NS 0,31NS 0,34*
Altura 0,20NS 0,29NS 0,29NS 0,19NS -0,37* -0,11NS
Diâmetro -0,17NS -0,09NS -0,09NS -0,19NS -0,33* -0,34*
Biomassa 0,72** 0,76** 0,76** 0,73** -0,20NS 0,38*
Boa Vista
Santa Luzia
Ambas
11
Figura 9: Relação entre altura de colmo e NDRE da primeira amostragem com dados
normalizados.
Era esperado obter correlações semelhantes ou melhores de NDRE se
comparado com NDVI, conforme obtido por Amaral et al. (2015); porém houve
semelhança apenas na primeira amostragem, diferindo na segunda (Tabela 4), onde o
NDRE passou a não mais se relacionar com os dados biométricos. Isso parece ser função
da baixa amplitude dos valores de NDRE (Figuras 10 e 11) em comparação ao NDVI
(Figuras 12 e 13). Tal comportamento pode ter ocorrido porque o NDRE tende a ser
mais sensível à variação de clorofila presente nas folhas (HOLLAND & SCHEPERS,
2010), o qual pode não ter ocorrido nas situações de campo estudadas. Já o NDVI é mais
sensível à variação de quantidade de material vegetal, o que parece ser o que influenciou
a variação nos IVs. Assim, o NDVI se mostra mais confiável para ser usado em cana-
de-açúcar.
Tabela 4. Correlação dos índices de vegetação com variáveis biométricas para segunda
amostragem da cana-de-açúcar nas duas áreas de pesquisa.
NS=não significativo; *=significativo a 5%; **=significativo a 1%.
NDRE NDVI SAVI CI CCCI MTCI
Perfilhos 0,33NS 0,64** 0,64** 0,43NS -0,46* -0,06NS
IAF 0,38NS 0,74** 0,74** 0,40NS -0,56* -0,23NS
Clorofila 0,29NS -0,11NS -0,11NS 0,18NS 0,63** 0,40NS
Altura 0,54* 0,71** 0,71** 0,70** -0,26NS 0,25NS
Diâmetro 0,09NS 0,37NS 0,37NS 0,21NS -0,42NS -0,07NS
Biomassa 0,46* 0,73** 0,73** 0,59** -0,39NS 0,08NS
Perfilhos -0,06NS 0,21NS 0,21NS 0,07NS -0,06NS 0,00NS
IAF 0,04NS 0,76** 0,76** 0,21NS 0,04NS 0,05NS
Clorofila -0,01NS -0,03NS -0,03NS 0,08NS -0,01NS 0,07NS
Altura 0,06NS 0,58** 0,58** 0,20NS 0,06NS 0,08NS
Diâmetro 0,12NS 0,23NS 0,24NS 0,22NS 0,12NS 0,16NS
Biomassa 0,10NS 0,56* 0,55* 0,24NS 0,10NS 0,12NS
Perfilhos 0,00NS 0,46** 0,46** 0,21NS 0,00NS 0,06NS
IAF 0,11NS 0,81** 0,81** 0,36* 0,10NS 0,11NS
Clorofila 0,09NS 0,32* 0,32* 0,30NS 0,09NS 0,19NS
Altura 0,01NS 0,40** 0,40** 0,16NS 0,01NS 0,04NS
Diâmetro -0,05NS -0,25NS -0,25NS -0,16NS -0,05NS -0,07NS
Biomassa 0,13NS 0,68** 0,68** 0,37* 0,12NS 0,16NS
Boa Vista
Santa Luzia
Ambas
12
Figura 10: Relação entre biomassa e NDRE da primeira amostragem.
Figura 11: Relação entre biomassa e NDRE da segunda amostragem.
Figura 12: Relação entre biomassa e NDVI da primeira amostragem.
Figura 13: Relação entre biomassa e NDVI da segunda amostragem.
13
Como os IVs que utilizam a banda red edge se mostraram ruins para
correlacionar com os parâmetros biométricos, foi levantada a hipótese de que esta banda
possa ser o motivo do diferente desempenho entre NDVI e NDRE. Para verificar esta
hipótese, inferiu-se a correlação entre as bandas separadamente e os parâmetros
biométricos (Tabelas 5 e 6), onde é interessante verificar que não só o red edge, mas
como também IVP, não se obteve boas correlações com os parâmetros biométricos.
Tabela 5. Correlação das bandas obtidas
pelo sensor com as variáveis biométricas
para primeira amostragem da cana-de-
açúcar nas duas áreas de pesquisa.
NS=não significativo; *=significativo a
5%; **=significativo a 1%.
Tabela 6. Correlação das bandas de
espectro de luz com variáveis biométricas
para segunda amostragem da cana-de-
açúcar nas duas áreas de pesquisa.
NS=não significativo; *=significativo a
5%; **=significativo a 1%.
Para compreender melhor o motivo pelo qual a banda do vermelho se sobressaiu
perante às demais bandas, buscou-se uma análise conjunta das bandas de luz com
relação a biomassa, em dois gráficos de dispersão (Figura 14), um para o primeiro
período de amostragem e outro para o segundo. Com esta abordagem, observou-se o
red-edge apresente menor sensibilidade para a variação de biomassa devido à reduzida
inclinação da curva. A maior sensibilidade foi obtida para o vermelho, inclusive com
maiores correlações em relação às outras bandas. Este fato é diferente do observado por
Holland & Schepers (2010), o qual argumenta que em estágios mais avançados do
milho, o red-edge é mais sensível às variações no dossel devido ao menor efeito de
saturação do sinal. Esse fenômeno ocorre quando o valor de alguma propriedade
aumenta, mas não é acompanhado pela alteração no valor do índice de vegetação, pois
Red Edge IVP Vermelho
Perfilhos -0,57** 0,56** -0,56*
IAF -0,67** 0,70** -0,60**
Clorofila 0,56* -0,58** 0,48*
Altura -0,67** 0,68** -0,63**
Diâmetro -0,58** 0,57** -0,53*
Biomassa -0,78** 0,78** -0,74**
Perfilhos -0,68** 0,68** -0,66**
IAF -0,65** 0,65** -0,66**
Clorofila 0,04NS -0,05NS NS
Altura -0,68** 0,65** -0,75**
Diâmetro -0,01NS -0,03NS -NS
Biomassa -0,72** 0,72** -0,79**
Perfilhos -0,76** 0,77** -0,68**
IAF -0,48** 0,48** -0,50**
Clorofila -0,17NS 0,18NS -NS
Altura -0,21NS 0,19NS -NS
Diâmetro 0,16NS -0,19NS NS
Biomassa -0,72** 0,72** -0,76**
Boa Vista
Santa Luzia
Ambas
Red Edge IVP Vermelho
Perfilhos -0,42NS 0,32NS -0,67**
IAF -0,32NS 0,38NS -0,78**
Clorofila -0,02NS 0,30NS 0,20NS
Altura -0,67** 0,54* -0,70**
Diâmetro -0,30NS 0,08NS -0,41NS
Biomassa -0,56** 0,46* -0,74**
Perfilhos 0,00NS 0,44NS -0,14NS
IAF -0,18NS 0,47* -0,79**
Clorofila -0,03NS 0,36NS 0,13NS
Altura -0,21NS 0,28NS -0,62**
Diâmetro -0,20NS 0,30NS -0,20NS
Biomassa -0,21NS 0,40NS -0,56*
Perfilhos -0,15NS 0,47** -0,44**
IAF -0,30NS 0,58** -0,83**
Clorofila -0,21NS 0,57** -0,24NS
Altura -0,20NS 0,21NS -0,43**
Diâmetro 0,09NS -0,31NS 0,22NS
Biomassa -0,33* 0,52** -0,69**
Boa Vista
Santa Luzia
Ambas
14
já atingiu seu valor máximo ao mensurar apenas a porção superior do dossel (AMARAL
et al. 2015). Tal diferença pode ocorrer porque no caso do milho, as plantas são mais
suscetíveis a sofrerem deficiências que alterem o teor de clorofila nas folhas, associado
ao fato do maior índice de área foliar desta cultura, o que permite que o red-edge se
sobressaia. No caso da cana, não há toda esta variação no teor de clorofila, mas sim
variação de porte das plantas, o que é mais captado pelo vermelho; além disso, o sinal
do vermelho não satura devido ao menor índice de área foliar da cana na época de
avaliação (40 cm de altura de colmos em comparação ao milho em V12).
Figura 14: Relação entre as bandas espectrais e biomassa da cana para 1a (A) e 2a (B)
amostragens.
Continuando a análise dos índices, os CCCI e MTCI não apresentaram
correlação na maioria das situações (Tabelas 2, 3 e 4). Esse fato indica que índices
compostos pelas 3 bandas mensuradas pelo sensor e que foram desenvolvidos para
incrementar as relações com o teor de clorofila no dossel das plantas por meio de
imagens orbitais não apresentam efetividade para mensurar parâmetros biométricos do
dossel da cultura.
O índice SAVI (Soil adjusted vegetation index), destinado a minimizar o erro de
dados do NDVI causado pela exposição do solo, não mostrou melhora alguma para
nenhum período.
Concluindo a análise de performance dos índices, o NDVI mostrou ter maior
potencial de medição dos parâmetros biométricos da cana-de-açúcar. Portanto, buscou-
se uma última análise para aprofundar o que pode ser medido com eficácia ou não pelo
15
NDVI calculado pelas medições de refletância do sensor ACS430. Com isso, foram
feitos gráficos da relação dele com Número de perfilhos, IAF, Altura de colmos e
Biomassa plotados todas as áreas e todas amostragens (Figura 15).
Figura 15: Relação entre biomassa (A), Altura (B), Perfilhos (C) e IAF (D) com NDVI
para todas as áreas e amostragens.
16
Nas Figuras 15A e 15B é perceptível a tendência de crescimento do valor de NDVI
conforme há o incremento da biomassa e da altura. Observa-se um espaço entre a segunda
e terceira amostragem devido à diferença no porte das plantas em cada coleta (média de
altura de 30 e 40 cm, respectivamente). Além disso, a partir de NDVI de 0,7 começa a
ocorrer saturação do sinal, ou seja, o valor de NDVI aumenta menos em comparação à
altura ou biomassa da planas. Mas, mesmo assim, é possível afirmar que o NDVI possui
sim capacidade de medir esses dois parâmetros.
O número de perfilhos (Figura 15C) não obteve bons resultados de correlação com
o NDVI. Porém, nota-se que os dados do sensor manifestam bem o comportamento da
cana de brotar muitos perfilhos em seu início de desenvolvimento e abortar grande parte
deles conforme ela vai chegando mais em seus estágios maiores de desenvolvimento.
Já para IAF (Figura 15D), é possível observar relação com o NDVI. Contudo,
devido à alta variabilidade dos dados de IAF, possivelmente por variações indesejadas
nas medidas de IAF (ROCHA et al., 2016), a relação foi baixa.
Para finalizar, com todos os argumentos dispostos nesta discussão tendo em
destaque a perda de certa forma gradativa das correlações em geral dos índices de
vegetação com os parâmetros biométricos da cana (Tabelas 3, 4 e 5), é importante
ressaltar que o melhor período para obtenção desses dados foi quando a cana apresentou
30 cm de altura de colmo média, gerando certa surpresa, pois divergiram dos resultados
indicados por Amaral et al. (2015) e Portz et al. (2012) entre 40 e 60 cm de altura de
colmo.
5. CONCLUSÃO
Conclui-se que o índice de vegetação com maior potencial para estimar
parâmetros biométricos é o NDVI. Ele obteve maiores correlações com biomassa e altura
de colmos.
Apesar deste resultado, o estudo mostra que é importante levar em consideração
o período de crescimento da cultura para que o sensor retorne resultados confiáveis a mão
do pesquisador e ou produtor, no caso da cana-de-açúcar, 30 cm de altura de colmo média.
6. REFERÊNCIAS
AMARAL, L.R. Sensor de refletância do dossel para direcionar a aplicação de nitrogênio
em taxas variáveis na cultura da cana-de
17
-açúcar. 2014. 125p. Tese – Escola Superior de Agricultura Luiz de Queiroz,
Universidade de São Paulo. 2014.
AMARAL, L.R. Sensor ótico no auxílio à recomendação de nitrogênio para a cultura de
cana-de-açúcar. 2010. 81p. Dissertação – Escola Superior de Agricultura Luiz de
Queiroz, Universidade de São Paulo. 2010.
AMARAL, L.R.; MOLIN, J.P.; PORTZ, G; FINAZZI, F.B.; CORTINOVE,
L..Comparison of crop canopy reflectance sensors used to identify sugarcane
biomass and nitrogen status. Precision Agriculture. v. 16, p. 15-28, 2015.
BARNES, E.M.; T.R. Clarke; S.E. Richards; P.D. Colaizzi; J. Haberland; M.
Kostrzewski; et al. Coincident detection of crop water stress, nitrogen status and
canopy density using ground-based multispectral data. In: Proceedings of the 5th
International Conference on Precision Agriculture, 2000.
BRASIL. Agricultura de Precisão. Ministério da Agricultura, Pecuária e
Abastecimento. Secretaria de Desenvolvimento Agropecuário e Cooperativismo.
Mapa/ACS, 2011. 36p.
CIGANDA, V.S.; GITELSON, A.A.; SCHEPERS, J. How deep does a remote sensor
sense? Expression of chlorophyll content in a maize canopy. Remote Sensing of
Enviroment, v. 126, p. 240-247, 2012.
EITEL, J.U.H.; LONG, D. S.; GESSLER, P.E.; HUNT, E.R. Combined spectral index to
improve ground-based estimates of nitrogen status in dryland wheat. Agronomy
Journal, v.100, n. 6, p. 1694-1702, 2008.
GITELSON, A.A.; VIÑA, A.; RUNDQUIST, D.C.; CIGANDA, V.; ARKEBAUER, T.J.
Remote sensing estimation of canopy chlorophyll contente in crops. Geophysical
Research Letter, v. 32, n. 8, p. 4-7, 2005.
HOLLAND, K.H.;SCHEPERS, J.S. Derivation of a variable rate nitrogen application
model for in-season fertilization of corn. Agronomy Journal, Madison, v. 102, n 5,
p.1415-1424, 2010.
HUETE, A.R. “A soil adjusted vegetation index (SAVI)”, Remote Sens. Environ., v. 25,
p. 295–309, 1988.
JENSEN, J.R. Sensoriamento Remoto: princípios e aplicações. 3 ed. Parêntese, 2009,
604p.
LONG, D. S., EITEL, J. U. H., and HUGGINS, D. R. Assessing nitrogen status of dryland
wheat using the canopy chlorophyll content index. Crop Management. Online.
doi:10.1094/CM-2009-1211-01-RS.
MOLIN, J.P., AMARAL, L.R., COLAÇO, A.F. Agricultura de Precisão. Oficina de
Textos, 2015.
MOREIRA, M.A. Fundamentos do sensoriamento remoto e metodologias de
aplicação. 3. ed. Editora: UFV, 2005. 320 p
18
PORTZ, G; MOLIN, J.P.; JASPER, J. Active crop sensor to detect variability of nitrogen supply
and biomass on sugarcane fields. Precision Agriculture, v. 13, n. 1, p. 33-44, 2011.
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, v. 94, p. 815-820, 2002.
ROCHA, M.G.; PAULO, R.L.; NOGUCHI, R.Y.O.; AMARAL, L.R. Avaliação de
métodos de determinação de índice de área foliar da cana-de-açúcar de forma
espacializada. ConBAP, Goiânia, 2016.
RODRIGUES, J. D. Fisiologia da cana-de-açúcar. Universidade Estadual Paulista –
Unesp, 1995. 69 p.
ROUSE, J.W. ; HAAS, R.H. ; SCHELL, J.A. ; DEERING, D.W. Monitoring
vegetation systems in the great plains with ERTS. Earth Resourses Tecnology
Satellite – 1 Symposium, 3, 1973. Proceedings. 1973, v.1, Sec. A, p.309-317.
SHIRATSUCHI, L.S.; FERGUSON, R.B.; SHANAHAN, J.F.; ADAMCHUK, V.I.;
SLATER, G.P. Comparison of spectral índices derived from active crop canopy
sensors for assessing nitrogen and water status. In: 10th International Conference
on Precision Agriculture, 2010. 11p.
SOLARI, F. Developing a crop based strategy for on-the-go nitrogen management in
irrigated cornfields. 2006. 157p. Thesis (PhD) – University of Nebraska, Lincoln,
2006.
SOLIE, J.B.; STONE, M.L.; RAUN, W.R.; JOHNSON, G.V.; FREEMAN, K.;
MULLEN, R.; NEEDHAM, D.E.; REED, S.; WASHMON, C.N. Real-time sensing
and N fertilization with a field scale GreenSeeker applicator. In: 7th International
Conference on Precision Agriculture, 2002.