UNIVERSIDADE REGIONAL DO NOROESTE DO ESTADO DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM MODELAGEM MATEMÁTICA
DEPARTAMENTO DE CIÊNCIAS EXATAS E ENGENHARIAS DEPARTAMENTO DE ESTUDOS AGRÁRIOS
Rubia Diana Mantai
MODELAGEM MATEMÁTICA DAS RELAÇÕES BIOLÓGICAS E AMBIENTAIS DO USO DO NITROGÊNIO À PRODUTIVIDADE E QUALIDADE INDUSTRIAL E
NUTRICIONAL DE GRÃOS DE AVEIA
Rubia Diana Mantai
MODELAGEM MATEMÁTICA DAS RELAÇÕES BIOLÓGICAS E AMBIENTAIS DO USO DO NITROGÊNIO À PRODUTIVIDADE E QUALIDADE INDUSTRIAL E
NUTRICIONAL DE GRÃOS DE AVEIA
Tese de Doutorado submetida ao Programa de Pós-Graduação em Modelagem Matemática da Universidade Regional do Noroeste do Estado do Rio Grande do Sul - UNIJUÍ - como parte dos requisitos necessários para a obtenção do Grau de Doutora em Modelagem Matemática.
AGRADECIMENTOS
Agradeço inicialmente à DEUS, por ter me dado força, saúde e disposição. Agradeço também a Ele, por colocar pessoas tão especiais a meu lado, sem as quais certamente não teria dado conta!
Agradeço ao meu esposo Darlon, meu companheiro de todas as horas. Agradeço especialmente o seu carinho e paciência, pelos dias, noites, finais de semanas, “sacrificados” em prol da realização deste estudo.
À minha filha Milena, minha vida. O tempo de nossa convivência “roubado” pela tese, só fez fortalecer a vontade de estar junto de você.
Aos meus pais, Rubi e Nelci, pelo incentivo e apoio. Principalmente, minha mãe, fonte inesgotável de generosidade, pela dedicação e ajuda em cuidar de minha filha, em todos os momentos que eu não conseguia estar presente.
Às minhas irmãs Sandra e Graciela, companheiras de todas as horas.
“A amizade no grupo de pesquisa é mais importante que nitrogênio em V3”, dessa forma, quero expressar minha gratidão as pessoas que estiveram diretamente ligadas a este trabalho, sem os quais meus objetivos seriam difíceis de alcançar, ou até mesmo inatingíveis. Quero expressar de coração meus agradecimentos às seguintes pessoas e instituições:
Ao professor Dr. José Antonio Gonzalez da Silva, que foi mais que um orientador, foi um educador e amigo, meu muito obrigada de coração. É um privilégio conviver com uma pessoa tão generosa, eficiente, objetiva e diligente. O mérito desta tese também é seu.
Aos colegas da Modelagem Matemática e bolsistas da Agronomia, companheiros de vida acadêmica. Agradeço pelo apoio nos trabalhos de campo, laboratório e sala de pesquisa. Agradeço pelas discussões “do que fazer”, “porque fazer” e “como fazer” acompanhadas de um bom chimarrão. Todos vocês são co-autores deste trabalho. O envolvimento com todos, me ajudou não só a alcançar o objetivo de conclusão da tese, mas intensificou o desejo de continuar a fazer parte deste grupo de pesquisa e até mesmo coordenar um, ser pesquisadora e orientadora.
Aos professores que aceitaram fazer parte da banca de avaliação desta tese, meu muito obrigada, pelo apoio e sugestões de melhoria.
À UNIJUÍ e ao IRDeR, junto a seus colaboradores, que me ofereceram as condições acadêmicas necessárias para o desenvolvimento desta pesquisa, obrigada de coração.
À Capes, agradeço pela bolsa de estudos que possibilitou o meu doutoramento.
Agradeço também, a todas as pessoas que torceram ou intercederam por mim, mesmo que de forma anônima ou discreta. A todos estes amigos e amigas: Obrigada de coração.
Não tenha medo da vida, tenha medo de não vivê-la. Não há céu sem tempestades, nem caminhos sem acidentes. Só é digno do pódio quem usa as derrotas para alcançá-lo. Só é digno da sabedoria quem usa as lágrimas para irrigá-la. Os frágeis usam a força; os fortes, a inteligência. Seja um sonhador, mas una seus sonhos com disciplina, Pois sonhos sem disciplina produzem pessoas frustradas. Seja um debatedor de idéias. Lute pelo que você ama.
RESUMO
O emprego de modelos matemáticos nos processos de biossistemas geram simulações de ambientes adequados, possibilitando o avanço de novas tecnologias à agricultura. Para a cultura da aveia, destaque se dá ao manejo do N-fertilizante, o elemento químico essencial para o desenvolvimento da planta, com influência na produtividade e qualidade de biomassa e grãos. É evidente a necessidade de entendimento das relações de uso do nitrogênio para a aveia, visando a eficiência da cultura frente as condições adversas do meio e a sustentabilidade agrícola, através de modelos inovadores e eficientes que interligam fatores de manejo, genéticos e ambientais, proporcionando avanços científicos e tecnológicos. O objetivo do estudo é desenvolver e aplicar modelos matemáticos que promovam compreender a dinâmica e a eficiência de uso de N-fertilizante sobre a produtividade e qualidade industrial e nutricional de grãos de aveia promovendo simulação e otimização que abrangem as relações biológicas e ambientais atuantes nos sistemas de cultivo. O estudo foi realizado no Instituto Regional de Desenvolvimento Rural (IRDeR/UNIJUÍ) em Augusto Pestana (RS) em seis safras agrícolas (2011 a 2016). O delineamento experimental foi de blocos casualizados com quatro repetições, em um arranjo fatorial 4x2, para doses de nitrogênio (0, 30, 60 e 120 kg ha-1) e cultivares de
aveia (Barbarasul e Brisasul), em sistemas de sucessão soja/aveia e milho/aveia. A análise de médias comprovou a influência do nitrogênio à alteração dos componentes da produtividade de grãos e indústria e do conteúdo de proteína e fibra dos grãos de aveia, além disso, evidenciou a dependência de ação do nitrogênio pelas condições meteorológicas atuantes no sistema produtivo. Nessa perspectiva, os modelos matemáticos desenvolvidos por regressões expressaram com eficiência o comportamento destas variáveis em função do fornecimento do nutriente quando classificados pela categoria de ano agrícola, possibilitando a análise de otimização da dose do nutriente e a previsibilidade das variáveis. Modelos de estabilidade também se mostraram apropriados à otimização, indicando a dose de nitrogênio que reporta alta estabilidade frente às variações ambientais. Modelos de superfície de resposta possibilitaram a simulação diária da produtividade biológica com uso do nitrogênio, além disso, em conjunto ao modelo do índice de colheita, previram a produtividade de grãos. O uso de regressões múltiplas se destacou pela inclusão de variáveis que influenciam potencialmente a resposta final, sendo elas, a dose de adubação nitrogenada, as temperaturas mínima e máxima, a soma térmica e a precipitação pluviométrica. Nesta perspectiva, o potencial da variação ambiental foi decomposto nos coeficientes do modelo, que geraram simulações com resultados expressivos, independente da categoria de ano agrícola. A implementação dos modelos de lógica fuzzy e redes neurais artificiais evidenciaram elevada eficiência de predição da produtividade e qualidade dos grãos de aveia, envolvendo variáveis controladas e não controladas a partir de indicadores biológicos e ambientais. Os modelos matemáticos desenvolvidos auxiliam na indicação da dose de adubação nitrogenada economicamente adequada e de menor impacto ambiental, com produtividade e qualidade industrial e nutricional de grãos de aveia exigidos pelo agricultor, indústria e consumidor. Além disso, possibilitam o planejamento de práticas agrícolas e agropecuárias, gerando informações de prognósticos e acompanhamento de produções eficientes com maior qualidade à alimentação humana. Outrossim, propõem uma nova análise de recomendações técnicas de adubação que considere, além do sistema de sucessão, as condições meteorológicas decisivas para o sucesso produtivo agrícola, visando o uso racional do fertilizante, com intuito de reduzir a poluição ambiental e os possíveis efeitos negativos à saúde pública. No entanto, descondiderando o tipo de resíduo cultural e as condições ambientais, destaca-se a dose 60 kg ha-1 de nitrogênio, como aquela que promove maior
produtividade de grãos e indústria, aliando viabilidade econômica e estabilidade produtiva, com alto nível de prudência em relação aos riscos de contaminação do lençol freático, contudo, sem acompanhar o maior teor de proteína e fibra dos grãos.
Palavras-chave: Avena sativa L.; Regressão; Inteligência artificial; Previsibilidade; Otimização; Qualidade técnica e ambiental.
ABSTRACT
The use of mathematical models in the processes of biosystems generate simulations of suitable environments, enabling the advance of new technologies to agriculture. For the oat crop, the N-fertilizer, the chemical element essential for the development of the plant, has an influence on the productivity and quality of biomass and grains. It is evident the need to understand the relations of use of nitrogen to oats, aiming at the efficiency of the crop in the face of adverse conditions of the environment and agricultural sustainability, through innovative and efficient models that interconnect management, genetic and environmental factors, providing advances scientific and technological. The objective of the study is to develop and apply mathematical models that promote the understanding of the dynamics and efficiency of N-fertilizer use on the productivity and industrial and nutritional quality of oat grains promoting simulation and optimization that cover the biological and environmental relations of culture. The study was carried out at the Regional Institute of Rural Development (IRDeR / UNIJUÍ) in Augusto Pestana (RS) in six agricultural crops (2011 to 2016). The experimental design was a randomized block design with four replications, in a 4x2 factorial arrangement, for nitrogen rates (0, 30, 60 and 120 kg ha-1) and oat cultivars (Barbarasul and Brisasul), respectively, in
succession systems soybeans/oats and corn/oats. The analysis of means showed the influence of nitrogen on the alteration of the components of grain and industry productivity and the protein and fiber content of oats, in addition, evidenced the dependence of nitrogen action on the meteorological conditions in the production system. In this perspective, the mathematical models developed by linear and quadratic regressions, efficiently expressed the behavior of these variables in function of the nutrient supply when classified by the category of agricultural year, allowing the analysis of nutrient dose optimization and the predictability of the variables. Stability models were also suitable for optimization, indicating the nitrogen dose that reports high predictability in the face of environmental variations. Response surface models enabled the daily simulation of biological productivity with nitrogen use, in addition, together with the model of the harvest index, predicted grain yield. The use of multiple regressions was highlighted by the inclusion of variables that potentially influence the final response, being the nitrogen fertilization dose, minimum and maximum temperatures, thermal sum and rainfall. In this perspective, the potential of the environmental variation was decomposed into the coefficients of the model, which generated simulations with expressive results, independent of the category of agricultural year. The implementation of fuzzy logic models and artificial neural networks evidenced a high efficiency of prediction of productivity and quality of oats, involving controlled and uncontrolled variables from biological and environmental indicators. The mathematical models developed help to indicate the dose of nitrogen fertilization economically satisfactory and of lower environmental impact, with productivity and industrial and nutritional quality of oats required by the farmer, industry and consumer. In addition, they enable the planning of agricultural and agricultural practices, generating prognostic information and monitoring of efficient production with higher quality to human food. They also propose a new analysis of fertilization technical recommendations that consider, in addition to the succession system, the decisive meteorological conditions for agricultural productive success, with a view to the rational use of fertilizer, in order to reduce environmental pollution and the possible negative effects on public health. However, considering the type of crop residues and environmental conditions, it is worth noting the dose of 60 kg ha-1 of nitrogen, such as the one that promotes higher productivity of grains and industry, combining economic viability and productive stability, with a high level of prudence in relation to the risks of contamination of the water table, however, without following the higher protein and fiber content of the grains. Keywords: Avena sativa L.; Regression; Artificial intelligence; Predictability; Optimization;
LISTA DE TABELAS
Tabela 1. Valores médios de temperatura e precipitação nos meses de cultivo e média de produtividade de grãos da aveia nos sistemas de sucessão ... 36 Tabela 2. Valores médios da produtividade de biomassa à classificação dos anos agrícolas. . 39 Tabela 3. Exemplo da análise de trilha ... 47 Tabela 4. Valores médios e contribuição relativa do nitrogênio sobre indicadores da
inflorescência, qualidade industrial e química de grãos de aveia nos sistemas de cultivo49 Tabela 5. Correlação e trilha da produtividade de grãos e de indústria sobre indicadores da
inflorescência da aveia no uso de nitrogênio em sistema soja/aveia ... 52 Tabela 6. Correlação e trilha da produtividade de grãos e de indústria de aveia sobre indicadores
da produtividade e qualidade de grãos no uso de nitrogênio em sistema soja/aveia ... 54 Tabela 7. Correlação e trilha da produtividade de grãos e de indústria sobre indicadores da
qualidade química de grãos da aveia no uso de nitrogênio em sistema soja/aveia ... 56 Tabela 8. Correlação e trilha da produtividade de grãos e de indústria sobre indicadores da
inflorescência da aveia no uso de nitrogênio em sistema milho/aveia ... 58 Tabela 9. Correlação e trilha da produtividade de grãos e de indústria de aveia sobre indicadores
da produtividade e qualidade industrial de grãos no uso de nitrogênio em sistema milho/aveia ... 59 Tabela 10. Correlação e trilha da produtividade de grãos e de indústria sobre indicadores da
qualidade nutricional de grãos da aveia no uso de nitrogênio em sistema milho/aveia ... 61 Tabela 11. Análise de variância para experimento fatorial no delineamento em blocos ao acaso ... 69 Tabela 12. Análise de variância da regressão ... 73 Tabela 13. Análise de variância da regressão com repetição ... 75 Tabela 14. Resumo da análise de variância das variáveis da produtividade e qualidade do grão
de aveia, pelas doses de nitrogênio, ano de cultivo e sistema de sucessão ... 77 Tabela 15. Equação da eficiência agronômica e valores médios da produtividade e qualidade
industrial e nutricional de grãos de aveia em distintos anos de cultivo no sistema soja/aveia ... 78 Tabela 16. Simulação da produtividade de palha e de indústria, proteína total e fibra total pela
Tabela 17. Equação da eficiência agronômica e valores médios da produtividade e qualidade industrial e nutricional de grãos de aveia em distintos anos de cultivo no sistema milho/aveia ... 83 Tabela 18. Equação da eficiência técnica de uso do nitrogênio para produtividade de grãos e
estimativa da qualidade industrial e nutricional da aveia no sistema milho/aveia ... 86 Tabela 19. Valores médios e parâmetros de estabilidade das variáveis de produtividade e
qualidade de grãos da aveia em distintas doses de nitrogênio no sistema soja/aveia ... 95 Tabela 20. Estimativa da máxima eficiência técnica, econômica e de estabilidade pelo
nitrogênio à simulação de produtividade e qualidade de grãos de aveia no sistema soja/aveia ... 96 Tabela 21. Valores médios e parâmetros de estabilidade das variáveis de produtividade e
qualidade de grãos da aveia em distintas doses de nitrogênio no sistema milho/aveia .. 100 Tabela 22. Estimativa da máxima eficiência técnica, econômica e de estabilidade pelo uso de
nitrogênio à simulação de produtividade e qualidade de grãos de aveia no sistema milho/aveia ... 102 Tabela 23. Valores médios e regressão para interpolação de pontos das variáveis de
produtividade e qualidade industrial e nutricional dos grãos de aveia no sistema soja/aveia ... 110 Tabela 24. Valores médios e regressão para interpolação de pontos das variáveis de
produtividade e qualidade industrial e nutricional dos grãos de aveia no sistema milho/aveia ... 111 Tabela 25. Parâmetros de estabilidade da produtividade e qualidade industrial e nutricional de
grãos de aveia em diferentes doses de nitrogênio nos sistemas soja/aveia e milho/aveia ... 112 Tabela 26. Parâmetros de estabilidade da produtividade e qualidade industrial e nutricional de
grãos de aveia em diferentes doses de nitrogênio independente do sistema de sucessão de cultura... 114 Tabela 27. Valores de produtividade de biomassa pelas doses de nitrogênio em cobertura e
equação de regressão para interpolação no sistema soja/aveia. ... 122 Tabela 28. Valores de produtividade de biomassa pelas doses de nitrogênio em cobertura e
equação de regressão para interpolação no sistema milho/aveia. ... 123 Tabela 29. Médias de produtividade biológica pelas doses de nitrogênio nos sistemas soja/aveia
Tabela 30. Superfície de resposta da produtividade de biomassa da aveia por categoria de ano em função da dose de nitrogênio e dos dias do ciclo ... 126 Tabela 31. Determinação da produtividade de biomassa aos 90 dias do ciclo da aveia por
categoria de ano em função da dose de nitrogênio e dos dias do ciclo ... 126 Tabela 32. Estimativa da produtividade de biomassa aos 120 dias do ciclo da aveia por categoria
de ano em função da dose de nitrogênio e dos dias do ciclo ... 127 Tabela 33. Médias observadas da produtividade biológica, grãos e índice de colheita da aveia,
por categoria de ano e doses de nitrogênio nos sistemas soja/aveia e milho/aveia ... 134 Tabela 34. Simulação da produtividade biológica aos 120 dias do ciclo da aveia por categoria
de ano agrícola ... 135 Tabela 35. Simulação do índice de colheita da aveia por categoria de ano em função das doses
de nitrogênio e dos dias do ciclo ... 137 Tabela 36. Combinação dos modelos da produtividade de biomassa e índice de colheita para
estimativa da produtividade de grãos da aveia por categoria de ano ... 138 Tabela 37. Valores médios da produtividade de grãos, número de grãos maiores que 2 mm e
índice de descasque, e dados meteorológicos de temperatura e precipitação pluviométrica ... 149 Tabela 38. Modelo múltiplo da produtividade de grãos, número de grãos maiores que 2mm e
índice de descasque, em função de variáveis selecionadas pelo modelo Stepwise ... 151 Tabela 39. Simulação do modelo múltiplo da produtividade de grãos em função da dose de
nitrogênio e variáveis meteorológicas ... 152 Tabela 40. Simulação do modelo múltiplo do número de grãos maiores que 2 mm em função
da dose de nitrogênio e variáveis meteorológicas ... 154 Tabela 41. Simulação do modelo múltiplo do índice de descasque em função do fornecimento
de nitrogênio em cobertura e variáveis meteorológicas ... 155 Tabela 42. Simulação da produtividade industrial pelo produto de modelos múltiplos da
produtividade de grãos, número de grãos maior que 2 mm e índice de descasque ... 157 Tabela 43. Valores médios da proteína total, fibra total e do amido, junto à dados
meteorológicos da temperatura, soma térmica e precipitação pluviométrica ... 165 Tabela 44. Modelo múltiplo da proteína total, fibra total e amido, em função de variáveis
selecionadas pelo modelo Stepwise ... 168 Tabela 45. Simulação da proteína total pelo modelo múltiplo em função da dose de nitrogênio
Tabela 46. Simulação do modelo múltiplo da fibra total da dose de nitrogênio e variáveis meteorológicas ... 171 Tabela 47. Simulação do modelo múltiplo do amido da dose de nitrogênio e variáveis
meteorológicas ... 172 Tabela 48. Classe das variáveis de entrada e saída utilizados na base de regras lógica fuzzy para
a simulação da produtividade e qualidade de grãos da aveia no sistema soja/aveia ... 182 Tabela 49. Classes das variáveis de entrada e saída utilizados na base de regras lógica fuzzy
para a simulação da produtividade e qualidade de grãos da aveia, em sistema milho/aveia ... 183 Tabela 50. Lógica Fuzzy na simulação da produtividade de grãos e de indústria da aveia pelo
nitrogênio, temperaturas média e precipitação pluviométrica no sistema soja/aveia. .... 187 Tabela 51. Lógica Fuzzy na simulação da qualidade nutricional de grãos da aveia pelo
nitrogênio, temperaturas média e precipitação pluviométrica no sistema soja/aveia. .... 192 Tabela 52. Lógica Fuzzy na simulação da produtividade de grãos e de indústria da aveia pelo
nitrogênio, temperaturas média e precipitação pluviométrica no sistema milho/aveia. . 196 Tabela 53. Lógica Fuzzy na simulação da qualidade nutricional de grãos da aveia pelo
nitrogênio, temperaturas média e precipitação pluviométrica no sistema milho/aveia. . 201 Tabela 54. Valores médios da temperatura, soma térmica e precipitação pluviométrica do ciclo
de cultivo da aveia por categoria de ano agrícola ... 218 Tabela 55. Valores médios da produtividade biológica, de grãos e indústria, e teores de proteína
e fibra total, por categoria de ano e doses de adubação nitrogenada ... 219 Tabela 56. Resultado da seleção de variáveis influentes para produtividade de grãos e indústria,
e teor de proteína e fibra total de grãos de aveia ... 220 Tabela 57. Valores adimensionais de erro quadrático médio, para dados de treinamento, erro
relativo médio para dados de validação, e correção entre os resultados obtidos e observados na arquitetura treinada (7 NE – 15 NCE – 1 NS) ... 221 Tabela 58. Valores médios observados e simulados da produtividade de grãos de aveia pela rede
neural artificial, no sistema soja/aveia ... 223 Tabela 59. Valores médios observados e simulada da produtividade de grãos de aveia pela rede
neural artificial, no sistema milho/aveia ... 224 Tabela 60. Valores médios observados e simulados da produtividade industrial de aveia pela
Tabela 61. Valores médios observados e simulados da produtividade industrial de aveia pela rede neural artificial, no sistema milho/aveia ... 226 Tabela 62. Valores médios observados e simulados da proteína total dos grãos de aveia pela
rede neural artificial, no sistema soja/aveia ... 228 Tabela 63. Valores médios observados e simulados da proteína total dos grãos de aveia pela
rede neural artificial, no sistema milho/aveia ... 229 Tabela 64. Valores médios observados e simulados da fibra total dos grãos de aveia pela rede
neural artificial, no sistema soja/aveia ... 231 Tabela 65. Valores médios observados e simulados da fibra total dos grãos de aveia pela rede
LISTA DE FIGURAS
Figura 1. Croqui do experimento localizado no IRDER em sistema soja/aveia e milho/aveia 28
Figura 2. Manejos realizados nos 6 anos de cultivo ... 29
Figura 3. Coleta de dados da biomassa e produtividade de grãos ... 30
Figura 4. Avaliação das variáveis da produtividade e da inflorescência. ... 31
Figura 5. Avaliação das variáveis ligadas a qualidade tecnológica ... 32
Figura 6. Espectrômetro de refletância no infravermelho proximal (NIRS) e ilustração da funcionalidade do aparelho NIRS. ... 33
Figura 7. Dados meteorológicos de temperatura e precipitação nos anos de cultivo ... 37
Figura 8. Modelos de regressão pelos valores médios da produtividade e qualidade de grãos de aveia em função da dose de nitrogênio. ... 50
Figura 9. Comportamento da produtividade de grãos de aveia e sua máxima eficiência técnica de uso do nitrogênio no sistema soja/aveia ... 80
Figura 10. Comportamento da produtividade de grãos de aveia e sua máxima eficiência técnica de uso do nitrogênio no sistema milho/aveia ... 84
Figura 11. Comportamento da produtividade e qualidade industrial e nutricional média de grãos de aveia no sistema soja/aveia ... 99
Figura 12. Comportamento da produtividade e qualidade industrial e nutricional de grãos de aveia no sistema milho/aveia. ... 104
Figura 13. Comportamento da produtividade de grãos, número de grãos maior que 2 mm e do índice de descasque em função da dose de nitrogênio ... 148
Figura 14. Comportamento da produtividade industrial observada e simulada em função do nitrogênio. ... 159
Figura 15. Comportamento das variáveis ligadas a qualidade nutricional da aveia em função da dose de nitrogênio ... 167
Figura 16. Funções de pertinência das variáveis de entrada na implementação da lógica fuzzy ... 184
Figura 17. Funções de pertinência das variáveis de saída na implementação da lógica fuzzy ... 185
Figura 18. Comportamento da produtividade de grãos de aveia a partir de dados observados e estimados pela lógica fuzzy, em sistema soja/aveia ... 189
Figura 19. Comportamento da produtividade de indústria dos grãos de aveia a partir de dados observados e estimados pela lógica fuzzy, em sistema soja/aveia. ... 190 Figura 20. Comportamento da proteína total dos grãos de aveia a partir de dados observados e
estimados pela lógica fuzzy, em sistema soja/aveia ... 193 Figura 21. Comportamento da fibra total dos grãos de aveia a partir de dados observados e
estimados pela lógica fuzzy, em sistema soja/aveia. ... 195 Figura 22. Comportamento da produtividade de grãos de aveia a partir de dados observados e
estimados pela lógica fuzzy, em sistema milho/aveia ... 198 Figura 24. Comportamento da proteína total dos grãos de aveia a partir de dados observados e
estimados pela lógica fuzzy, em sistema milho/aveia ... 202 Figura 25. Comportamento da fibra total dos grãos de aveia a partir de dados observados e
estimados pela lógica Fuzzy, em sistema milho/aveia... 204 Figura 26. Representação da rede neural artificial de n variáveis de entradas ... 211 Figura 27. Esquema da propagação e retro propagação da rede neural perceptron de
SUMÁRIO
1. INTRODUÇÃO ... 20
2 METODOLOGIA GERAL ... 27
3 CLASSIFICAÇÃO DE ANO AGRÍCOLA PARA ANÁLISES EM PROCESSOS BIOLÓGICOS ... 35
4 CORRELAÇÃO E TRILHA NA DINÂMICA DE RELAÇÕES ENTRE VARIÁVEIS DA PRODUTIVIDADE E QUALIDADE INDUSTRIAL E QUÍMICA DE GRÃOS DE AVEIA PELO ESTÍMULO DO NITROGÊNIO ... 41
4.1 Hipótese ... 41 4.2 Meta ... 41 4.3 Introdução ... 41 4.4 Material e Métodos ... 43 4.5 Modelos matemáticos ... 43 4.5.1 Contribuição relativa ... 44 4.5.2 Análise de correlação ... 45 4.5.3 Análise de trilha ... 46 4.6 Resultados e Discussão ... 48 4.7 Conclusões ... 64
5. A REGRESSÃO PARA EFICIÊNCIA TÉCNICA E AGRONÔMICA DA AVEIA PELO NITROGÊNIO NA CONDIÇÃO DE ANO AGRÍCOLA E SISTEMAS DE SUCESSÃO ... 65
5.1 Hipótese ... 65
5.2 Meta ... 65
5.3 Introdução ... 65
5.4 Material e Métodos ... 67
5.5 Modelos Matemáticos e Estatísticos ... 68
5.5.2 Modelo Estatístico de Agrupamento de Médias de Scott e Knott... 70
5.5.3 Modelos de regressão nos processos biológicos ... 71
5.5.3.1 Regressão Linear Simples ... 72
5.5.3.2 Regressão Polinomial ... 74
5.5.3.3 Eficiência agronômica por regressão linear ... 75
5.5.3.4 Máxima eficiência técnica por regressão quadrática ... 76
5.6 Resultados e Discussão ... 76 5.7 Conclusões ... 88 6.1 Hipótese ... 89 6.2 Meta ... 89 6.3 Introdução ... 89 6.4 Material e Métodos ... 91 6.5 Modelos matemáticos ... 92 6.5.1 Modelo de Estabilidade ... 92
6.5.2 Máxima eficiência econômica por regressão quadrática ... 93
6.6 Resultados e Discussão ... 94
6.7 Conclusões ... 105
7. MODELOS DE ESTABILIDADE COMO CRITÉRIO DE AJUSTE DA DOSE DE NITROGÊNIO NA AVEIA SUBSIDIADO POR PONTOS DE INTERPOLAÇÃO . 106 7.1 Hipótese ... 106
7.2 Meta ... 106
7.3 Introdução ... 106
7.4 Material e Métodos ... 108
7.5 Modelos Matemáticos ... 109
7.5.1 Modelos de Estabilidade por Ecovalência ... 109
7.6 Resultados e Discussão ... 109
8. MODELO DE SUPERFÍCIE DE RESPOSTA PARA ESTIMATIVA DA PRODUTIVIDADE DE BIOMASSA PELO NITROGÊNIO E DIA DO CICLO DE
DESENVOLVIMENTO DA AVEIA... 117 8.1 Hipótese ... 117 8.2 Meta ... 117 8.3 Introdução ... 117 8.4 Material e Métodos ... 119 8.5 Modelos matemáticos ... 119 8.5.1 Superfície de Resposta ... 119 8.6 Resultados e Discussão ... 121 8.7 Conclusões ... 128
9. A COMBINAÇÃO REGRESSÃO DE SUPERFÍCIE DE RESPOSTA E POLINOMIAL NA SIMULAÇÃO DA PRODUTIVIDADE DE GRÃOS DE AVEIA ... 130 9.1 Hipótese ... 130 9.2 Meta ... 130 9.3 Introdução ... 130 9.4 Material e Métodos ... 132 9.5 Modelos matemáticos ... 132 9.6 Resultados e Discussão ... 133 9.7 Conclusões ... 140
10. REGRESSÕES LINEARES MÚLTIPLAS NA SIMULAÇÃO DA PRODUTIVIDADE INDUSTRIAL DE GRÃOS DE AVEIA PELO NITROGÊNIO E ELEMENTOS METEOROLÓGICOS ... 141
10.1 Hipótese ... 141
10.2 Meta ... 141
10.3 Introdução ... 141
10.5 Modelos Matemáticos e Estatísticos ... 144
10.5.1 Regressão Linear Múltipla ... 145
10.5.2 Método de seleção de variáveis (stepwise) para regressão linear múltipla ... 145
10.6 Resultados e Discussão ... 147
10.7 Conclusões ... 160
11. REGRESSÕES LINEARES MÚLTIPLAS NA SIMULAÇÃO DA COMPOSIÇÃO NUTRICIONAL DE GRÃOS DE AVEIA PELO NITROGÊNIO E ELEMENTOS METEOROLÓGICOS ... 161 11.1 Hipótese ... 161 11.2 Meta ... 161 11.3 Introdução ... 161 11.4 Material e Métodos ... 163 11.5 Modelos Matemáticos ... 164 11.6 Resultados e Discussão ... 164 11.7 Conclusões ... 174
12. LÓGICA FUZZY PARA SIMULAÇÃO DA PRODUTIVIDADE E QUALIDADE DE GRÃOS DE AVEIA PELO NITROGÊNIO E NÃO LINEARIDADE DAS CONDIÇÕES AMBIENTAIS ... 175
12.1 Hipótese ... 175
12.2 Meta ... 175
12.3 Introdução ... 175
12.4 Modelos Matemáticos e Estatísticos ... 177
12.4.1 Lógica fuzzy ... 177
12.5 Material e Métodos ... 181
12.6 Resultados e Discussão ... 186
13. INTELIGÊNCIA ARTIFICIAL VIA REDES NEURAIS NA PREVISIBILIDADE DA PRODUTIVIDADE E QUALIDADE DE GRÃOS DA AVEIA PELO
NITROGÊNIO E CONDIÇÕES DO CICLO DE DESENVOLVIMENTO ... 207
13.1 Hipótese ... 207
13.2 Meta ... 207
13.3 Introdução ... 207
13.4 Material e Métodos ... 209
13.5 Modelos Matemáticos ... 210
13.5.1 Redes Neurais Artificiais ... 210
13.6 Resultados e Discussão ... 217
13.7 Conclusões ... 234
14. CONSIDERAÇÕES FINAIS ... 235
1. INTRODUÇÃO
A modelagem matemática é uma ferramenta utilizada para explicar e interpretar fatos e fenômenos observados de diversas áreas do conhecimento, identificando características, realizando previsões e mostrando tendências ao longo do desenvolvimento. Consiste em transformar situações reais em representações matemáticas, cujas soluções facilitam o direcionamento de decisões à busca de eficiência e otimização (D’AMBROSIO, 1996; BERGEZ et al., 2012; BIEMBENGUT, 2014; SAUSEN, 2015; SOLTANI et al., 2018). O uso da modelagem em biossistemas tornou-se uma ferramenta eficaz e complementar às pesquisas experimentais, tendo como vantagem o baixo custo, a velocidade de resposta e a simulação de ambientes adequados na geração de avanços na busca de novas tecnologias (BERNARDON & CALGARO, 2007; BERGEZ et al., 2012; KLERING et al., 2016; DE MAMANN et al., 2017a). Nesta perspectiva, os modelos aplicados em biossistemas trazem informações relevantes para o planejamento de práticas agrícolas, viabilizando sistemas de produção sustentáveis e inovadores (BARIONI et al., 2011; BERGEZ et al., 2012; MAROLLI et al., 2017a; SCREMIN et al., 2017b; COYOS et al., 2018).
O emprego de modelos biométricos que promovam analisar aspectos ligados à estabilidade dos processos, geram importantes informações, indicando a capacidade de variáveis mostrarem um comportamento altamente previsível frente às variações ambientais, principalmente na agricultura, em que a não-linearidade dos elementos meteorológicos modificam de forma significativa sua expressão (EBERHART e RUSSEL, 1966; KUREK et al., 2001; BENIN et al., 2005; ARENHARDT et al. 2015; SAITO et al., 2018).
Também, o uso de modelos de correlação é essencial na análise de biossistemas, pois possibilitam avaliar a magnitude e o sentido de relações entre duas variáveis na detecção de tendência ou não de associação linear, e se a modificação de uma variável é seguida pela alteração de outra. Contudo, não são medidas de causa e efeito, possibilitando a influência de uma terceira variável ou grupo de variáveis. Modelos de análise de trilha permitem a desintegração ou partição do coeficiente de correlação, avaliando e quantificando os efeitos diretos e indiretos envolvidos sobre a variável principal, auxiliando no entendimento das reais relações de causa e efeito. O entendimento destas relações podem servir como base para inclusão de variáveis potenciais à modelos voltados à simulação e otimização (WRIGHT, 1921; WRIGHT, 1923; CRUZ, 2001; AMORIM et al., 2008; NOGUEIRA et al., 2012; ZUFFO et al., 2018).
Dentre os modelos utilizados na análise do comportamento, simulação e otimização de produtividades de culturas, o mais aplicado entre os pesquisadores são os modelos de regressão. Estes modelos geram equações que permitem entender e inferir a relação entre uma variável dependente (variável resposta) e uma ou mais variáveis independentes (variável explicativa), possibilitando realizar previsões da variável resposta e otimizações das variáveis explicativas (MARQUES et al., 2005; MASSAROTO et al., 2007; TAVARES et al., 2015; SCREMIN et al., 2017b; SEFFRIN et al, 2018). Na análise de experimentos, o modelo polinomial é amplamente utilizado para explicar o efeito dos tratamentos na variável reposta, dos quais destacam-se, os modelos de regressão linear, quadrática, superfície de resposta e linear múltipla. A regressão linear é representada por uma linha reta que cria uma relação direta de causa e efeito entre variáveis quantitativas. O coeficiente angular indica a direção da relação e quantifica a taxa de variação da variável resposta em função da variável explicativa, determinando a eficiência agronômica (KOLCHINSKI e SCHUCH, 2004; GRÖMPING, 2009; PINNOW et al., 2013; MAROLLI et al., 2017a; VIEIRA et al., 2018). A regressão quadrática dá aporte para a determinação do ponto de máxima ou de mínima na estimativa da eficiência técnica. Ao incluir elementos que envolvam o custo de um produto no eixo y e o fator de consumo no eixo x, pode ser determinado junto aos parâmetros do modelo a eficiência econômica (MASSAROTO et al., 2007; DORDAS et al., 2012; SILVA et al., 2016; DE MAMANN et al., 2017a; TANG et al., 2018). Dentre as regressões, uma alternativa é a utilização de superfície de resposta, que consiste em um modelo representado por uma superfície geométrica ajustada equivalente à superfície real sob influência de vários fatores quantitativos em uma variável resposta, possibilitando a simulação e/ou otimização de um processo, inclusive, explorando a sensibilidade da variável resposta a mudanças dos níveis dos fatores testados. Embora o modelo possa se utilizar de várias variáveis independentes, sua representação gráfica só é possível pela combinação duas a duas gerando uma superfície do R³ (CUSTÓDIO et al., 2000; ARAMI-NIYA et al., 2012; DE MAMANN et al., 2017b; SCREMIN et al., 2017a; KRAISIG et al., 2018). A regressão linear múltipla é um modelo diferenciado por permitir a inclusão de um somatório de efeitos controlados e não controlados no processo de bioexperimentação, explicando de forma satisfatória complexas relações lineares destes efeitos sobre a variável resposta. Destaca-se que as variáveis explicativas que irão compor a equação de regressão linear múltipla, devem estar relacionadas com a variável resposta. Portanto, é utilizado o método iterativo stepwise, como critério de seleção das variáveis ajustadas ao modelo linear múltiplo, excluindo possíveis redundâncias (ABBAD e TORRES, 2002;
JUNGESe FONTANA, 2011; ALVES et al., 2013; SILVA et al., 2014b; LAIDIG et al., 2018). Nesse sentido, os modelos de regressão permitem a previsibilidade do comportamento e simulações da variável de interesse, contribuindo para avanços no desenvolvimento de modelos mais complexos e no uso de técnicas computacionais (HOFFMANN-RIBANI & RODRIGUEZ-AMAYA, 2008; MUZANGWA et al., 2012; SCREMIN et al., 2017b; MAROLLI et al., 2018).
O uso de técnicas computacionais da inteligência artificial tem sido aplicadas com êxito em diversas pesquisas ligadas aos processos de biossistemas, principalmente através das Redes Neurais Artificiais e dos Sistemas de Conjuntos Nebulosos (KAVDIR e GUYER, 2003; LEAL et al. 2015; SANCHEZ, 2009; ALVAREZ & STEINBACH, 2011; BREZOLIN et al., 2017). As Redes Neurais Artificiais apresentam técnicas computacionais de iteração, definidas por um modelo estatístico inspirado na estrutura neural de organismos inteligentes. Portanto, possibilitam o reconhecimento de padrões entre as variáveis explicativas e a variável resposta previamente conhecidas, determinando uma estrutura de relação entre elas. São utilizadas para solucionar problemas complexos, normalmente não lineares, com uma abordagem próxima dos processos biológicos, o que pode tornar sua aplicação eficiente para simulação de culturas agrícolas (MATHIAS, 2006; ALVAREZ, 2009; CHANTRE et al., 2012; MAO & MONAHAN, 2018; ALVES et al., 2019). Os sistemas de conjuntos nebulosos, conhecidos como lógica fuzzy, são utilizados para tratar de problemas com características complexas, sendo o modelo capaz de capturar informações incertas, em geral, determinadas por expressões linguísticas, e convertê-las para um formato numérico de fácil manipulação determinada pela experiência de um especialista, tornando-se solução para problemas até então não solucionáveis por técnicas clássicas. Aceita a inclusão de várias variáveis, e fornece subsídios para simulação de culturas, sendo cada vez mais empregada no processo de apoio à tomada de decisões (ZADEH, 1965; SANCHEZ, 2009; SILVA et al., 2010; BRACARENSE et al., 2013; SILVA et al., 2014a; BANNERJEE et al., 2018). Tanto a metodologia da rede neural artificial como da lógica fuzzy, são empregadas como um meio de resolução de problemas não elementares com exatidão e rapidez para simulação de valores da variável de interesse em sistemas mais complexos, muitas vezes limitado quando do uso de métodos estatísticos convencionais (KAVDIR e GUYER, 2003; SRINIVASAN, 2006; BORGES et al., 2009; YILMAZ & KAYNAR, 2011; JAFELICE et al., 2012; SOARES et al., 2015; DORNELLES et al., 2018).
Modelos matemáticos com enfoque à simulação da produtividade e otimização das técnicas de cultivo através de regressões lineares e quadráticas são vastamente utilizadas em
diversas culturas, porém, com o enfoque exclusivo sobre uma técnica de manejo. Entretanto, sistemas biológicos são altamente complexos, influenciados por efeitos genéticos e ambientais, inviabilizando compreender a real eficiência e formas de utilização mais sustentável das técnicas de manejo. Nessa perspectiva, há a necessidade de compreendimento e melhoria dos processos de biossistemas, que podem ser alcançados com uso de modelos inovadores e eficientes que interligam fatores de manejo, genéticos e ambientais, aptos a trazer avanços científicos e tecnológicos visando a eficiência da cultura frente as condições adversas do meio (LE BAIL, et al., 2005; SOLER et al., 2007; SCARPARI; BEUCLAIR, 2009; KAEFER et al., 2014; COSTA et al., 2018).
A aveia branca (Avena sativa L.) é a segunda cultura de inverno mais cultivada no país, se destacando na região noroeste do estado do Rio Grande do Sul, por se tratar de um cereal que oferece inúmeros benefícios ao sistema de produção. Utilizada como adubo verde protege e melhora a qualidade física e a fertilidade do solo. Na alimentação animal é adotada na forma de pastagens, produção de feno, silagem e seus grãos na composição de ração, qualificada pelos altos índices de nutrientes digestivos e fibras. Além disto, possui grãos de destaque na alimentação humana, pelo alto teor de proteínas de qualidade e fibras solúveis, auxiliando na redução de enfermidades cardiovasculares e do colesterol LDL, o que certifica à aveia o título de alimento medicinal (FDA, 1997; FLOSS, 2005; CHAI et al., 2012; HAWERROTH et al. 2015, COELHO et al., 2018). Pela excelência nutricional, um grande número de indústrias de processamento utilizam a aveia no beneficiamento de produtos alimentícios, tendo uma crescente demanda de produtos derivados deste cereal no mercado nacional (GATTO, 2005; CRESTANI et al., 2010a; MARTINEZ et al., 2010; SILVEIRA et al., 2016; MAROLLI et al., 2017a). Contudo, para obter grãos adequados às exigências do mercado consumidor, é necessário aliar processos tecnológicos, que induzem a modificações físico-químicas, funcionais e nutricionais da planta, as quais mostram um desempenho diferenciado de acordo com as tecnologias de manejo, as condições ambientais e as características genéticas da cultivar (BARATA et al., 2001; WENDLING et al., 2007; CRESTANI et al., 2010a; ASEEVA & MELNICHUK, 2018).
Entre as tecnologias de manejo, o suprimento da adubação nitrogenada é a mais importante em cereais. Este nutriente é essencial no desenvolvimento da aveia, elevando a qualidade e a produtividade de biomassa e grãos (TAKAYAMA et al., 2006; FLORES et al., 2012; OBOUR et al., 2018). O nitrogênio está associado ao crescimento e ao desenvolvimento dos drenos reprodutivos, tem participação na molécula de clorofila, sendo indispensável para a
manutenção da atividade fotossintética, portanto, exercendo funções vitais no metabolismo vegetal (NOVOA & LOOMIS, 1981; BASI et al., 2011; JAT et al., 2014; SILVA et al., 2016; ZILIO et al., 2018). Está efetivamente integrado com os sistemas de sucessão, visto que, a distinta relação C/N interfere de forma diferenciada na disponibilidade do nutriente à cultura sucessora, afetando a expressão dos componentes da planta (SILVA et al., 2005; CASSOL et al., 2011; ARENHARDT et al., 2015; SCREMIN et al., 2017b). Seu uso evidencia também grande complexidade de ação sobre o ambiente, sendo facilmente perdido por lixiviação ou volatilização, ou ainda pela absorção em excesso, acarretando o acamamento da planta. Desta forma, a eficiência de uso deste nutriente pela aveia fica comprometida, reduzindo a produtividade de grãos, elevando os custos de produção e ocasionando problemas pela contaminação ambiental (TEIXEIRA FILHO et al., 2010; FLORES et al., 2012; PRANDO et al., 2013; BREZOLIN et al., 2017). Além do fator econômico da cultura, a preocupação se volta ao fator ambiental, especialmente em tecnologias de manejo, que preservam os recursos naturais, objetivando a sustentabilidade agrícola pelo desenvolvimento de estratégias e práticas adequadas para o melhor entendimento das relações de uso do solo, manejo, clima e cultivar (MONTEIRO, 2009; CARVALHO et al., 2012; PRANDO et al., 2013; SILVA et al., 2016; DORNELES et al., 2018).
A eficiência de uso do nitrogênio envolvendo os efeitos não lineares das condições ambientais nos principais sistemas de cultivo utilizados no sul do Brasil, na proposta de análise, simulação e otimização de processos de cultivo da aveia pela modelagem matemática, podem promover avanços na produtividade e qualidade industrial e nutricional de grãos economicamente satisfatórios, com um menor impacto ambiental. Para a aveia branca, raros são os modelos que buscam descrever o comportamento e a simulação da produtividade e a qualidade industrial e nutricional deste cereal pelo manejo do nitrogênio, principalmente quando se inclui efeitos não lineares dos fatores meteorológicos envolvidos nos agroecossistemas. A utilização de modelos matemáticos que interpretam e simulam o desenvolvimento da aveia, podem trazer importantes informações para o planejamento de práticas culturais, estimando e otimizando a produtividade e a qualidade do produto para a indústria, em função das interações dos fatores planta, ambiente e manejo. Se tratam de modelos inovadores e decisivos que qualificam os processos biológicos ligados a engenharia de biossistemas. Portanto, condições que podem promover ganhos imensuráveis sobre o auxílio na tomada de decisão para o gerenciamento sustentável com vistas à redução de custos, aumento
da eficiência e inovações tecnológicas na busca de qualidade dos produtos em processos mais sustentáveis.
O objetivo geral do estudo é o desenvolver e aplicar modelos matemáticos que promovam compreender a dinâmica e a eficiência de uso de N-fertilizante sobre a produtividade e qualidade industrial e nutricional de grãos de aveia promovendo simulação e otimização que abrangem as relações biológicas e ambientais atuantes nos sistemas de cultivo.
O desenvolvimento de apresentação dos resultados desta tese está particionado em capítulos com objetivos específicos distintos, no entanto, primordiais para o alcance do objetivo geral desta pesquisa. O primeiro capítulo apresenta uma introdução da pesquisa, abrangendo o problema, a justificativa da proposta e o objetivo geral do trabalho. No segundo capítulo é descrita a metodologia geral de análise do experimento, apresentando os procedimentos da pesquisa, e as variáveis analisadas. O terceiro capítulo, apresenta a classificação dos anos agrícolas, que servirão como base para o desenvolvimento dos modelos propostos. Os resultados são apresentados nos capítulos quatro a treze, com uma breve introdução, metodologia e modelos matemáticos específicos de cada capítulo, junto às análises dos resultados e discussões dos modelos apresentados.
Inicialmente, foi necessário conhecer as relações existentes entre as variáveis que compõem a inflorescência, a qualidade industrial e a qualidade química dos grãos de aveia, em função do fornecimento do nitrogênio, descritas no capítulo quatro, através de modelos de contribuição relativa, correlações e análise de trilha. Posteriormente, o capítulo cinco, utiliza modelos que determinam a eficiência agronômica e técnica de uso do nitrogênio para produtividade e qualidade industrial e química de grãos de aveia, com o intuito de compreender a dinâmica de ação do nutriente na planta e determinar a dose que potencializa o retorno produtivo de grãos. O capítulo seis, apresenta através de modelos de regressão, a expressão da eficiência técnica, econômica e de estabilidade de uso do nitrogênio, de modo a determinar doses de nitrogênio que refletem em maior retorno produtivo da aveia, além disso, aliado ao fator econômico e de maior estabilidade de produtividade. A análise destes resultados incentivam o uso do nitrogênio de forma eficiente e conciente, dado pela redução de custos de produção e da poluição ambiental. Posteriomente, no capítulo sete, através da interpolação de pontos e de modelos de estabilidade, foi possível determinar a dose de adubação nitrogenada que abrange maior produtividade de grãos com qualidade, e maior eficiência frente as condições meteorológicas atuantes no sistema, portanto, otimizando o N-fertilizante pelo viés sustentável.
No intuito de trazer contribuições para as diversas formas de uso da aveia, os próximos capítulos trarão modelos que visam a estimativa da produtividade e qualidade industrial e nutricional de grãos da aveia. Desta forma, o capítulo oito, traz o desenvolvimento de um modelo por superfície de resposta que possibilita a simulação da produtividade biológica em função da dose de nitrogênio aplicada e do dia do ciclo de desenvolvimento da aveia, servindo como uma ferramenta para o planejamento de práticas agropecuárias, classificadas pelas categorias de ano agrícola. A partir daí, o capítulo nove apresenta o produto do modelo desenvolvido para produtividade biológica, junto a um modelo que determina o índice de colheita em função do nitrogênio, desta forma, possibilitando a simulação da produtividade de grãos da aveia, envolvendo variáveis ligadas ao manejo da adubação nitrogenada, e de forma indireta, ao desenvolvimento da planta.
Os capítulos dez e onze, trazem modelos matemáticos que independem da categoria de ano agrícola, visto a ampliação do número de variáveis explicativas. Desta forma, os modelos a seguir foram desenvolvidos em função do uso do nitrogênio e dos elementos meteorológicos pertinentes na elaboração de regressões lineares múltiplas, permitindo estimar a produtividade e a qualidade industrial e química de grãos de aveia. O capítulo doze, inclui fatores controlados e não controlados, instituindo a possibilidade de melhor interpretação de resultados de estimativa da produtividade e qualidade industrial e química de grãos da aveia através da implementação da lógica fuzzy. Com o intuito da possibilidade de acompanhamento do desenvolvimento da planta, o capítulo treze traz a implementação de redes neurais artificiais para estimativa da produtividade e qualidade industrial e química de grãos de aveia, visto a inclusão das variáveis dose de nitrogênio, elementos meteorológicos, e a produtividade biológica determinada em qualquer dia do ciclo de desenvolvimento da aveia.
Por fim, o capítulo quinze traz as contribuições gerais do trabalho voltadas à utilização dos modelos utilizados e desenvolvidos, junto das principais respostas que abrangem a eficiência, otimização e simulação da produtividade e qualidade industrial e química de grãos da aveia, em função da adubação nitrogenada, elementos meteorológicos e sistemas de sucessão de culturas.
2 METODOLOGIA GERAL
Os dados experimentais do presente estudo foram coletados nos anos de 2011 a 2016 na área experimental do Instituto Regional de Desenvolvimento Rural (IRDeR) pertencente ao Departamento de Estudos Agrários (DEAg) da Universidade Regional do Noroeste do Estado do Rio Grande do Sul (UNIJUÍ) no municípios de Augusto Pestana-RS, localizado geograficamente a 28° 26’ 30’’ de latitude S e 54° 00’ 58’’ de longitude W, com uma altitude próxima a 400 m. O solo da unidade experimental se caracteriza por um Latossolo Vermelho Distroférrico típico (U.M. Santo Ângelo). Apresenta um perfil profundo, bem drenado, coloração vermelho escuro, com altos teores de argila e predominância de argilominerais 1:1 e óxi-hidróxidos de ferro e alumínio. De acordo com a classificação climática de Köeppen, o clima da região se enquadra na descrição de Cfa (subtropical úmido), com ocorrência de verões quentes e sem ocorrência de estiagens prolongadas. Apresenta ainda invernos frios e úmidos, com ocorrência de geadas.
A área na qual foi instalado o experimento tem como característica marcante a ocorrência de semeadura direta há vinte anos, caracterizando, portanto um sistema de semeadura direta consolidado. No período do verão a área é ocupada com soja e com milho, refletindo nos dois precedentes culturais utilizados.
Na implantação do ensaio, por volta de dez dias antes de cada semeadura, foi realizada uma análise de solo nas condições de estudo, identificando em médias, as seguintes características químicas do local: pH = 6,3; P = 34,1 mg dm-3; K = 231 mg dm-3; MO = 3,2 %;
Al = 0 cmolc dm-3; Ca = 6,6 cmolc dm-3 e Mg = 2,9 cmolc dm-3. As semeaduras foram realizadas
entre a primeira e a segunda semana de junho com semeadora-adubadora. Cada parcela foi constituída de 5 linhas com 5 metros de comprimento cada, e espaçamento entre linhas de 0,20 m, correspondendo a uma unidade experimental de 5 m2. A densidade populacional
utilizada foi de 300 sementes viáveis por metro quadrado. As sementes dos genótipos selecionados foram submetidas ao teste de germinação e vigor em laboratório a fim de corrigir a densidade de plantas para compor a população desejada.
Nos experimentos, foram aplicados na semeadura 60 e 50 kg ha-1 de P
2O5 e K2O com base
nos teores de P e K no solo para expectativa de rendimento de grãos de 3 t ha-1, respectivamente,
e de N na base com 10 kg ha-1 (exceto na unidade experimental padrão), sendo o restante em
cobertura para contemplar as doses propostas de N-fertilizante no estádio fenológico indicado de quarta folha expandida, com emprego da fonte ureia. Durante a execução do estudo, foram
efetuadas aplicações de fungicida tebuconazole de nome FOLICUR® CE na dosagem de
0,75 L ha-1. Além disto, o controle de plantas daninhas foi efetuado com herbicida
metsulfuron-metil de nome ALLY® na dose de 2,4 g ha-1 e capina adicional sempre que necessário.
Os estudos foram conduzidos em dois sistemas de cultivo, envolvendo a cobertura de solo com resíduo vegetal de elevada e reduzida relação Carbono/Nitrogênio, no sistema de sucessão milho/aveia e soja/aveia, respectivamente. Em cada sistema, dois experimentos foram conduzidos, um para quantificar a taxa de produção de biomassa total acumulada a cada 30 dias até o ponto de maturidade fisiológica e, o outro, para a colheita no final do ciclo visando exclusivamente a estimativa da produtividade de grãos e análise dos componentes da panícula. Portanto, nos quatro experimentos, o delineamento experimental adotado foi de blocos casualizados com quatro repetições, seguindo um esquema fatorial 4 x 2 para os fatores doses de nitrogênio, e cultivares, respectivamente. Nestas fontes de variação os níveis de cada fator foram assim representados: i) doses de nitrogênio (0 kg ha-1, 30 kg ha-1, 60 kg ha-1 e 120 kg ha -1); e ii) cultivares de aveia (Barbarasul e Brisasul). A Figura 1, apresenta a distribuição das
doses de nitrogênio e as cultivares de aveia no delineamento experimental juntamente com a identificação dos blocos, em cada sistema de sucessão.
Figura 1. Croqui do experimento localizado no IRDER em sistema soja/aveia e milho/aveia
Fonte: a autora (2019)
Foi utilizado o fertilizante nitrogenado ureia, por possuir um elevado teor de nitrogênio (45% de N), baixo custo de transporte, alta solubilidade, menor corrosividade, compatibilidade
com inúmeros outros fertilizantes e defensivos, alta taxa de absorção foliar, disponibilidade imediata para as plantas e facilidade de manipulação, além de causar menor acidificação no solo (YANO et al., 2005). A adubação sucedeu em uma única aplicação na condição V3/V4, que
ocorreu em aproximadamente 30 dias. Na Figura 2 são apresentados alguns manejos realizados na condição dos experimentos nos anos de cultivo.
Figura 2. Manejos realizados nos 6 anos de cultivo
(A)= semeadura; (B)= capina e demarcação de blocos; (C)= adubação nitrogenada; (D)= sistema de sucessão soja/aveia; (E)= sistema de sucessão milho/aveia. Fonte: a autora (2019).
As cultivares escolhidas para o experimento foram o genótipo de aveia branca Barbarasul: criada pela Universidade Federal de Pelotas, resultado do cruzamento entre UPF 18 X CTC 5, lançada em 2005, e Brisasul: criada pela Universidade Federal de Pelotas, resultado do cruzamento entre OR 2 X UPF 18, lançada em 2009. Suas características mais importantes são, a alta produtividade, baixa estatura e alta resistência ao acamamento.
O momento de colheita de grãos foi aquele também definido como o último corte do experimento direcionado à análise da produtividade de biomassa (120 dias, aproximadamente), com umidade de grãos ao redor de 15%. A colheita dos experimentos para a estimativa da produtividade de grãos em cada sistema de cultivo ocorreu de forma manual pelo corte das três linhas centrais de cada parcela, que após trilhadas com colheitadeira estacionária, foram
direcionadas ao laboratório para correção da umidade de grãos para 13% e posterior pesagem para estimativa da produtividade, convertida para a unidade de um hectare.
Nos experimentos visando quantificar a produtividade de biomassa total ao longo do desenvolvimento das plantas, a colheita do material vegetal foi realizada rente ao solo, a partir da coleta de um metro linear das três linhas centrais de cada parcela, no período de 30, 60, 90 e 120 dias após a emergência, totalizando quatro cortes. Após, as amostras com a biomassa verde foram direcionadas a estufa de ar forçado a temperatura de 65 °C até atingir peso constante, para a estimativa da matéria seca total, convertida em kg ha-1. Na Figura 3 são apresentadas
algumas técnicas da coleta de dados da biomassa e produtividade de grãos.
Figura 3. Coleta de dados da biomassa e produtividade de grãos
(A) Corte das três linhas centrais para estimativa da biomassa; (B) Pesagem da amostra de biomassa seca; (C) Colheita das três linhas centrais para estimativa da produtividade de grãos; (D) Trilha. Fonte: a autora (2019).
Foram analisados tanto a campo como em laboratório os seguintes caracteres: a) Caracteres indicadores de produtividade
PG – produtividade de grãos, determinada pela massa de grãos proveniente da colheita das três linhas centrais de cada parcela e posterior pesagem em balança de precisão, em kg ha-1.
PB – produtividade biológica, determinada pela colheita de um metro linear das três linhas centrais de cada parcela, secada em estufa a 60°C até atingir peso constante, posteriormente, pesada em balança de precisão e transformada em kg ha-1.
PP – produtividade de palha, determinada pela diferença da PB obtida aos 120 dias do ciclo de desenvolvimento pela PG, em kg ha-1.
IC – índice de colheita, determinado pela razão da PG com a PB. b) Caracteres da inflorescência
Da coleta aleatória de dez panículas de cada parcela foram obtidos:
MP – massa de panícula, mensurada através de pesagem em balança de precisão, em gramas. NEP – número de espiguetas por panícula, mensurada por contagem.
NGP – número de grãos por panícula, mensurada por contagem.
MGP – massa de grãos da panícula, mensurada através de pesagem em balança de precisão, em gramas.
CP – comprimento da panícula, mensurado com auxílio de régua, em centímetros.
ICP – índice de colheita da panícula, determinado pela razão da massa de grãos da panícula pela massa da panícula (ICP = MGP/MP), representado em valor decimal.
Na Figura 4 são apresentadas as avaliações de algumas variáveis ligadas a produtividade e a inflorescência.
Figura 4. Avaliação das variáveis da produtividade e da inflorescência.
(A) Estimativa da produtividade de grãos; (B) Comprimento da panícula; (C) Massa da panícula; (D) Massa de grãos da panícula. Fonte: a autora (2019).
c) Caracteres da qualidade tecnológica
MMG – massa de mil grãos, determinada pela pesagem de 250 grãos em balança de precisão, multiplicado por quatro, em gramas.
MH – massa do hectolitro, determinada pela massa de grãos de volume conhecido da amostra da colheita da parcela.
NG>2mm – Número de grãos maiores que 2mm em 100 grãos, obtido através da contagem de 100 grãos, os quais foram passados por uma peneira de malha 2 mm, sendo válidos apenas os grãos que ficarem acima da peneira.
MG>2mm – Massa de grãos maiores que 2mm, obtida através da pesagem em balança de precisão de 30 grãos com dimensão maior que 2mm.
MCar>2mm – Massa de cariopse maior que 2mm, obtida através da pesagem em balança de precisão de 30 grãos maiores que 2mm sem casca.
IDe – Índice de descasque, determinada pela razão da massa de 30 grãos sem casca pela massa dos mesmos 30 grãos com casca, a partir de IDe
MC MG
.PI – Produtividade industrial, determinada pelo produto da produtividade de grãos com o índice de descasque e o percentual de número de grãos maiores que 2 mm.
Na Figura 5 são apresentadas as avaliações de algumas variáveis ligadas a qualidade tecnológica.
Figura 5. Avaliação das variáveis ligadas a qualidade tecnológica
A) Grãos descascados; (B) Peneira de seleção de grãos maiores que 2 mm; (C) Massa da cariopse maior que 2 mm; (D) Massa do hectolitro. Fonte: a autora (2019).
d) Caracteres da qualidade nutricional de grãos
As análises químicas foram realizadas através da espectrofotometria do infravermelho proximal - NIR (Near infrared Reflectance), um equipamento de alta precisão que realiza análises de alimentos através da emissão de radiação eletromagnética, caracterizando substâncias orgânicas, fundamentado em aplicações da matemática à química analítica, conforme ilustração da Figura 6. O uso da espectroscopia de refletância no infravermelho próximo é um método moderno e preciso, que executa simultaneamente várias análises com velocidade (BORGES et al., 2001).
Para as avaliações foram utilizadas amostras de 300 grãos não descascados, provenientes de cada parcela útil. O material colhido foi analisado em espectrômetro de reflectância no infravermelho proximal (NIRS), marca Perten, modelo Diode Array DA7200, no laboratório de bromatologia da Universidade Regional do Noroeste do Estado do Rio Grande do Sul.
Os caracteres avaliados são: PT – Proteína total, em g ka-1
FT – Fibra total, em g ka-1
AM – Amido, em g ka-1
FDN – Fibra em detergente neutro, em g ka-1
CZ – Cinza, em g ka-1
EN – Energia, em kcal
e) Caracteres meteorológicos
Os dados meteorológicos foram obtidos pela Estação Total Automática instalada a 200 metros da implantação do experimento.
Fonte: site da Perten Instrument (2018).
Figura 6. Espectrômetro de refletância no infravermelho proximal (NIRS) e ilustração da funcionalidade do
PP - Precipitação pluviométrica (mm), resultado do somatório da quantidade de precipitação de água durante um determinado período;
Tmed - Temperatura média (ºC);
Tmin - Temperatura mínima (ºC);
Tmax - Temperatura máxima (ºC);
ST - Soma térmica (graus dias-1), efeito da temperatura do ar sobre o crescimento e
desenvolvimento das plantas, obtido pela seguinte equação (SILVA et al., 2012b): n 1 i TB 2 i min T i max T ST (1)
onde n é o número de dias do período de emergência à colheita, e TB é a temperatura basal do desenvolvimento da aveia, considera para este estudo sendo 4 ºC (MOOT et al., 2000; CASTRO et al., 2012; TRAUTMANN et al., 2017).
3 CLASSIFICAÇÃO DE ANO AGRÍCOLA PARA ANÁLISES EM PROCESSOS BIOLÓGICOS
A Tabela 1, apresenta informações da temperatura, precipitação e produtividade de grãos de aveia nos distintos sistemas de cultivo. Destaca-se que o ano de 2011 foi marcado por chuvas bem distribuídas durante o ciclo de cultivo da aveia, além disso, com volumes similares a média histórica dos últimos 25 anos. Precipitações pluviométricas foram observadas nos momentos que antecedem a aplicação de nitrogênio, proporcionando umidade do solo adequada a solubilização da ureia como ilustra a Figura 7. As temperaturas máxima, mínima e média se mantiveram estáveis ao longo do ciclo de cultivo. No ano de 2013 (Tabela 1), houve uma distribuição de precipitação pluviométrica uniforme entre os meses de cultivo da aveia, porém, abaixo da média histórica. No momento da adubação com N-fertilizante, havia adequada umidade de solo por chuvas ocorridas em dias anteriores, favorecendo o aproveitamento do nutriente pela planta. Além disso, as temperaturas foram mais amenas, reduzindo possíveis perdas do nitrogênio por meio da volatilização, mostrados na Figura 7. As temperaturas mínima, máxima e média em 2013 se mostraram reduzidas e com estabilidade ao longo do ciclo. Produtividades acima de 3000 kg de grãos foram observadas tanto em sistema com rápida liberação de N-residual (soja/aveia) como em sistema de lenta liberação de N-residual (milho/aveia). Tal condições, categorizam os anos de 2011 e 2013 como anos favoráveis (AF) à produtividade de grãos de aveia.
No ano de 2012, conforme mostra a Tabela 1, reduzidas precipitações foram observadas no momento de aplicação de nitrogênio, aliado a elevadas temperaturas, fato que possivelmente possa ter levado a ocorrência de perda do nitrogênio pela volatilização do nutriente. Ao final do ciclo, as chuvas foram mais presentes e com maior acumulado, atrasando a colheita de grãos. No ano de 2014, os primeiros dias do ciclo foram marcados por um volume de chuvas expressivos acima da média histórica, junto a temperaturas elevadas, fato que pode afetar o crescimento radicular da planta. No momento da adubação nitrogenada, o solo estava com elevada umidade e temperatura, condição que contribui para a volatilização do nitrogênio diminuindo a eficiência de absorção do nutriente. Neste ano, também houveram frequentes precipitações no final do ciclo da aveia, momento em que a planta requeria precipitação mínima. Nos anos de 2012 e 2014 a produtividade de grão foi inferior a expectativa desejada de 3000 kg ha-1, principalmente no sistema de lenta decomposição de N-residual. Estas condições,
justificam a classificação dos anos 2012 e 2014 como anos desfavoráveis (AD) à produtividade de grãos de aveia.
Tabela 1. Valores médios de temperatura e precipitação nos meses de cultivo e média de produtividade de grãos da aveia nos sistemas de sucessão
Ano Mês Temperatura (°C) Precipitação (mm) PGxS
(kg ha-1)
M x
PG
Classe
Min Max Md Média de 25 anos* Ocorrida (kg ha-1)
2011 Maio 10,5 22,7 16,6 134 100 3686 a 3122 a AF Junho 7,9 18,4 13,1 136 191 Julho 8,3 19,2 13,7 134 201 Agosto 9,3 20,4 14,8 122 234 Setembro 9,5 23,7 16,6 165 46 Outubro 12,2 25,0 18,6 236 211 Total - - - 927 983 2012 Maio 10,4 26,6 18,5 134 17 2378 c 1984 c AD Junho 8,8 22,0 15,4 136 57 Julho 6,4 19,7 13,0 134 180 Agosto 12,9 23,4 18,1 122 61 Setembro 12,0 23 17,5 165 195 Outubro 15,0 25,5 20,2 236 287 Total - - - 927 797 2013 Maio 10,0 22,6 16,3 134 108 3731 a 3269 a AF Junho 8,9 20,0 14,5 136 74 Julho 7,0 20,6 13,8 134 103 Agosto 6,6 19,8 13,2 122 169 Setembro 9,6 21,0 15,3 165 123 Outubro 13,2 27,1 20,2 236 144 Total - - - 927 721 2014 Maio 10,8 23,6 17,2 134 382 2181 d 1765 d AD Junho 9.2 20.7 16.1 136 412 Julho 9.7 21.8 15.7 134 144 Agosto 8.8 23.7 16.2 122 78 Setembro 13.3 23.5 18.4 165 275 Outubro 16.0 27.7 21.8 236 231 Total - - - 927 1522 2015 Maio 13.1 22.7 17.9 134 181 3451 b 2732 b AI Junho 9.7 21.1 15.4 136 228 Julho 10.2 18.7 14.4 134 212 Agosto 13.4 24.6 19.0 122 87 Setembro 12.4 19.6 16.0 165 127 Outubro 16.1 24.8 20.4 236 162 Total - - - 927 997 2016 Maio 11,1 20,9 16,0 134 56 3335 b 2782 b AI Junho 4,7 19,3 12,0 136 12 Julho 8,2 21,2 14,7 134 81 Agosto 9,4 22,5 15,9 122 169 Setembro 8,4 23,8 16,1 165 56 Outubro 13,2 26,8 20,0 236 326 Total - - - 927 700
Min= mínima; Max= máxima; Md= média; PGxS= produtividade média de grãos do sistema soja/aveia; PGxM=
produtividade média de grãos do sistema milho/aveia; *= Média de precipitação pluviométrica obtida dos meses de maio a outubro de 1989 a 2016; Médias seguidas de mesma letra na coluna não diferem entre si na probabilidade de 5% de erro pelo teste de Scott & Knott; AI= Ano intermediário; AF= Ano favorável; AD= Ano desfavorável; PG = Produtividade média de grãos. Fonte: a autora (2019).
Figura 7. Dados meteorológicos de temperatura e precipitação nos anos de cultivo
