MURILLO GRESPAN DA ROCHA
INFLUÊNCIA DE VARIÁVEIS AGRONÔMICAS NA
PRODUTIVIDADE DE CANA-DE-AÇÚCAR E
POTENCIAL USO DE SENSORIAMENTO PROXIMAL
CAMPINAS 2018
MURILLO GRESPAN DA ROCHA
INFLUÊNCIA DE VARIÁVEIS AGRONÔMICAS NA
PRODUTIVIDADE DE CANA-DE-AÇÚCAR E
POTENCIAL USO DE SENSORIAMENTO PROXIMAL
Dissertação apresentada à Faculdade de Engenharia Agrícola da Universidade Estadual de Campinas como parte dos requisitos exigidos para a obtenção do título de Mestre em Engenharia Agrícola, na Área de Máquinas agrícolas.
Orientador: Prof. Dr. LUCAS RIOS DO AMARAL
ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL DA DISSERTAÇÃO DEFENDIDA PELO ALUNO MURILLO GRESPAN DA ROCHA E ORIENTADA PELO PROF. DR. LUCAS RIOS DO AMARAL.
CAMPINAS 2018
Ficha catalográfica
Universidade Estadual de Campinas Biblioteca da Área de Engenharia e Arquitetura
Luciana Pietrosanto Milla - CRB 8/8129
Rocha, Murillo Grespan,
R582i RocInfluência de variáveis agronômicas na produtividade de cana-de-açúcar e potencial uso de sensoriamento proximal / Murillo Grespan da Rocha. – Campinas, SP : [s.n.], 2018.
RocOrientador: Lucas Rios do Amaral.
RocDissertação (mestrado) – Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola.
Roc1. Agricultura de precisão. 2. Sensoriamento remoto. 3. Cana-de-açúcar. 4. Modelagem. 5. Análise multivariada. I. Amaral, Lucas Rios, 1985-. II.
Universidade Estadual de Campinas. Faculdade de Engenharia Agrícola. III. Título.
Informações para Biblioteca Digital
Título em outro idioma: Influence of agronomic variables on sugarcane yield and potential use of proximal sensing
Palavras-chave em inglês: Precision agriculture Remote sensing Sugarcane Modeling Multivariate analysis
Área de concentração: Máquinas Agrícolas Titulação: Mestre em Engenharia Agrícola Banca examinadora:
Lucas Rios do Amaral [Orientador] Henrique Coutinho Junqueira Franco Célia Regina Grego
Data de defesa: 06-04-2018
Programa de Pós-Graduação: Engenharia Agrícola
de 2018, na Faculdade de Engenharia Agrícola da Universidade Estadual de Campinas.
________________________________________________________________ Prof. Dr. Lucas Rios do Amaral – Presidente e Orientador
FEAGRI/UNICAMP
_________________________________________________________________ Prof. Dr. Henrique Coutinho Junqueira Franco – Membro Titular
CNPEM - Campinas
_________________________________________________________________ Profa. Dra. Célia Regina Grego – Membro Titular
CNPTIA/EMBRAPA
A Ata da defesa com as respectivas assinaturas dos membros encontra-se no processo de vida acadêmica do discente.
À minha família, pela educação, transmissão de valores éticos e morais e pelo apoio incondicional concedido ao longo dessa trajetória.
Agricultura de Precisão, por fornecer todo suporte para realização desse trabalho e à coordenadoria de Pós-Graduação pela competência e assistência prestada.
À FAEPEX (Fundo de Apoio ao Ensino, à Pesquisa e Extensão), pelo apoio financeiro e ao Laboratório Nacional de Ciência e Tecnologia do Bioetanol – CTBE pelo suporte técnico e disponibilização de equipamentos.
À usina Ipiranga (Descalvado/SP), em especial ao gerente agrícola Bernardo Titoto, pelo apoio técnico e disponibilização das áreas comerciais de cana-de-açúcar para a realização do experimento. Ao graduando Lucas Tittoto pela ajuda incondicional nos trabalhos de campo e pela excelente iniciação científica realizada a partir deste projeto.
À admirável orientação do Prof. Dr. Lucas Rios do Amaral, por compartilhar ao longo desses anos suas ideias, opiniões, experiências, motivação e apoio para conquistar todos objetivos desse trabalho.
Aos membros da banca de qualificação Prof. Dr. Paulo Sérgio Graziano Magalhães e Dr. Henrique Coutinho Junqueira Franco, por compartilhar suas sugestões, experiências e conhecimentos sobre cana-de-açúcar, fundamentais para a instalação dos experimentos e qualidade das etapas desse trabalho. Aos membros da banca de defesa, Dr. Henrique Coutinho Junqueira Franco e Célia Regina Grego (EMBRAPA Informática Agropecuária), pelas críticas construtivas e sugestões finais para esse trabalho.
Ao prof. Dr. Stanley Robson de Medeiros Oliveira (EMBRAPA Informática Agropecuária) e ao doutorando Flávio Margarito Martins de Barros pelo ensinamento, orientação referente à análise de dados e apoio à publicação de artigo.
Aos professores da ESALQ/USP, Dr. José Laércio Favarin (Departamento de Produção Vegetal) e Sônia Maria de Stefano Piedade (Departamento de Ciências Exatas) por compartilhar seus conhecimentos e pelo apoio referente à realização das disciplinas optativas.
À comissão de organização do ECPA 2017 - 11th European Conference on Precision Agriculture, por aprovar esse trabalho para apresentação oral e poder compartilhar com o mundo o que a Unicamp está fazendo em prol da agricultura de precisão.
Ao Instituto de Engenharia Agrícola e Bio-economia Leibniz (ATB – Potsdam/Alemanha), em especial aos pesquisadores Robin Gebbers, Michael Schirrmann, Marius Hobart, Michael Heisig e Simone Mundstock Jahnke, pela oportunidade de realizar o intercâmbio, amizade, orientação e apoio referente à análise de dados desse trabalho.
Ricardo de F. Lucarelli, Felipe Bocca, Diego Della Justina, Julyane Fontenelli, Marcos Coutinho, Micael Souza, Fernando Alari, Camila Netto, Felipe Oliveiros, Igor Valente, Guilherme Sanches e a todos os alunos da graduação que fazem parte do grupo.
“A imaginação é mais importante que a ciência, porque a ciência é limitada, ao passo que a imaginação abrange o mundo inteiro. ”
Atualmente o mercado não dispõe de uma ferramenta confiável para obter informações espacializadas de produtividade da cana-de-açúcar, o que dificulta o entendimento sobre os fatores de produção que impactam e limitam a produtividade de forma espacializada ao longo dos canaviais. Nesse sentido, o objetivo desse estudo foi identificar quais fatores influenciam na produtividade do canavial, se há capacidade de medi-los de forma prática e espacial e se é possível predizer a produtividade da cana-de-açúcar através da integração desses parâmetros. Para tal, foram instalados dois experimentos em dois canaviais comerciais, em que parcelas foram alocadas ao longo das áreas de forma direcionada (pontos fixos de amostragem), onde foram avaliadas as propriedades de solo: fertilidade, textura, compactação e umidade. Cada parcela foi dividida em quatro subparcelas, as quais representaram avaliações biométricas manuais e com um sensor de dossel em três épocas distintas de desenvolvimento da cultura (aos 150, 180 e 210 dias após o primeiro corte; 30, 42 e 124 cm de altura média de colmos, respectivamente). Os dados da quarta subparcela foram relacionados com a produtividade e qualidade de colmos, obtidos na colheita. Através de análises de correlações, componentes principais e regressões multivariadas, foi possível identificar que o número de colmos e altura das plantas são as variáveis de maior relevância na determinação da variabilidade da produtividade, sendo que a identificação pode ser feita com maior precisão na segunda avaliação. Além disso, os modelos não apresentaram bom desempenho para predizer a produtividade da cana, porém foram capazes de predizer a biomassa na primeira avaliação (R² = 0,68).
Palavras-chave: agricultura de precisão, sensor de dossel, índices de vegetação, variabilidade espacial, predição de produtividade.
increase the use of technology to assist on management decisions. A reliable tool for spatialized information acquisition about sugarcane yield is not available on sugarcane market, which impairs the understanding of production factors that may limit stalk yield within the fields. In this sense, the aim of this study was to identify influence factors of sugarcane yield, whether proximal sensing can measure such factors in a practical and spatialized way and if it is possible to predict sugarcane yield throughout parameters integration. For that, two experiments were installed in two sugarcane commercial fields, where plots were targeted allocated within the areas (fixed sampling points) and soil proprieties (fertility, texture, compaction and water availability) were measured. Every plot was divided in four subplots, which was represented by manual biometric evaluations and used a reflectance canopy sensor on three cropping development stages (at 150, 180 and 210 days after harvest - 1st ratoon; 30, 42 and 124 cm stalk height, respectively). Measured data
from the fourth subplot were related with stalk yield and quality, obtained at harvest period. Through correlations, principal components analysis and multivariate regressions, it was possible to identify that stalk number and the plant height were the variables that most influenced on yield variability, since that this identification can be done more precisely at second evaluation. Besides that, models didn’t show good performance to predict sugarcane yield, but were capable to predict biomass at first evaluation (R² = 0,68).
Keywords: Precision agriculture, canopy sensor, vegetation indices, spatial variability, yield prediction.
AP: agricultura de precisão;
AR: açúcares redutores (glicose e frutose); ATR: açúcar total recuperável;
AV1: avaliação 1; AV2: avaliação 2; AV3: avaliação 3; AV4: avaliação 4;
BIOM: biomassa total da parte aérea;
BRIX: quantidade de compostos solúveis na solução de sacarose; BV: Boa Vista
CCCI: Canopy Content Chlorophyll Index; CI: Chlorophyll Index;
CLORO: teor de clorofila; DIAM: diâmetro do colmo; FIBRA: quantidade de fibra; IAF: Índice de Área Foliar; IVs: índices de vegetação;
MTCI: MERIS Terrestrial Chlorophyll Index; NCOL: número de colmos;
NDRE: Normalized Difference Red Edge Index; NDVI: Normalized Difference Vegetation Index; NIR: infravermelho próximo;
PC: teor de sacarose real; POL: teor de sacarose aparente; PUR: pureza;
RED: vermelho;
REDGE: rampa do vermelho;
SAVI: Soil Adjusted Vegetation Index; SL: Santa Luzia
2 Revisão bibliográfica 16 2.1 Cana-de-açúcar 16 2.2 Agricultura de precisão 17 2.3 Sensoriamento proximal 20 3 Materiais e métodos 23 3.1 Descrição experimental 23
3.2 Instrumentação e descrição das amostragens 27
3.3 Cronologia experimental 31
3.4 Análises estatísticas 31
3.4.1 Análise exploratória 31
3.4.2 Regressões multivariadas 32
3.4.3 Análise de componentes principais 36
4 Resultados e discussão 39
4.1 Influência de propriedades do solo na produtividade 39
4.2 Parâmetros biométricos determinantes para acúmulo de biomassa e produtividade 39 4.3 Relação de índices de vegetação com parâmetros biométricos e acúmulo de biomassa 41
4.4 Predição da produtividade da cana-de-açúcar 44
4.4.1 Regressões multivariadas 49
4.4.1.1 Subconjuntos de atributos 49
4.4.1.2 Componentes principais 52
4.4.1.3 Variável de maior contribuição das componentes principais 53
5 Conclusões 55
6 Referências bibliográficas 56
Além da produção de etanol e açúcar, as unidades de produção têm buscado operar com maior eficiência, inclusive com geração de energia elétrica, auxiliando na redução dos custos e contribuindo para a sustentabilidade da atividade (CONAB, 2017). Segundo essa instituição, a cana-de-açúcar é considerada uma das grandes alternativas para o setor de biocombustíveis devido ao grande potencial na produção de etanol e aos respectivos subprodutos.
No sistema convencional de produção agrícola, não é levado em conta as inúmeras variáveis que existem dentro de um talhão influenciando a produtividade. Usualmente, as lavouras são tratadas de forma única e as recomendações são feitas a partir de valores médios, como se as áreas fossem homogêneas. No entanto, há mais de 25 anos surgiu o conceito da agricultura de precisão, definida pela Comissão Brasileira de Agricultura de Precisão do Ministério da Agricultura, Pecuária e Abastecimento como “um conjunto de ferramentas e tecnologias aplicadas para permitir um sistema de gerenciamento agrícola baseado na variabilidade espacial e temporal da unidade produtiva e visa ao aumento de retorno econômico e à redução do impacto ao ambiente” (BRASIL, 2013).
Porém, 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; AMARAL; COLAÇO, 2015). Para Oliveira e Visser (2016), um grande recurso a ser explorado é o mapa de produtividade baseado em dados de colhedoras. O conceito por trás da utilidade dos mapas de produtividade é avaliar a variação em produção ao longo de toda área, buscando-se inferir quais os fatores de produção que estão limitando a produção espacialmente. Segundo esses mesmos autores, tendo em mãos essas informações, os profissionais estariam aptos a manejar locais específicos de acordo com suas características (topografia, solo, disponibilidade de água, fertilidade etc.) e, potencialmente, obter melhorias em lucratividade e redução do impacto ambiental por meio de aplicações mais específicas de fertilizantes e pesticidas conforme o potencial produtivo de cada região.
De acordo com Molin, Amaral e Colaço (2015), os monitores disponíveis no mercado, principalmente para grãos, já atingiram um bom nível de confiabilidade e exatidão dos resultados obtidos. Segundo eles, em termos de totalização de produto colhido, quando comparada com o resultado do monitor de produtividade, os fabricantes atribuem valores na ordem de 2% de erro, contanto que a coleta de dados seja precedida por uma correta
calibração. No caso da cultura da cana-de-açúcar, embora haja equipamentos disponíveis comercialmente para tal finalidade (MAGALHÃES; CERRI, 2007), a sua utilização exige calibrações frequentes, o que tem dificultado sua adoção. Além disso, é notório que soluções para a cultura da cana-de-açúcar apresentam dificuldade para oferecer a robustez demandada, que é absolutamente necessária considerando-se o ambiente e o ritmo em que a colhedora de cana opera (MOLIN; AMARAL; COLAÇO, 2015). Dessa forma, a capacidade do agricultor em identificar espacialmente o resultado do manejo adotado ao longo da safra de cana torna-se limitada e a investigação pontual das regiões onde a cultura apretorna-senta algum problema (determinação da relação causa/efeito) é inviabilizada em função da grande extensão de áreas cultivadas.
Outro problema que essa ausência de monitores de produtividade ocasiona é a dificuldade de conduzir e avaliar experimentos em larga escala, o que faz com que estudos que levem em conta a variabilidade espacial dos diferentes fatores de produção da cana-de-açúcar sejam raros (MAGALHÃES et al., 2014) e, muitas vezes, pouco confiáveis. Isso faz com que se tenha pouco conhecimento sobre a importância relativa dos fatores de produção na produtividade da cultura de forma espacializada. Alguns trabalhos avaliaram a relação da produtividade com parâmetros de fertilidade do solo, mas os resultados foram diversos (ANDERSON et al., 1999; JOHNSON; RICHARD, 2005; RODRIGUES; MAGALHÃES; FRANCO, 2013), apontando que outros causadores da variabilidade precisam ser investigados. Dessa forma, é preciso investigar também quais variáveis biométricas impactam não só na variabilidade da produtividade de colmos ao longo dos canaviais, mas também na qualidade da cana colhida, visando sua gestão localizada e o consequente aprimoramento do retorno econômico da atividade agrícola. Portanto, é primordial investir em metodologias que aperfeiçoem os processos de obtenção de informações precisas, em escala e tempo hábil para o adequado monitoramento do sistema produtivo.
Uma alternativa para contornar esse problema seria através do uso de sensoriamento proximal, que permite a obtenção de informações instantâneas sobre a variabilidade espacial do solo e da cultura (MOLIN; AMARAL; COLAÇO, 2015). Na cultura de cana-de-açúcar, estudos vêm demonstrando a eficiência do uso da tecnologia de sensores de refletância do dossel para quantificar certos parâmetros da cultura, como biomassa e produtividade (AMARAL; MOLIN, 2014). Contudo, não se sabe ao certo quais as características das plantas que interferem nas leituras desse tipo de equipamento e nem qual a importância dessas características na produtividade da cultura.
cana-de-açúcar torna-se de grande importância, visto que permite inferir a influência de fatores abióticos (adubação, irrigação, data de início do ciclo, clima, solo, variedade, tipo de ciclo [cana-planta ou cana-soca], entre outros) ou bióticos (doenças, pragas, entre outros) no rendimento final da cultura (GILBERT et al., 2006; PARK; ROBERTSON; INMAN-BAMBER, 2005; SINGH; SHUKLA; BHATNAGAR, 2007; SMIT; SINGELS, 2006). Ademais, as variáveis monitoradas a partir de estudos de análise biométrica (mensuradas em grande densidade por sensores proximais) podem ser utilizadas em modelos de simulação, a fim de se descrever o crescimento e quantificar o rendimento da cana-de-açúcar submetida a diversas condições de cultivo (KNOX et al., 2010; LISSON et al., 2005).
Além disso, a informação oriunda de sensores permitiria, por exemplo, direcionar amostragens com foco na investigação das relações causa e efeitos, modelar o desenvolvimento da cultura, estimar sua produtividade e direcionar intervenções localizadas, como aplicação de fertilizantes, preparo localizado do solo, replantio direcionado, delimitação de zonas de manejo etc. (MOLIN; AMARAL; COLAÇO, 2015).
Como atributos biométricos ou índices de vegetação isoladamente podem não ser capazes de fornecer correlações satisfatórias com a produtividade da cana-de-açúcar, uma opção seria integrar esses parâmetros para melhorar modelos de predição. Martin, Raun e Solie (2012) obtiveram sucesso para predizer a produtividade do milho a partir de um modelo que integra altura de plantas, área ocupada por elas e NDVI. Da mesma forma, Yin, McClure e Hayes (2011) constataram que a integração de produtividade relativa e altura de plantas pode ser eficaz para melhorar a predição da produtividade de milho. Assim, é possível constatar que a integração de sensores é interessante para estimativas de produtividade, especialmente porque geralmente não fornecem dados absolutos e a associação com outros que medem outra característica das plantas pode contribuir com uma predição mais precisa.
Dessa forma, o objetivo da presente pesquisa foi identificar os fatores que influenciam na produtividade do canavial, se há potencialidade em estimá-los por meio de leituras com sensor de dossel e se é possível predizer a produtividade da cana-de-açúcar através da integração desses parâmetros.
2 REVISÃO BIBLIOGRÁFICA
2.1 Cana-de-açúcar
A cana-de-açúcar é uma planta que pertence ao gênero Saccharum L. e é a principal matéria-prima para a fabricação do açúcar e álcool (etanol). Ela apresenta alta taxa fotossintética e eficiência na utilização e resgate de gás carbônico, é adaptada à alta intensidade luminosa, altas temperaturas e relativa escassez de água, porém necessita de grandes quantidades de água para suprir suas necessidades hídricas (SEGATO et al., 2006).
Para efeitos de produção de bioenergia, uma cultura deve ser de crescimento rápido e alto rendimento na colheita e em termos de energia consumida deve ultrapassar os combustíveis fósseis (WACLAWOVSKY et al., 2010). Segundo esses mesmos autores, em termos de cumprimento dos critérios acima, a cana-de-açúcar é atualmente a cultura energética mais promissora.
A cana-de-açúcar é cultivada em diferentes condições edáficas no Brasil. Sua área produtiva se encontra principalmente na região Sudeste, mas está presente e em expansão em praticamente todas as regiões do país, em maior ou menor escala. O acompanhamento da safra brasileira pela CONAB para a safra 2016/2017 mostra que a área colhida no Brasil de cana-de-açúcar destinada à atividade sucroenergética foi de 9.049,2 mil hectares, um aumento de 394,4 mil hectares em relação à safra anterior, ou 4,6%, resultado da cana bisada da safra 2015/16 e do aumento de área própria de algumas unidades de produção. A produção de cana-de-açúcar, estimada para a safra 2016/17, é de 657,18 milhões de toneladas (redução de 1,3% em relação à safra anterior) e a produtividade estimada para a atual temporada da safra 2016/17 é de 72,62 Mg.ha-1.
Assim, o Brasil é o maior produtor mundial de cana-de-açúcar, tendo grande importância para o agronegócio brasileiro. O aumento da demanda mundial por etanol oriundo de fontes renováveis, aliado às grandes áreas cultiváveis e condições edafoclimáticas favoráveis à cana-de-açúcar, tornam o Brasil um país promissor para a exportação dessa commodity (CONAB, 2017).
No sistema convencional de produção agrícola não é levado em conta as inúmeras variáveis que existem dentro de um talhão influenciando a produtividade e nem sua variabilidade espacial, embora cada vez mais seja reconhecido que culturas, solos e pragas não são homogêneos dentro de um determinado campo de produção (SCHUELLER, 1992). Em função disso, há mais de 25 anos surgiu o conceito da agricultura de precisão, definida pela Comissão Brasileira de Agricultura de Precisão do Ministério da Agricultura, Pecuária e Abastecimento como “um conjunto de ferramentas e tecnologias aplicadas para permitir um sistema de gerenciamento agrícola baseado na variabilidade espacial e temporal da unidade produtiva e visa ao aumento de retorno econômico e à redução do impacto ao ambiente” (BRASIL, 2013).
Diante do avanço tecnológico e dos bons resultados advindos com a agricultura de precisão, muitos agricultores vêm constatando que as áreas utilizadas na agricultura não são uniformes, pois apresentam diferenças nos solos e relevo, que por sua vez, refletem no desenvolvimento das culturas. Isso porque elas não dependem somente dos solos, mas de outros fatores adicionais como microclima, variedades, estágio de crescimento, operações agrícolas, fornecimento de suprimento, competição com plantas daninhas e infestação de pragas e doenças (HEEGE; THIESSEN, 2013).
Em geral, a agricultura de precisão envolve um melhor aproveitamento de insumos, como fertilizantes, defensivos, sementes, combustíveis (utilizados durante o preparo do solo, plantio, pulverizações etc.), fazendo o manejo correto no lugar e época certa (MULLA, 2013). Assim, avaliar e entender a variabilidade espacial e temporal das propriedades físico-químicas dos solos e a produtividade das culturas ao longo do campo é exigido para a determinação precisa do melhor manejo, visando melhorar a produção e produtividade de forma ambientalmente sustentável (AWE et al., 2015). Dessa forma, a agricultura de precisão propõe melhorar a produtividade e lucratividade através de melhores manejos dos insumos (ZHANG; WANG; WANG, 2002).
Segundo Bernardi e Inamasu (2014), os principais produtos agrícolas cultivados no Brasil com ferramentas de agricultura de precisão são soja e milho, seguido pelas culturas do trigo e feijão. Ainda, os sistemas de navegação (barra de luz e piloto automático) e de aplicação de insumos a taxas variadas são os equipamentos mais frequentes nas propriedades agrícolas, sendo que as principais atividades em que a agricultura de precisão está presente são na aplicação de corretivos do solo e monitoramento da colheita. Esse mesmo estudo
concluiu que a maior parte das atividades de agricultura de precisão é realizada por terceiros e que as principais fontes de informação dos produtores têm sido os consultores, cursos, feiras e exposições agropecuárias.
Outros benefícios percebidos pelos produtores incluem a seleção precisa de híbridos, acordos de arrendamento mais ajustados com a produtividade real dos solos, melhor coincidência de aplicações de fertilizantes com o potencial produtivo das culturas, menor custos com defensivos e combustíveis e redução na compactação do solo (MULLA, 2013). De acordo com o portal CB Insights (2017), no futuro a agricultura de precisão será baseada no processamento e análise de imagens de satélites, no monitoramento in-field, em robôs terrestres capazes de realizar tarefas agrícolas, análises preditivas, armazenamento de dados e servidores na nuvem para permitir mais rapidez na interpretação dos dados e geração dos mapas de recomendação. Embora algumas dessas tecnologias já estejam disponíveis, a maioria encontra-se em estágios de desenvolvimento ou em empresas spin-off (KING, 2017).
Em relação à cana-de-açúcar, embora altamente mecanizada, requer sistemas de produção amparados por técnicas baseadas em agricultura de precisão e os estudos demonstram que esse pacote tecnológico é abrangente e compatível com a cultura (GREGO et al., 2012). Segundo esses autores, em meados dos anos 2000 aumentou o interesse das usinas por aplicação de fertilizantes a taxas variadas, embora esta aplicação fosse realizada com base em análises simplificadas da variabilidade presente nas áreas, subsidiadas por baixo número de amostras de solos e frequentemente sem correlação com a produtividade real da área. Ainda conforme Grego et al., (2012), mais recentemente observa-se uma grande demanda pela tecnologia de piloto automático, alavancada pela disponibilidade de sistemas de posicionamento de alta precisão com erros inferiores a 2 cm quanto ao posicionamento cinemático em tempo real (RTK), que permitiram ganhos reais no gerenciamento do sistema, através do plantio preciso viabilizando a redução de perdas durante a colheita, principalmente noturna, e melhor rendimento operacional.
No entanto, várias tarefas importantes serão necessárias para permitir a implantação das técnicas de agricultura de precisão nas usinas (BRAMLEY, 2009). Segundo o autor, é possível citar alguns exemplos como: o acesso a sistemas de monitoramento de produtividade calibrados e facilmente calibráveis; sensores de qualidade da cana (teor de açúcar, impurezas etc.); integração da coleta de dados da usina e de colheita com as práticas de AP; o uso de sensoriamento remoto para gerenciamento das áreas e que O suporte de treinamento e extensão na aquisição, gerenciamento e análise de dados da AP deve ser desenvolvido e fornecido a produtores e consultores.
a falta de informação, treinamento e qualificação, disponibilidade de recursos financeiros e equipamentos, padronização de comunicação entre os fabricantes, além da dificuldade de sinais GNSS, internet e telefone (FATEC AP, 2013). Ao mesmo tempo, Heege (2013a) afirma que a agricultura moderna deve providenciar altas produtividades a fim de alimentar a crescente população global com impacto ambiental sustentável e que esse desafio só pode ser alcançado com a adaptação precisa às condições locais, em função dos recursos finitos na Terra.
2.3 Sensoriamento proximal
O termo “sensoriamento proximal” na agricultura refere-se aos sistemas sensores desenvolvidos para plataformas terrestres, principalmente embarcados em equipamentos agrícolas e privilegia o uso de princípios ópticos, principalmente refletância (MOLIN; AMARAL; COLAÇO, 2015). As propriedades dos solos e desenvolvimento das plantas podem apresentar grande variabilidade em curtas distâncias e, para avaliar essa variabilidade de maneira prática, vários tipos de sensores vêm sendo desenvolvidos permitindo gerar dados de forma rápida, eficiente e menos onerosa.
Existem sensores proximais capazes de mensurar características dos solos, como por exemplo, os que trabalham com condutividade elétrica e indução eletromagnética (RABELLO, 2009) ou técnicas de espectroscopia (SORIANO-DISLA et al., 2014). Existem também sensores para mensurar as plantas, que emitem sua própria luz (ativos) e operam direcionando luz no dossel da cultura (dentro de bandas de comprimento de onda específicas, tipicamente no visível [VIS; verde, vermelho] ou Red-edge e no infravermelho próximo [NIR]) e medindo a quantidade de luz refletida (INMAN; KHOSLA; MAYFIELD, 2005), fornecendo uma ampla variedade de índices de vegetação como NDVI (ROUSE et al., 1973). A vantagem dos sensores ativos é que as medições não são comprometidas pela luminosidade ambiente e podem ser acoplados às máquinas aplicadoras de fertilizante nitrogenado, sendo ideais para aplicações em taxa variável em tempo real (SAMBORSKI; TREMBLAY; FALLON, 2009; SHANAHAN et al., 2008).
O sensoriamento proximal de solos pode medir atributos dos solos rapidamente, com precisão e de forma mais barata do que métodos laboratoriais convencionais (VISCARRA ROSSEL et al., 2011). De acordo com Heege (2013b), informações sobre argila, umidade e salinidade dos solos, de modo combinado, podem ser obtidas via sensoriamento da condutividade elétrica, sendo que o efeito dessa combinação está bem relacionado ao potencial de produção dos solos. Ainda segundo esse autor, em áreas úmidas, a salinidade pode ser descartada, sendo a ECa definida principalmente pela combinação de argila e teor de água do solo. Sensores também podem ser mais baratos para compra e uso, uma vez que permitem realizar muito mais medidas ao longo do campo, tanto em profundidade quanto em tempo, de tal forma que os dados possam caracterizar adequadamente a variabilidade espacial e temporal de muitas características dos solos. Além disso, o levantamento pode ser feito diretamente no campo, de modo que os dados representam melhor o solo sob condições de campo (DOETTERL et al., 2013).
informações. O P4000 VIS-NIR-EC-Force Probe é um instrumento comercial desenvolvido pela Veris ® Technologies para coletar medições de condutividade elétrica por contato direto com o solo, resistência à penetração e espectros na região VIS-NIR ao longo do perfil do solo. Outra empresa (Geonics Limited, Mississauga, Ontario, Canadá) propõe obter a condutividade elétrica aparente do solo pelo princípio de Indução Eletromagnética (IEM) através do sensor EM38-MK2, em dois alcances de profundidade (0-38 cm e 0-75 cm), simultaneamente e sem contato direto com o solo.
De acordo com Heege (2013) solos em geral têm grandes diferenças em cor, relevo, textura, retenção de água, fertilidade e isso acaba refletindo no desenvolvimento das culturas. Além disso, existem fatores adicionais como microclima, variedades, estágio de crescimento, operações agrícolas (em especial colheita), deposição de insumos, competição com plantas daninhas e infestação de pragas e doenças que contribuem para que a variabilidade da cana-de-açúcar seja ainda mais alta. O sensoriamento proximal de plantas, por sua vez, permite manejo espacializado em tempo real, não é dependente de radiação que penetra na atmosfera e tem se destacado nos últimos anos, principalmente por gerar dados de forma rápida, eficiente e precisa (SAFANELLI; TEN CATEN; BOSCO, 2015).
Esse mercado dispõe de alguns sensores, como o sensor ativo de dossel Crop Circle ACS-430, produzido pela Holland Scientific (Lincoln, Nebraska/EUA), que fornece NDVI, NDRE e informações de refletância; Green Seeker, produzido pela Trimble (Sunnyvale, Califórnia/EUA) e sensores acoplados acima da cabine da máquina agrícola, onde captam a reflexão de luz da cultura no entorno da máquina, como N-Sensor, da Yara (Oslo, Noruega) e Crop Spec, da Topcon (Tóquio, Japão).
Assim, quando se deseja executar algum tipo de intervenção durante a safra ou mensurar alguma característica especifica da vegetação, surge a necessidade de utilizar sensores de plantas para identificar essa variabilidade, pois apresentam maior eficiência (tempo) e menor custo quando comparado às amostragens manuais. Segundo Molin, Amaral e Colaço (2015), por meio de correlações ou curvas de calibração, os dados podem ser convertidos em algum parâmetro da cultura, possibilitando diversos usos no âmbito da AP, como por exemplo, estimar a quantidade de biomassa para algum trato cultural, estimar a produtividade esperada da cultura (com foco na reposição de nutrientes durante a safra ou para dar suporte ao planejamento da colheita) e ainda, segundo Amaral et al. (2014), reger a aplicação de fertilizante nitrogenado em taxas variáveis. Além disso, outro uso seria direcionar amostragens, através da identificação da variabilidade espacial do desenvolvimento
das culturas (vigor e sanidade), mostrando regiões da lavoura que mereçam ser analisadas para identificar potenciais fatores que estejam limitando o desenvolvimento da cultura.
3 MATERIAIS E MÉTODOS
3.1 Descrição experimental
Foram conduzidos dois experimentos em áreas comerciais de produção de cana-de-açúcar da Usina Ipiranga (Descalvado/SP – Brasil), em solos com características físico-químicas contrastantes ao longo do canavial. Optou-se por implantar o experimento em áreas de primeiro corte (cana-soca, ambas colhidas na mesma época), pois áreas de cana-planta poderiam apresentar falhas de plantio e áreas mais velhas, heterogeneidade no estande, podendo prejudicar os resultados. Foram selecionadas duas fazendas: Boa Vista e Santa Luzia (Tabela 1) e, consequentemente, as variedades foram RB867515 (Boa Vista) e RB855156 (Santa Luzia).
A primeira se caracteriza por apresentar hábito de crescimento ereto, despalha fácil, perfilhamento médio, com colmos de diâmetro médio e alta uniformidade, apresentando melhor desempenho em solos de textura leve e fertilidade média (RIDESA, 2010). Ainda segundo esse programa de melhoramento genético, esta variedade tem apresentado boa capacidade de brotação, mesmo em plantio tardio sob baixas temperaturas e em cana planta (plantio de ano e meio) pode ocorrer tombamento ao final do ciclo devido a crescimento vigoroso; pode ocorrer florescimento, porém pode ser ótima opção para corte em áreas de vinhaça com aplicação de maturadores.
Já a RB855156 é uma variedade de bom perfilhamento (especialmente nas socas), que possui crescimento ereto e despalha fácil, podendo apresentar deficiência de germinação em algumas situações ainda não muito bem esclarecidas, razão porque se recomenda o seu plantio apenas em condições boas, tanto de idade de muda como de preparo de solo, umidade e temperatura (RIDESA, 2010). De acordo com essa rede, garantindo bom estande, a sua brotação de soqueira é boa; apresenta perfilhamento regular em cana-planta e muito boa em soca. Devido à sua propensão ao florescimento, recomenda-se a sua colheita sempre no início da safra, ainda mais porque, se deixada por mais tempo, pode apresentar intenso “declínio de outono”.
Tabela 1. Descrição das áreas selecionadas para experimentação.
Fazenda Área (ha) Variedade Long (X) Lat (Y) Elevação (m) Boa Vista 19,96 RB867515 -47,745925º -21,827458º 736 Santa Luzia 27,83 RB855156 -47,735024º -21,814224º 754
A condutividade elétrica aparente (CEa) do solo foi o primeiro parâmetro a ser mensurado, visando indicar possíveis variações de solo (detalhes no Item 3.2), além da classificação de tipos de solos disponível na usina. A fazenda Boa Vista apresenta três tipos de solo e dois ambientes de produção (classificação realizada pelo Centro de Tecnologia Canavieira): “C” na região oeste do mapa (solo LVAd3.1) e “E” na região dos outros dois solos ao centro-leste (Figura 1).
Figura 1. Talhões da Fazenda Boa Vista indicando três tipos de solos e condutividade elétrica aparente medida até 38 cm de profundida, interpolada pelo método do Inverso do Quadrado da Distância. LVAd3.1 = Latossolo Amarelo distrófico, textura média; LVAd4.1 = Latossolo Vermelho-Amarelo distrófico, textura arenosa/média e RQod4.1 = Neossolo Quartzarênico Órtico Distrófico.
Na fazenda Santa Luzia há quatro tipos de solos e três ambientes de produção (Figura 2): “A” no talhão menor e na parte sul do talhão maior, até a linha de divisão do solo, “D” na região central do mapa englobando os dois solos (PVAa3.1 e LVAa3.1) e “E” ao nordeste do mapa.
Figura 2. Talhões Fazenda Santa Luzia indicando quatro tipos de solos e condutividade elétrica aparente medida até 38 cm, interpolada pelo método do Inverso do Quadrado da Distância. LVAa3.1 = Latossolo Vermelho-Amarelo Álico; RQoa4.1 = Neossolo quartzarênico Órtico Álico; PVAa3.1 = Argissolo Vermelho-Amarelo Álico e LVef1.1 = Latossolo Vermelho Eutroférrico.
A metodologia de investigação visou não ser dependente de mapas de produtividade e tem como diferencial de pesquisas similares permitir o acompanhamento das mesmas regiões amostrais ao longo do desenvolvimento da safra. Isso possibilitou a coleta de dados e obtenção da produtividade final de colmos exatamente no mesmo local, visando elevar o conhecimento sobre os fatores que influenciam espacialmente no desenvolvimento e na produtividade da cultura. Para tal, pontos amostrais direcionados foram alocados nos canaviais, totalizando 20 parcelas por fazenda.
O direcionamento das parcelas foi realizado através de uma análise de agrupamento pelo método K-means, integrando condutividade elétrica aparente do solo a 0-38 cm e 0-75 cm de profundidade, ambientes de produção de cana indicados pela usina e imagens do sistema Landsat 8 OLI/TIRS Level-2, com correção atmosférica, resolução de 30 m, do dia 8 de março de 2016, pouco antes do primeiro corte, convertidas em NDVI para
mostrar a variabilidade no vigor da cultura (Figura 3). O objetivo principal da análise de agrupamento é dividir um número de observações (ou variáveis medidas) em grupos que são similares em suas características ou comportamento (REIMANN et al., 2008), sendo que no método K-means, há a necessidade de especificar o número de agrupamentos desejados (k). Ao final, foram especificados 20 agrupamentos por fazenda e alocou-se uma parcela por agrupamento, posicionada em local representativo, longe das fronteiras, de tal forma que as parcelas fossem distribuídas ao longo de todo o talhão.
Figura 3. Exemplo do direcionamento das parcelas (pontos verdes em E) por cluster na fazenda Santa Luzia (E), integrando ambientes de produção (A), NDVI a partir de imagens de satélite Landsat 8 (B), ECa de duas profundidades (C e D). Pontos amarelos (E) indicam pontos pertencentes à um grupo, e os pontos em preto, pertencentes aos 19 grupos restantes.
Cada parcela era composta de quatro subparcelas de três metros lineares de cana, permitindo avaliações destrutivas de biomassa em diferentes estágios e na época da colheita (Figura 4). Os dados das subparcelas consistiam em medidas coletadas manualmente de variáveis agronômicas (número, altura e diâmetro de colmos, índice de área foliar e teor de clorofila), biomassa da parte aérea e índices de vegetação (NDVI, NDRE, CI, CCCI, MTCI e SAVI – detalhes no Item 3.2). Em cada parcela havia cinco fileiras de cana-de-açúcar, espaçadas 1,4 m, com 9 m de comprimento. Dos 45 m lineares, apenas 12 foram utilizados para as avaliações, subdivididos em quatro partes de 3 m cada (subparcelas). Cada subparcela representou uma época de avaliação ou colheita, uma vez que a mensuração da biomassa da parte aérea requer amostragem destrutiva.
Figura 4. Croqui de uma parcela amostral, indicando os locais onde foram efetuadas as avaliações de planta e onde foram coletadas amostras de solo para representar a parcela (cinco subamostras de solo).
3.2 Instrumentação e descrição das amostragens
A condutividade elétrica aparente do solo foi mensurada pelo princípio de Indução Eletromagnética (IEM) através do sensor EM38-MK2 (Geonics Limited, Mississauga, Ontario, Canadá), conectado a um receptor GNSS e tracionado por um quadriciclo, com medições em dois alcances de profundidade (0-38 cm e 0-75 cm) simultaneamente e sem contato direto com o solo (Figura 5A), sendo conduzido ao longo do talhão a cada 10 linhas de cana. A calibração do sensor foi feita conforme orientações do fabricante, por meio da suspensão do equipamento no ar (a 1,5 m de altura), zerando-se os valores das leituras de condutividade elétrica. Para realizar a calibração de forma precisa, retiraram-se todos os objetos metálicos que pudessem causar interferência no campo magnético do equipamento.
Dentro das subparcelas foram avaliadas as seguintes variáveis relacionadas ao desenvolvimento das plantas:
- ALT: altura de plantas, medida da base da planta até a lígula da folha +1, com um bastão escalonado (Figura 5B);
- DIAM: diâmetro de colmos, medido na área basal do 3° nó, com um paquímetro (Figura 5B);
- IAF: índice de área foliar, medido através de um sensor de radiação fotossinteticamente ativa (AccuPAR LP-80, Decagon Devices, Pullman, Washington, EUA);
- CLORO: teor relativo de clorofila nas folhas, por meio de um clorofilômetro portátil (ClorofiLog, Falker Automação Agrícola, Porto Alegre/RS, Brasil);
- NDVI, NDRE, CI, CCCI, MTCI e SAVI: índices de vegetação obtidos a partir da refletância do dossel, através do sensor Crop Circle ACS-430 (Holland Scientific Inc, Nebraska/EUA);
- BIOM: biomassa total da parte aérea (para as três primeiras avaliações), por meio da coleta manual e pesagem de todo material presente na subparcela;
- TCH: tonelada de cana por hectare (para avaliação final), coletada da mesma forma que BIOM.
Além das avaliações biométricas (AV1, 2 e 3), todos os colmos presentes na subparcela correspondente à última época de avaliação foram cortados e pesados, sendo que 10 colmos foram enviados ao laboratório da usina para análise tecnológica, onde foram analisados os seguintes itens, conforme manual de instruções Consecana (2006):
- BRIX: quantidade de compostos solúveis na solução de sacarose (%); - POL: teor de sacarose aparente (%);
- PC: teor de sacarose real (%); - FIBRA: quantidade de fibra (%);
- AR: açúcares redutores (glicose e frutose, em %); - PUR: pureza (%);
Figura 5. Amostragem da condutividade elétrica aparente do solo com EM38-MK2 (A) e local para medição da altura (mão superior) e diâmetro (mão inferior) (B).
As variáveis NCOL, ALT, DIAM e CLORO foram avaliadas em 10 perfilhos aleatórios e representativos em cada subparcela. CLORO foi amostrada no limbo foliar da folha +3, numerada pelo sistema estabelecido por Kuijper, citado por Rodrigues (1995), posicionando o equipamento aproximadamente na metade, entre a base e a extremidade da folha. O IAF foi medido em três pontos ao longo da subparcela, uma vez que cada leitura do equipamento abrange 86,5 cm, excluindo-se as bordaduras e gerando um valor médio.
As subparcelas foram avaliadas com um sensor de refletância do dossel que trabalha com três bandas espectrais distintas, na região do vermelho (Red, 670 nm), na região de transição entre vermelho e infravermelho próximo (Red-edge, 730 nm) e na região do infravermelho próximo (NIR, 780 nm). O sensor foi conduzido manualmente ao longo da subparcela, coletando-se, em média, 10 leituras, e os índices de vegetação calculados a partir da média das refletâncias na subparcela (Tabela 2).
Tabela 2. Descrição dos índices de vegetação utilizados.
Índice Equação Referência
Normalized Difference Vegetation Index
NDVI = (NIR - RED) /
(NIR + RED) Rouse et al., (1973) Normalized Difference
Red-Edge Index
NDRE = (NIR - REDGE) /
(NIR + REDGE) Barnes et al., (2000) Chlorophyll Index CI = (NIR / REDGE) - 1 Gitelson et al., (2005) MERIS Terrestrial
Chlorophyll Index
MTCI = (NIR - REDGE) /
(REDGE - RED) Shiratsuchi et al., (2010) Soil-Adjusted
Vegetation Index
SAVI = (1 + 0.5) * (NIR-RED) /
(NIR + RED + 0.5) Huete (1988) Canopy Content
Chlorophyll Index CCCI = NDRE / NDVI
Long, Eitel e Huggins (2009)
A fertilidade química e a granulometria do solo, assim como sua compactação e umidade, foram avaliadas em cada parcela, buscando inferir a influência dessas propriedades nas variáveis agronômicas levantadas e na produtividade de colmos. Essas variáveis foram medidas a partir de cinco subamostras (Figura 4) por parcela, na profundidade de 0-20 e 20-40 cm. A compactação foi mensurada por um penetrômetro automático Solotrack (Falker Automação Agrícola, Porto Alegre/RS, Brasil) em dez pontos de cada parcela, dois em cada subparcela e dois no centro da parcela, sendo um na linha de cana e outro a 30 cm da linha. A umidade do solo foi obtida pelo método gravimétrico padrão, conforme metodologia proposta pela Embrapa (1997), coletando-se uma amostra de solo a 15-20 e outra a 35-40 cm de profundidade, no centro da parcela. Todas essas avaliações de solo foram realizadas quando as parcelas foram alocadas.
Em função das análises de solo realizadas previamente pela usina, as áreas receberam calcário, gesso, octaborato de sódio e Ajifer® (fertilizantes líquidos ricos em B e N, respectivamente), N foliar junto à aplicação aérea de inseticida e, em função da área ser próxima à usina, também foi aplicado vinhaça diluída.
Nas subparcelas que tiveram a biomassa medida no momento de colheita do canavial foram coletadas amostras de folha para análise nutricional de macro e micronutrientes. Foram amostradas 10 folhas recém-maduras (terço médio da folha +1) a partir do mesmo sistema de classificação (Kuijper), no período de máximo desenvolvimento da cultura (janeiro/2017), excluindo-se a nervura central (MALAVOLTA; VITTI; DE
impactar na produtividade da cana.
3.3 Cronologia experimental
As duas áreas foram manejadas de forma semelhante, tanto em relação aos tratos culturais quanto às datas das operações (Tabela 3), pois as áreas eram próximas (aproximadamente 3 km de distância) e, assim, a usina utilizou a mesma frente de tratos e colheita, apesar de variedades e características diferentes. A principal diferença está na data de plantio das áreas.
Tabela 3. Cronologia final do experimento.
Operação Boa Vista
(RB867515) Santa Luzia (RB855156) Plantio 09/10/2014 23/04/2015 1º corte 12/04/2016 25/04/2016 ECa 05/07/2016 05/07/2016
Alocação das parcelas e coleta de solo 20-21/08/2016 27-28/08/2016
1ª avaliação (AV1) 11/09/2016 13/09/2016
2ª avaliação (AV2) 11/10/2016 12/10/2016
3ª avaliação (AV3) 03/12/2016 10/12/2016
Amostragem de folhas 10/01/2017 10/01/2017
Colheita do experimento (AV4) 5-10/04/2017 3-4/04/2017
2º corte 18/04/2017 15/05/2017
3.4 Análises estatísticas 3.4.1 Análise exploratória
A análise exploratória dos dados foi realizada para examiná-los previamente à aplicação de qualquer técnica estatística e, desta forma, entender as relações existentes entre as variáveis analisadas. O conjunto de dados não possuía nenhum valor faltante e os outliers (valores anômalos) foram identificados através do cálculo dos limites inferiores (LI) e superiores (LS) da dispersão dos dados (BUSSAB; MORETTIN, 2013), onde:
LI = Q1 – 1.5 x IQR e LS = Q3 + 1.5 x IQR
sendo IQR a amplitude interquartílica (IQR = Q3 – Q1, ou seja, 50% dos dados), Q1 o quartil 1 ou 25º percentil e Q3 o quartil 3, ou 75º percentil. Todos os valores que estavam acima ou
abaixo dos limites superiores e inferiores, respectivamente, foram substituídos pelos respectivos limites, para haver número suficiente de amostras (Figura 6).
Figura 6. Box-plot exemplificando a substituição de outliers de dois parâmetros. No primeiro caso (esquerda), há apenas um outlier (IAF = 3,73) e o limite superior (LS) é 3,545. Dessa forma, esse valor acima do limite superior foi substituído pelo limite superior. No segundo caso (direita), os dois valores (pH = 6,0 e 6,2) foram substituídos pelo seu limite superior (LS = 5,95), mantendo-se assim o número original de amostras.
Para verificar a influência das variáveis biométricas (número de perfilhos, altura de plantas, diâmetro de colmos, índice de área foliar, teor de clorofila e índices de vegetação) na produtividade da cana-de-açúcar, foram realizadas correlações de Pearson visando medir a intensidade e a direção da relação linear entre duas variáveis contínuas, no caso TCH e outra variável de interesse. Conjuntamente, foram analisadas as correlações entre as variáveis mensuradas com intuito de encontrar alguma associação que pudesse dar suporte à identificação dessa variabilidade.
3.4.2 Regressões multivariadas
Para identificar as variáveis e época mais importante para estimar a produtividade da cana-de-açúcar, foram realizadas regressões multivariadas, integrando parâmetros biométricos, índices de vegetação, atributos de solo e análises nutricionais da folha, com todas as avaliações da subparcela “D” (onde foram realizadas quatro avaliações na mesma subparcela). Para isso, foi necessário realizar uma seleção de variáveis para eliminar aquelas com efeitos insignificantes. A seleção de variáveis foca em encontrar o melhor conjunto de variáveis para incluir em um modelo e assim, reduzir consideravelmente a gama de possibilidades de modelos (CLARKE; FOKOUE; ZHANG, 2009). Partindo do princípio da parcimônia, a explicação para qualquer fenômeno deve assumir apenas as premissas
qualquer diferença aparente nas predições (COURTNEY; COURTNEY, 2008). Dessa forma, vários parâmetros foram levados em conta para se adequar à necessidade do produtor e os melhores modelos foram aqueles que continham o menor número de variáveis com as melhores métricas de ajuste.
Prever a produtividade da cana com antecedência é interessante para realizar algum tipo de manejo que vise correções que possam alcançar o aumento de produtividade, e a fim de aumentar as possibilidades, todos os atributos foram levados em consideração, inclusive atributos da última avaliação (colheita). Isso porque pode haver interesse da usina no planejamento da colheita, dimensionamento de frentes de colheita, escalonamento de máquinas e suporte à indústria.
Assim sendo, havia inúmeras possibilidades de modelos que poderiam ser gerados a partir dos dados coletados, pois havia sete variáveis de planta e seis índices de vegetação em três avaliações biométricas, quatorze atributos de solos em duas profundidades, análise nutricional (macro e micro) das folhas, todos coletados em duas fazendas com variedades diferentes, o que torna inviável manter todas as variáveis devido ao número restrito de 40 parcelas.
Uma vez que não há um único e melhor método de seleção de variáveis (HASTIE; TIBSHIRANI; FRIEDMAN, 2001), algumas alternativas foram utilizadas, como a remoção de variáveis altamente correlacionadas (colinearidade). Ao ajustar um modelo de predição utilizando um conjunto de variáveis com alta correlação entre si, a qualidade do modelo pode ser reduzida, pois estas não acrescentam informação adicional ao modelo e, ao contrário, podem adicionar ruído (DRAPER; SMITH, 1998). Por exemplo, com o intuito de aumentar as chances de predizer a produtividade da cana através da refletância do dossel, buscou-se explorar outros índices de vegetação (SAVI, MTCI, CI e CCCI) além dos mais citados na literatura (NDVI e NDRE). Esses índices, com exceção do CCCI, apresentaram-se altamente relacionados com NDVI e NDRE (Figura 7) em função de utilizarem a banda Red ou Red-edge, respectivamente. Sendo assim, os índices SAVI, MTCI e CI foram excluídos da análise, porém, mesmo que o NDVI e NDRE também apresentaram colinearidade, optou-se em mantê-los por serem os mais importantes na literatura. Dessa forma, a seleção de atributos pode facilitar a visualização dos dados, reduzir requisitos de armazenamento, tempo de processamento e melhorar a eficiência dos modelos (GUYON; ELISSEEFF, 2003).
Figura 7. Correlação entre variáveis (exemplo de índices de vegetação na 1ª avaliação) e sua linearidade; na diagonal principal, a distribuição dos dados (histograma) de cada variável.
Como se buscava encontrar a melhor época de avaliação e as variáveis que poderiam predizer a produtividade foi realizado um levantamento com todas as possibilidades possíveis para modelagem, já excluindo as variáveis com alta colinearidade. Assim, gerou-se um fatorial entre os subconjuntos de atributos contendo: três possibilidades de fazenda (individuais ou juntas), quatro de solo (sem solo, 0-20 cm, 20-40 cm e 0-40 cm), dezesseis de biometria (sem biometria e combinações das quatro avaliações), oito de índices de vegetação (sem e com combinações dos índices NDVI, NDRE e CCCI) e quatro de análise nutricional (sem análise, macro, micro e juntas), conforme Figura 8. Isso totaliza 6141 combinações possíveis para modelagem, onde, por exemplo, “Biometria 1” corresponde a todos os atributos biométricos da primeira avaliação e “IVs 13” corresponde a todos atributos de índices de vegetação das avaliações 1 e 3. Exemplificando, uma combinação possível foi: ambas as fazendas, com dados de solo de 0-20 cm, com dados biométricos das avaliações 1 e 3, com índices de vegetação das avaliações 1 e 2 com a análise nutricional de macronutrientes. Para
caso específico do k-fold), com k igual ao número total de dados N, onde são realizados N cálculos de erro, um para cada dado. Isso com o objetivo de realizar uma investigação completa sobre a variação do modelo em relação aos dados utilizados.
Figura 8. Exemplo de combinações de subconjuntos de variáveis para criação dos modelos de regressão. Para efeito de visualização, a figura apresenta apenas algumas possibilidades, porém todas as combinações entre os subconjuntos foram realizadas.
Após efetuar essas possíveis combinações de subconjuntos, dependendo da combinação, ainda restaram muitos atributos, e, por isso, foi adotado o método da regressão Stepwise, que é capaz de identificar um subconjunto útil de variáveis. Esse tipo de seleção integra duas estratégias para fazer essa seleção: forward e backward, e, ao final, têm-se uma estratégia híbrida (HASTIE; TIBSHIRANI; FRIEDMAN, 2001). Segundo os mesmos autores, a primeira estratégia inicia com o coeficiente linear, e então sequencialmente adiciona ao modelo a variável que mais contribui para o ajuste. Já a segunda, começa com o
modelo completo e sequencialmente exclui as variáveis que tem o menor impacto no ajuste. Dessa forma, o modo híbrido integra as duas estratégias em cada passo, selecionando a “melhor” das duas utilizando o critério AIC (Akaike information criterion), para dar peso às escolhas. Os modelos foram comparados utilizando o ΔR² (módulo da diferença entre R² da validação cruzada e R² da calibração), o RMSE (raiz do erro quadrático médio) da calibração e validação e o RPD (Ratio Percentage Deviation – relação entre o desvio padrão da produtividade real pelo RMSE da validação). De acordo com a classificação proposta por Viscarra Rossel, McGlynn e McBratnet (2006), o RPD pode ser dividido conforme Tabela 4.
Tabela 4. Classificação de modelos em função do RPD.
Modelo Uso RPD
Muito fraco Não recomendado ≤ 1
Fraco Distinção entre valores altos e baixos 1 a 1,4
Regular Inferências e correlações 1,4 a 1,8
Bom Possíveis previsões quantitativas 1,8 a 2
Muito bom Quantificações 2 a 2,5
Ótimo Quantificações ≥ 2,5
Ainda, segundo Terra, Demattê e Viscarra Rossel (2015), os modelos de regressão podem ser classificados em três categorias de qualidade para fins de comparação, considerando a confiabilidade de predição de acordo com a variação dos valores de R² da validação: A) R² > 0,75: modelos bem ajustados para uma predição com acurácia; B) 0,50 ≤ R² ≤ 0,75: modelos ajustados que podem ser melhorados; e C) R² < 0,50: modelos não confiáveis sem habilidades de previsão.
3.4.3 Análise de componentes principais
Além das regressões multivariadas, realizaram-se análises de componentes principais (PCA) visando identificar as variáveis que influenciam na variabilidade da produtividade e criar modelos ajustados de predição, uma vez que seu objetivo principal é a redução da dimensionalidade (JOHNSON; WICHERN, 2002). O PCA gera tantas componentes quanto variáveis houver, porém a maioria da informação inerente é geralmente inserida nas primeiras componentes, resultando assim na redução da dimensionalidade do conjunto de dados (REIMANN et al., 2008).
abordagens visando criar modelos ajustados para predição (Tabela 5) e, assim, inferir sobre fatores que influenciam na variabilidade da biomassa e produtividade. Mesmo que o atributo que interesse comercial é a produtividade, Sandhu et al. (2012), argumenta que a biomassa da parte aérea da cana-de-açúcar é um dos atributos mais importantes a ser mensurados, uma vez que está diretamente ligada à produtividade final dos colmos.
Neste caso, a abordagem “1B” utiliza dados biométricos da primeira avaliação realizada na subparcela “B”, ou seja, na subparcela que teve a biomassa cortada na segunda avaliação (subparcela “B”), relacionando tais dados biométricos com a biomassa da parcela, atuando como uma predição (futura). Já a abordagem “2B” utiliza os dados biométricos da 2ª avaliação com a biomassa da subparcela “B”, coletada na mesma avaliação (atual).
Tabela 5. Diferentes abordagens para aplicação da análise de componentes principais.
Abordagem Avaliação Subparcela e Biomassa
1A (Atual) 1ª A 1B (Futura) 1ª B 2B (Atual) 2ª B 1C (Futura) 1ª C 2C (Futura) 2ª C 3C (Atual) 3ª C 1D (Futura) 1ª D 2D (Futura) 2ª D 3D (Futura) 3ª D 4D (Atual) 4ª D
Foram realizadas regressões a partir das componentes principais 1 e 2 e componentes 1, 2 e 3, visando obter modelos mais simples e melhores para predição da produtividade, porém os resultados com três componentes foram equivalentes aos com duas. Nessa análise, a técnica stepwise não foi utilizada, pois havia apenas dois ou três atributos (componentes), porém, por mais que simplifique a modelagem, gera modelos de difícil interpretação, pois as variáveis utilizadas são na verdade as componentes.
Assim, a fim de obter modelos mais interpretáveis a partir das próprias variáveis ao invés das componentes, também foram realizadas regressões multivariadas a partir das variáveis que mais contribuíram para cada componente utilizada, também sem utilizar a técnica stepwise. Conforme critério de Jackson (2003), para escolher o número de componentes principais relevantes, a variabilidade explicada deve ser no mínimo de 80%. Quando a soma das duas primeiras componentes não atingia 80% da variância explicada,
utilizava-se N componentes até alcançar esse valor, selecionando a variável com maior importância na componente e criando o modelo a partir delas (Tabela 9). Dessa forma, se fossem necessárias quatro componentes para atingir os 80% da variabilidade explicada, a variável mais importante de cada componente seria selecionada, realizando assim a regressão multivariada simples com essas quatro variáveis. Logo, é sabido que essa metodologia é inferior à regressão a partir das componentes completas (pois utiliza somente uma variável da componente), mas por outro lado simplifica a modelagem e facilita a compreensão do usuário final.
4.1 Influência de propriedades do solo na produtividade
Nenhum fator mensurado (resistência à penetração, análise nutricional das folhas e química do solo) além das variáveis biométricas foi limitante na produtividade da cana-de-açúcar. Materechera et al. (1992) afirmam que os níveis críticos de resistência à penetração para o crescimento das plantas variam com o tipo de solo e espécie cultivada bem como Unger e Kaspar (1994) relatam valores de 2,5 MPa como limitantes. Dessa forma, os valores de produtividade das parcelas foram acima da média do mercado (73,72 Mg.ha-1 - CONAB, 2017) e as parcelas que apresentaram produtividade abaixo da média das fazendas (122 Mg.ha-1) não apresentaram relação direta com compactação, indicando que há outros fatores que influenciam essa variação (Apêndice 3 e Apêndice 4). As análises laboratoriais de solo mostraram que a amplitude das diferenças das propriedades do solo decorre da variabilidade presente nas áreas (Apêndice 9 ao Apêndice 12) e não apresentaram nenhum desequilíbrio expressivo, segundo critérios abordados por Raij et al. (1996). Isso pode ser comprovado na diagnose foliar, tanto para macro quanto micronutrientes, que também não apresentou nenhuma anomalia nos canaviais estudados, pois a maioria das parcelas estava dentro do limite recomendado por Raij et al. (1996) (Apêndice 5 ao Apêndice 8). Além disso, foi possível verificar que os atributos de solo analisados têm baixa correlação com produtividade (Apêndice 13 ao Apêndice 17).
4.2 Parâmetros biométricos determinantes para acúmulo de biomassa e produtividade
Os parâmetros biométricos NCOL, IAF e ALT apresentaram moderada a alta correlação com a biomassa coletada no momento de cada avaliação (0,53 ≤ r ≤ 0,89 – Tabela 6), independentemente da área de estudo e do momento da avaliação (Apêndice 19 ao Apêndice 21). Esses atributos sobressaíram com freqüência em todas as avaliações e variedades, constatando sua influência no acúmulo da biomassa ou da produtividade da cana.
As duas variedades utilizadas apresentam grandes diferenças morfológicas, pois nitidamente ocorre uma segregação (agrupamento dos scores) nas quatro avaliações (Figura 9 e Apêndice 28 ao Apêndice 36), o que pode gerar diferenças nas correlações com biomassa e produtividade. Ainda, os atributos CLORO e DIAM apresentaram grande influência na diferenciação das variedades, uma vez que os vetores apontam para a direção da maior
variância dos dados em todas as avaliações; enquanto NCOL, ALT e IAF variaram em função de cada análise, pois as variedades diferem conforme seu desenvolvimento.
Tabela 6. Interpretação da dimensão de correlação, proposta por Hinkle, Wiersma e Jurs (2003).
Interpretação Correlação
Correlação muito alta ± 0,9 a 1,0
Correlação alta ± 0,7 a 0,9
Correlação moderada ± 0,5 a 0,7 Correlação baixa ± 0,3 a 0,5 Correlação insignificante ± 0,0 a 0,3
Entretanto, o acúmulo de biomassa nas avaliações ou a produtividade não são boas variáveis para diferenciar as variedades (sendo que a média final de produtividade foi igual), pois os vetores de BIOM e TCH encontram-se na região de divisa dos agrupamentos (Figura 9). Além disso, a variedade RB855156 apresentou ATR maior em relação à RB867515 (dados não apresentados), pois é uma variedade precoce e a análise tecnológica foi realizada no período de máxima concentração de açúcares dessa variedade, enquanto a colheita e análise foram realizadas precocemente para a RB867515.
Em relação à produtividade final da cana (Apêndice 36), o atributo NCOL foi o parâmetro biométrico que apresentou maior correlação com TCH (r = 0,5), enquanto os demais atributos apresentaram correlações abaixo de 0,32. Dessa forma, mesmo em estágios fonológicos avançados e no mesmo momento da coleta dos dados, a produtividade da cana se apresenta como variável complexa de ser estimada.
Figura 9. Análise de componentes principais (PCA – Loadings e scores) das abordagens 1A, 2B, 3C e 4D (todas avaliações realizadas no momento da coleta da biomassa). Nesses gráficos, o comprimento de um vetor representando uma variável está diretamente relacionado à sua variância; o comprimento e a direção de uma seta são mais determinados por pontos da extremidade; pontos da extremidade têm alta influência na componente principal e variáveis com transcrições similares se agrupam.
4.3 Relação de índices de vegetação com parâmetros biométricos e acúmulo de biomassa
Os índices de vegetação apresentaram moderada a alta correlação com parâmetros biométricos (0,5 ≤ r ≤ 0,72 – Apêndice 22). Por exemplo, todos os índices (independentemente da avaliação) apresentaram alguma correlação com NCOL1, em especial o MTCI (r = 0,72). Logo, esta ferramenta pode ser útil para identificar a taxa de brotação e possíveis pontos de falha no plantio, evento que tem recebido grande atenção por parte das usinas em função da mecanização, disposição e qualidade das mudas depositadas no sulco de plantio.
Embora a maioria das correlações encontradas seja moderada, elas podem ajudar na predição de parâmetros de interesse em estágios precoces da cana-de-açúcar, onde ainda é
