FACULDADE DE ENGENHARIA AGRÍCOLA
DIANA ALEXANDRA RODRIGUEZ MIRANDA
DELIMITAÇÃO DE ZONAS DE MANEJO EM SISTEMAS DE
INTEGRAÇÃO LAVOURA-PECUÁRIA
CAMPINAS 2020
DELIMITAÇÃO DE ZONAS DE MANEJO EM SISTEMAS DE
INTEGRAÇÃO LAVOURA-PECUÁRIA
Dissertação apresentada à Faculdade de Engenharia Agrícola da Universidade Estadual de Campinas como parte dos requisitos exigidos para a obtenção do título de Mestra em Engenharia Agrícola, na Área de Gestão de Sistemas na Agricultura e Desenvolvimento Rural.
Orientador: Prof. Dr. Paulo Sergio Graziano Magalhães
ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL DA DISSERTAÇÃO DEFENDIDA PELA ALUNA DIANA ALEXANDRA RODRIGUEZ MIRANDA E ORIENTADA PELO PROF. DR. PAULO SERGIO GRAZIANO MAGALHÃES.
CAMPINAS 2020
Este exemplar corresponde à redação final da Dissertação de Mestrado defendida por Diana Alexandra Rodriguez Miranda, aprovada pela Comissão Julgadora em 19 de fevereiro de 2020, na Faculdade de Engenharia Agrícola da Universidade Estadual de Campinas.
A Ata da defesa com as respectivas assinaturas dos membros encontra-se no processo de vida acadêmica do discente.
Prof. Dr. Paulo Sérgio Graziano Magalhães – Presidente e Orientador FEAGRI/Unicamp
Prof. Dr. Claudio Leones Bazzi – Membro Titular UTFPR/ Campus Medianeira
Aos meus pais, Luis e Lucero, pelo apoio e amor desde a distância. Aos meus irmãos, Juan Carlos e Catherin, pelas boas lembranças e sua participação nesta
etapa de desenvolvimento pessoal e profissional. À minha avó Natividad por seu apoio e suas orações. Ao meu melhor amigo Miguel Ángel por fazer parte desta etapa de aprendizado.
Ao Fernando Alari pelo apoio e carinho durante esta etapa de minha vida. Dedico.
AGRADECIMENTOS
O presente trabalho foi realizado com apoio do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), bolsa processo nº 133668/2018-5.
Agradeço à Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) por disponibilizar os recursos econômicos com os quais foi possível desenvolver esta pesquisa na fazenda Campina (processo nº 2017/50205-9).
Agradeço à Universidade Estadual de Campinas (UNICAMP) por me abrir as portas de suas salas de aula, laboratórios e bibliotecas e me facilitar a aprendizagem de novos conhecimentos.
À Faculdade de Engenharia Agrícola (FEAGRI) e às funcionárias da secretaria de pós-graduação Rita de Cássia e Valéria Ferreira por me orientar a respeito dos procedimentos de admissão ao mestrado, aproveitamento de disciplinas, proficiência de idiomas, exame de qualificação e de defesa de dissertação.
Agradeço ao meu orientador, o Professor Dr. Paulo Sérgio Graziano Magalhães, por seu apoio no processo de admissão ao programa de pós-graduação e por me permitir fazer parte deste projeto de pesquisa. Agradeço de todo coração pelos laptops que me facilitou em nome do Laboratório de Agricultura de Precisão para conseguir desenvolver meu projeto de pesquisa e concluir meus estudos.
Aos professores doutores que contribuiram com suas experiências, conhecimentos e avaliações no mestrado: Rubens Lamparelli, Jansle Vieira Rocha, Lucas Amaral, Gleyce Figuereido, Zigomar Menezes, Mauro Tereso, Raquel Gonçalves, Daniella Jorge de Moura e Stanley Robson de Oliveira.
À minha familia por me apoiar e animar a sair do país para crescer ainda mais como engenheira e como pessoa, e por me acompanhar desde a distância durante esta experiência. Agradeço por sua paciência, sua compreensão e carinho em todo momento, especialmente nos mais dificeis.
Aos colegas, professores e pesquisadores colaboradores do Grupo Interdisiplinar de Tecnologia em Agricultura de Precisão (GITAP) por me acolher e me oferecer um espaço para aprender sobre a importância da agricultura de precisão e os benefícios do uso de geotecnologias no monitoramento de safras.
Ao Thiago Brasco pelo muito que aprendi em suas áulas práticas dentro do Laboratório de Agricultura de Precisão no que respeita ao manejo de equipamentos GPS e de Engenharia Agrícola.
Ao professor Dr. Fernando de Oliveira Alari por me apoiar e me acolher na FEAGRI e no Brasil. Pelas orientações e correções de meu projeto de pesquisa, especialmente na parte de análise da fase de pecuária.
A Maiara, Agda, Miguel Ángel e Julyane por suas sugestôes a respeito de minha apresentação oral de plano de pesquisa em dias prévios ao exame de qualificação.
À doutora Livia Arantes Camargo e ao professor Dr. Claudio Bazzi, membros da banca de minha qualificação, pelas sugestoes e correções de meu plano de pesquisa.
A Bruna, Yane, Rafael Francisco, Rodrigo, João, Juliana e a todos os colegas da FEAGRI e da Universidade do Oeste Paulista (UNOESTE) com quem tive a oportunidade de trabalhar nas saídas de campo na fazenda Campina coletando dados de solo e biomassa. Agradeço o muito que aprendi a seu lado sobre agricultura e suas experiências de vida.
A Johinislan do Núcleo Interdisciplinar de Planejamento Energético (NIPE) pelas orientações respeito às diárias e demais recursos econômicos utilizados para a compra de materiais, combustível, alimentação, entre outros, para concluir com sucesso cada visita de campo.
Às funcionárias e engenheiros que me acolheram e forneceram comida e um lugar onde dormir durante os dias de coleta de dados em Caiuá.
À Faculdade de Educação Física (FEF), ao Centro de Ensino de Línguas (CEL), e ao Centro de Saúde da Comunidade (CECOM) pelos momentos de alegria que tive nos diferentes cursos de extensão que tomei e pelo pelo bom serviço em saúde física e psicológica que recebi durante o mestrado.
A todos aqueles que fisseram parte deste processo de adaptação no Brasil e de desenvolvimento pessoal e professional.
RESUMO
A escassez de estudos focados na análise da variabilidade espacial intrínseca dos sistemas de Integração Lavoura-Pecuária não tem permitido saber como pode ser melhorado o desempenho desses sistemas através da implementação de práticas de agricultura de precisão. A causa desta situação persiste o desenvolvimento de práticas agropecuárias que afetam a rentabilidade desses sistemas como a aplicação deficiente de insumos agrícolas em alguns lugares, especialmente na cultura de grãos; além da movimentação de maquinas e bovinos sem considerar a variação espacial existente na paisagem. Uma forma de mitigar o impacto dessas atividades nas áreas agrícolas é delimitando zonas de manejo, as quais reproduzem a variação espacial da produtividade em termos de características físicas do solo e do terreno, e facilitam a tomada de decisões respeito à adubação. Esta pesquisa teve por objetivo avaliar se é possível propor uma estratégia de zonas de manejo a partir da combinação de dados de fatores limitadores da produção que permita tratar conjuntamente culturas de grãos e forragens em sucessão para melhorar o desempenho dos sistemas de Integração Lavoura-Pecuária. Para tal fim, desenvolveu-se uma análise MULTISPATI-PCA a partir das variáveis relativas a atributos físicos do solo, do relevo e da vegetação mais correlacionadas espacialmente com a produtividade das culturas. Executou-se após o algoritmo fuzzy c-means com o as componentes (variáveis sintéticas) que representaram mais do 70% da variância total das variáveis (estandardizadas) originais. Obteve-se como resultado que as zonas de manejo para a cultura da soja são estatísticamente diferentes em termos da produtividade, do teor de fósforo nos primeiros 0,40 m de profundidade do solo e do pH na camada mais superficial do solo. Pelo contrário, as zonas de manejo para a forragem apresentaram diferença estatística significativa em termos do fósforo nas duas primeiras camadas de solo, principalmente.
Palavras chave: Agricultura de precisão, análise espacial, forragem, sensoriamento remoto, mineração de dados.
ABSTRACT
The lack of studies about the spatial variability in Integrated Crop-Livestock Systems has not permitted to understand how to increase their efficiency through the implementation of precision agriculture practices. Because of this situation, harmful practices are still developed such as the insufficient application of agricultural inputs in some crops as well as machines and cattle movement without considering the spatial variation immersed in the landscape. One of the techniques that can contribute to mitigate the impact of these activities in agricultural areas is to delimitate management zones, which reproduce the spatial variation of the yield in terms of soil and topography characteristics data and help to take better decisions respect to fertilization. Thus, the objective of this research is to evaluate if it is possible to propose a management zones strategy through the combination of production-limiting factors data in order to treat crops and forages in succession in Crop-Livestock Integrated Systems. For this, Spatial Principal Components analysis (MULTISPATI-PCA) was used to transform the most spatially correlated soil, terrain and vegetation variables with the yields into more representative synthetic variables (components) of the total variance of the initial data. Then, management zones were delimited with the c-means clustering algorithm using the components that explained the majority of the variance of the original dataset. As result, the management zones created for soybean were statistically different in terms of the yield, phosphorous content in the -0.40 m layer and pH in the upper soil layer while management zones for forage exhibited significant difference in terms of soil phosphorous content first 0.40 m depth mainly.
LISTA DE FIGURAS
Figura 1 - (a) Localização da área experimental no estado de São Paulo, (b) área de estudo. Figura 2 – Amostras de fertilidade do solo.
Figura 3 - Amostras Condutividade Elétrica aparente (CEa) do solo. Figura 4 - Amostras de Resistência a Penetração (RP) do solo. Figura 5 - Amostras de densidade aparente do solo.
Figura 6 – Altitude do terreno (metros) na área experimental. Figura 7 – Declividade do terreno (%) na área experimental.
Figura 8 – Reflectância média no topo da atmosfera na faixa azul entre 2013 e 2018. Figura 9 – Reflectância média no topo da atmosfera na faixa verde entre 2013 e 2018. Figura 10 – Reflectância média no topo da atmosfera na faixa vermelho entre 2013 e 2018. Figura 11 – Reflectância média no topo da atmosfera na faixa infravermelho próximo entre 2013 e 2018.
Figura 12 – Média do índice NDVI entre 2013 e 2018. Figura 13 – Média do índice GNDVI entre 2013 e 2018.
Figura 14 – Pontos para coleta de amostras de produtividade de soja e forragem, e de altura das duas forrageiras.
Figura 15 – Biplot das sPC1 e sPC2 e sua relação com as variáveis estandardizadas mais correlacionadas com a produtividade da soja (esquerda); e autovalores das três primeiras componentes (direita).
Figura 16 – Biplot das sPC1 e sPC2 e sua relação com as variáveis estandardizadas mais correlacionadas com a produtividade da forragem (esquerda); e autovalores das três primeiras componentes (direita).
Figura 17 – Zonas de Manejo (ZMs) geradas para a produtividade de soja com dois, três e quatro ZMs com fuzzy c-means, utilizando as componente sPC1.
Figura 18 – Zonas de Manejo (ZMs) geradas para a produtividade de forragem com dois, três e quatro ZMs com fuzzy c-means, utilizando a componente sPC1.
LISTA DE TABELAS
Tabela 1 – Medidas de tendência central, dispersão e assimetria das variáveis. Tabela 2 – Resumo da análise geoestatística para atributos do solo.
Tabela 3 –Autocorrelação espacial das variáveis independentes segundo o I global de Moran. Tabela 4 – Índice de autocorrelação espacial global e de correlação espacial de Moran entre as produtividades e as variáveis independentes.
Tabela 5 – Correlação espacial entre as variáveis independentes. Tabela 6 – Variáveis selecionadas para a análise MULTISPATI-PCA.
Tabela 7 - Índices de avaliação de clusters para escolha do melhor mapa de ZM para a produção de soja.
Tabela 8 - Índices de avaliação de clusters para escolha do melhor mapa de ZM para a produção de forragem.
Tabela 9 – Estatísticas da comparação de médias das variáveis de validação por zona para a cultura de soja.
Tabela 10 – Estatísticas da comparação de médias das variáveis de validação por zona para a produção de forragem.
SUMÁRIO
1. INTRODUÇÃO ... 14
2. OBJETIVOS E HIPÓTESE ... 16
3. REVISÃO DE LITERATURA ... 17
3.1. Sistemas de Integração Lavoura – Pecuária ... 17
3.2. Agricultura de precisão em sistemas integrados ... 19
3.3. Zonas de manejo ... 20
3.4. Índice de autocorreção espacial global e local de Moran ... 23
3.5. Índice de correlação espacial bivariado de Moran ... 24
3.6. Análise MULTISPATI-PCA ... 24
3.7. Análise de cluster Fuzzy c-means para delimitação de zonas de manejo ... 25
4. MATERIAL E MÉTODOS ... 27
4.1. Descrição da área de estudo ... 27
4.2. Coleta de dados ... 28
4.2.1. Dados de solo ... 28
4.2.2. Dados de relevo ... 31
4.2.3. Dados de vegetação ... 32
4.2.4. Dados de produtividade ... 36
4.3. Análise exploratória de dados ... 37
4.4. Análise geoestatística ... 38
4.5. Análise de correlação espacial e seleção de variáveis ... 39
4.6. Análise de Componentes Principais Espaciais ... 40
4.7. Delimitação de zonas de manejo... 40
4.7.1. Índices de seleção do número ótimo de zonas segundo seu grau de compactação e separação ... 41
4.8. Validação de zonas de manejo ... 42
5. RESULTADOS E DISCUSÃO ... 43
5.1. Análise exploratória – Estatísticas descritivas ... 43
5.2. Análise geoestatística e de autocorrelação espacial ... 44
5.3. Análise de correlação espacial e seleção de variáveis ... 46
5.1. Análise MULTISPATI-PCA ... 49
5.1.1. Análise MULTISPATI-PCA para a produtividade de soja ... 49
5.1.2. Análise MULTISPATI-PCA para a produtividade de forragem ... 52
5.2. Delimitação de zonas de manejo e validação ... 53
5.2.1. Zoneamento para a produção de soja ... 53
5.3. Validação de zonas de manejo ... 55
5.3.1. Análise das zonas para a produção de soja ... 55
5.3.2. Análise das zonas para a produção de forragem... 57
6. CONCLUSÃO ... 60
7. SUGESTÕES PARA TRABALHOS FUTUROS ... 62
REFERÊNCIAS BIBLIOGRÁFICAS ... 63
APÊNDICE ... 79
A. ANÁLISE ESTATÍSTICO-ESPACIAL DE VALORES ATÍPICOS DAS VARIÁVEIS COLETADAS IN SITU. ... 79
1. INTRODUÇÃO
A Integração Lavoura-Pecuária (ILP) é um sistema de produção que através da diversificação, rotação, consorciação e/ou sucessão de atividades agrícolas e pecuárias favorece o aumento da oferta de grãos, carne e leite a baixo custo durante todo o ano (SILVA e ALVES, 2014). Sua relevância no contexto agrícola reside no fato de que com a sinergia criada entre culturas e pastagens e com práticas de manejo como a do plantio direto é possível recuperar parcialmente a qualidade física do solo em áreas degradadas pela instalação de monoculturas ou pelo trafego de maquinas e/ou animais durante anos consecutivos (PEREIRA et al., 2009; VEIGA et al., 2012; TROGELLO et al., 2012; GARCIA et al., 2013; LEMAIRE et al., 2014). No Brasil, os sistemas de Integração Lavoura-Pecuária vêm sendo adotados há vários anos com diferentes arranjos e espécies de acordo com as condições agronômicas, climáticas e econômicas de cada região (SALTON et al., 2014). Porém, diferentemente do que se observa para os sistemas de produção de grãos, são escassas as pesquisas focadas na caracterização de sua variabilidade espacial, levando isto a não saber como podem ser tratadas as culturas envolvidas de maneira conjunta e espacializada para melhorar o desempenho desses sistemas e aumentar sua rentabilidade dentro do marco da sustentabilidade ambiental.
Uma estratégia de gestão da produção agrícola que pode auxiliar na caracterização e tratamento desses sistemas é a Agricultura de Precisão (AP) já que, ao incluir o uso de dados de múltiplas fontes extraidos com apoio de tecnologias da informação (NATIONAL RESEARCH COUNCIL, 1997), podem-se delimitar subregiões nas áreas agrícolas em função de seu potencial de resposta à adubação (MOLIN et al., 2015). Essas sub-regiões ou zonas de
manejo, caracterizadas por ser contiguas e estáveis (com mínima variabilidade e consistência
no tempo), representam uma combinação de características físicas do solo e do relevo que junto a outros fatores limitadores da produção como o clima, a vegetação e as práticas de manejo determinam a variabilidade espacial dos nutrientes no solo e, portanto, a da produtividade (MALLARINO e WITTRY, 2004).
Um dos desafíos que implica a delimitação de zonas de manejo em sistemas de Integração Lavoura-Pecuária é o entendimento das interações cultura-solo-forragem no espaço para poder melhorar a eficiência da aplicação de insumos. Moshia et al. (2014) e Bobryk et al. (2016) afirmam que afetuar a aplicação uniforme de uma única taxa de um insumo específico em cada zona de manejo é apropriada, porém, para que as estimativas das quantidades requeridas desses insumos sejam de acordo com as necessidades reais das lavouras em cada local, é indispensável caracterizar sua variabilidade espacial de forma sistematizada a partir de uma base de dados multivariada. Dados sobre o impacto dos animais, a infestação de plantas
invasoras, a fertilidade do solo, entre outras, são frequentemente analisadas mediante ferramentas geoestatísticas quando se objetiva o tratamento de áreas sob integração de culturas ou com pastagens degradadas para a identificação de zonas de manejo homogêneas (MORAES et al., 2014)
Dada a maior complexidade que envolvem os sistemas integrados por conta do maior número de variáveis a serem consideradas se faz necessário o uso de técnicas de modelagem computacional robustas que permitam identificar padrões de associação espacial em grandes volumes de dados. A Análise Espacial Multivariada baseada no Índice de Moran (MULTISPATI-PCA) tem sido combinada com a análise de clusters em várias pesquisas para correlacionar espacialmente variáveis de solo, terreno, biomassa e produtividade e obter zoneamentos uteis para adubação (PERALTA et al., 2015; CÓRDOBA et al., 2016; GAVIOLI et al., 2016; GILI et al., 2017; CASTRO-FRANCO et al., 2018). É em vista da disponibilidade atual de geotecnologias tais como sistemas de informação geográfica (SIG) e software de processamento digital de imagens de satélite; e do desenvolvimento de algoritmos de análise estatística de dados espaciais que se propõe esta pesquisa.
2. OBJETIVOS E HIPÓTESE
Objetivo Geral: Avaliar se é possível propor uma estratégia de zonas de manejo a partir da combinação de dados de fatores limitadores da produção que permita tratar conjuntamente culturas de grãos e forragens em sucessão, em sistemas de integração lavoura pecuária.
Objetivos Específicos:
• Identificar quais atributos do solo, o relevo e a vegetação apresentam maior correlação espacial com a produtividade da cultura de grãos e de forragem.
• Avaliar se as zonas de manejo delimitadas são diferentes entre si em termos da produtividade da cultura de grão e da forragem e de alguns macronutrientes.
• Avaliar se é possível caracterizar sistemas integrados a partir da combinação de técnicas de redução de dimensionalidade de variáveis georeferenciadas e de algoritmos de clusterização.
Hipótese: É possível tratar conjuntamente culturas de grãos e forragens em sucessão a partir de um único mapa de zonas de manejo.
3. REVISÃO DE LITERATURA
3.1.Sistemas de Integração Lavoura – Pecuária
Os sistemas de Integração Lavoura-Pecuária (ILP) têm sido implementados ao redor do mundo desde há várias décadas se observando aumentos de produtividade nas culturas subsequentes à fase de forragem, principalmente nas culturas de soja, milho, trigo e arroz (BELL e MOORE, 2012; MORAIS et al., 2014; FINN et al., 2013). No entanto, frente à crescente preocupação por mitigar o impacto meioambiental derivado do setor agropecuário, o qual corresponde ao segundo setor da economia brasileira do qual se derivam as maiores emissões de gases de efeito estufa (GEEs), cresceu o interesse por sua implementação e pela análise dos múltiplos benefícios fornecidos pelas interações solo-planta-animal-atmosfera que os caracterizam (COSTA et al., 2014; MAZZONCINI et al., 2011). Tal interesse foi formalizado no ano 2010 mediante a criação do plano ABC- Agricultura de Baixo Carbono, o qual consiste em uma série de programas dedicados ao fomento da implementação de técnicas e tecnologias que facilitem nas áreas agrícolas a fixação de nitrogênio, a recuperação de áreas de pastagens degradadas e a implementação e expansão do sistema de plantio direto, principalmente. É neste contexto que os sistemas integrados se consolidam como uma das estratégias mais fortes para atingir esses fins, esperando-se sua implementação em 5 milhões de hectares no país para o ano 2030 (MINISTÉRIO DA AGRICULTURA, PECUÁRIA E ABASTECIMENTO, 2012).
A respeito da disponibilidade de nitrogênio, tem-se demostrado que em algumas regiões do Brasil ele corresponde ao maior fator limitador da produção de forragens (LOPES et al., 2013; SKONIESKI et al., 2017). No entanto, sob a rotação com leguminosas no verão se fornece esse macronutriente fixado biologicamente reduzindo desta forma a necessidade de fertilização. Neste mesmo sentido, considerando o potencial produtivo das gramíneas no território brasileiro e o papel fundamental que elas desempenham na alimentação de bovinos para a produção de carne e leite (SANTOS, et al., 2016), o ganho de nutrientes no solo por conta dessa dinâmica entre culturas resulta especialmente conveniente, já que a qualidade das pastagens, além de ser afetada por diversos fatores naturais como a temperatura, umidade, luminosidade e disponibilidade de água, é afetada também pelas práticas de manejo. De acordo com Dias-Filho (2011), pelo menos a metade das áreas de pastagens no país expõe sinais de degradação ou estão degradadas, principalmente em regiões de pastejo, por conta da ausência de práticas de correção de acidez do solo e adubação de forma periódica. Além disso, existe evidência científica de que se fosse melhorado o manejo dessas pastagens, assim como acontece
com outras culturas, elevaria-se o valor nutricional das mesmas e, portanto, a produção animal (BARROS, et al., 2002; DASCI e ÇOMAKLI, 2011; DELEVATTI et al., 2019).
Por outra parte, em termos dos efeitos produzidos no solo, a integração de culturas e forragens sob plantio direto favorece ao aumento da estabilidade de agregados como consequência da abundância de sistemas radiculares (MARTINS et al., 2015; BONETTI et al., 2015). O efeito descompactador desses sistemas se vincula diretamente à gestão da altura das espécies forrageiras, as quais possuem a capacidade de aumentar a macroporosidade e o conteúdo de matéria orgânica (biomassa) na camada mais superficial do solo (CONTE et al., 2011; CORBEELS et al., 2016), representando isto por sua vez uma maior aeração, e infiltração e armazenamento de água no mesmo. Em sistemas com uso de braquiária, por exemplo, produzem-se altas quantidades des brotos e raízes que podem chegar ao redor de 15 mg ha-1 quando as alturas do pasto são de aproximadamente 0,35 m (LOSS et al., 2011).
Do mesmo modo, a qualidade do solo e a estrutura da vegetação resultam fortemente influenciados pelo componente animal dos sistemas ILP, sendo as regiões com solos mais argilosos e com menor altitude os mais propensos a sofrer de compactação por conta do pastejo e do descanso de animais nas regiões com maior acúmulo de água (HOMBURGER et al., 2015). Conte et al. (2011) afirmam que a pressão exercida pelo pastejo intensivo de bovinos, por exemplo, leva geralmente a compactar os primeiros 0,10 m de profundidade do solo, o qual representa um efeito inferior ao gerado pelas máquinas agrícolas. Porém, a qualidade da forragem, a distância a bebedouros e cochos, a insolação e a taxa de lotação por piquete, são alguns dos fatores que determinam a magnitude desse efeito da movimentação dos animais, e essa heterogeneidade espacial no ecosistema (HOMBURGER et al., 2015). De igual forma, o solo é beneficiado por meio da deposição de esterco e urina animal, dos quais se sabe apresentam maiores concentrações de lignina e nitrogênio que as gramíneas. Assman et al. (2015) encontraram que essas duas fontes de nutrientes diferem entre si em termos de sua taxa de decomposição, tendo para resíduos de pastagens uma taxa de 79 a 82 dias enquanto que para os residuos de animais uma taxa de 151 a 167 dias.
Em vista da grande complexidade envolvida nos sistemas ILP em função do alto número de fatores que influenciam a produtividade tanto de culturas de grãos quando de forragens para produção animal é que resulta indispensável redirecionar os esforços para melhorar a eficiência de suas práticas de manejo. Em pesquisas como as de Fraser e Cordina (1999) e Gerdessen e Pascucci (2013), por exemplo, têm-se efetuado análises de dados deste tipo de sistemas a escala regional para determinar a porcentagem de desperdício potencial de insumos. Por sua parte, Veysset et al., (2014) encontraram que fazendas baseadas na produção pecuária e de cereais
utilizam mais insumos que aquelas especializadas devido a que se atende a necessidade nutricional e de manejo de cada unidade de produção de forma “independente”. No entanto, continua sendo pouco conhecida a dinámica e evolução da ciclagem de nutrientes pela rotação, sucessão ou consórcio de culturas coexistentes em um mesmo espaço.
3.2.Agricultura de precisão em sistemas integrados
A agricultura de precisão (AP), como uma forma de gestão das áreas agrícolas focada na identificação da variabilidade espacial dos atributos físico-químicos do solo para o uso racional de insumos (MOLIN et al., 2015), tem sido pouco aplicada atualmente para caracterizar sistemas de Integração Lavoura-Pecuária. No entanto, nas pesquisas até agora existentes se têm reconhecido a importância de caracterizar a variação espacial dos fatores que limitam diretamente às culturas envolvidas, a partir da coleta de dados e a extração de informações que apoiem a tomada de decisões em um contexto espaço-temporal. Bernadi et al. (2017a), por exemplo, utilizaram imagens de satélite para monitorar um sistema integrado com cultura de milho (Zea mays L. cv. BRS 3060) e pastagem (Urochloa brizantha cv. Piatã) em inverno em Emprapa Sudeste em São Carlos, Brasil. Os autores afirmam que mapear atributos do solo com alta variabilidade é uma atividade pouco precisa em comparação a quando se analisam atributos físicos do solo, os quais são mais estáveis no tempo. Atributos como o pH, conteúdo de matéria orgânica e capacidade de troca catiónica (CTC), foram alguns dos atributos que apresentaram dependência espacial fraca, o qual se atribuiu à insuficiência das amostras de solo coletadas em campo. Além disso, descobriram que há correlação espacial positiva entre a condutividade elétrica aparente do solo e as concentrações de esterco de gado quando confinado para alimentação; e que com o uso de índices de vegetação derivados das imagens satelitais se pode entender a dinámica existente entre duas culturas, mesmo elas sendo plantadas em sucessão, consórcio ou rotação. Obteve-se como resultado aqui que áreas com grandes quantidades de biomassa de milho coincidem espacialmente com áreas com valores baixos de produtividade de forragem; isto a causa do apoio ao desenvolvimento da cultura de milho com fertilização, e da competição das duas culturas pela luz por conta do crescimento mais rápido do milho em comparação ao do pasto.
A área análisada em tal pesquisa, foi utilizada em um novo experimento por Bernadi et al., (2017b) para comparar as técnicas de interpolação krigagem e inverso do quadrado da distância (IDW) quando aplicadas em distintos atributos do solo em sistemas de pastejo intensivo, integração lavoura-pecuária (ILP), integração lavoura-pecuária-floresta (ILPF), pastagem-floresta e pastejo extensivo. Encontrou-se que a fração de partículas de argila
corresponde ao atributo de menor variabilidade espacial representado por um coeficiente de variação (CV) inferior ao 10%, enquanto que o carbono orgânico no solo, a CTC e a saturação por bases (V%) são propriedades do solo com variabilidade média (CV<30%). Por sua parte, o fósforo e o potássio foram considerados os de maior dependência espacial neste caso (<25%). Kravchenco (2003) indica que identificar os atributos da paisagem que se caracterizam por uma variabilidade espacial maior é essencial para a aplicação de tratamentos em formato sítio-específico.
Em relação à análise da variabilidade temporal dos sistemas integrados a partir do uso de ferramentas de AP, são poucas as pesquisas que têm explorado as interações entre o gado na fase de pecuária, e os efeitos seguidos à implementação de práticas de manejo na fase da cultura. Igualmente, pouco se sabe a respeito da estensão e a estabilidade temporal da produção de forragem para saber sobre seus tratamentos. Entretanto, recentemente, McEntee, Bennett e Belford, (2020) descobriram que é possível identificar regiões estáveis e instáveis em sistemas integrados em termos da produtividade e da fertilidade do solo, por meio do uso de índices de vegetação, dados georeferenciados do solo e de indução eletromagnética do mesmo. Compararam-se aqui tais regiões em termos das médias de produtividade (estandarizada) das culturas e das pastagens em anos consecutivos. Concluiram assim que o nitrogênio é um nutriente altamente móvel que precisa ser tratado durante a estação conforme o regime de chuvas e a variabilidade na umidade no solo; e do mesmo modo, descobriram que nutrientes menos moveis como P, K e S podem ser fornecidos a longo prazo com base na variabilidade temporal refletida pelas regiões.
3.3.Zonas de manejo
Uma das estrategias mais destacadas para reduzir os custos das atividades no setor agropecuário e exercer um controle mais eficiente das operações em campo corresponde à delimitação de zonas de manejo, a qual pode ser realizada mediante três métodos distintos. O primeiro destes baseia-se no uso de dados espaciais referentes a propriedades do solo tais como conteúdo de matéria orgânica, textura e fertilidade do solo, sendo elas diretamente relacionadas à resposta da produtividade das culturas frente à adubação (JAYNES, COLVIN e KASPAR, 2005; CERRI e MAGALHÃES, 2012).
Um segundo enfoque relaciona-se ao uso de variáveis substitutas ou auxiliares correlacionadas espacialmente com os dados dessas variáveis obtidas mediante a amostragem do solo em campo (JAYNES, COLVIN e KASPAR, 2005). Dados mensurados de forma extensiva como os de elevação do terreno, além de outros derivados deles, como por exemplo de declividade e curvatura do terreno, permitem saber sobre a movimentação de água e
particulas de argila no solo (BARACAT et al., 2009). Yan, et al. (2008) têm demostrado que outra das variáveis mais confiáveis para esse fim é o uso da condutividade elétrica aparente do solo, a qual pode ser mensurada com alto detalhamento mediante sensores proximais, e além disso, correlaciona-se com outros atributos relevantes do solo como o cónteudo de agua, sais e matêria orgânica no solo.
Do mesmo modo, outras variáveis que contribuem ao entendimento da variabilidade espacial nas lavouras são as derivadas de sensores proximais e remotos. Diversos trabalhos têm demostrado que a condutividade elétrica aparente do solo, cujos dados se coletam por meio de sensores de contato direto, correlaciona-se com alguns atributos do solo tais como porcentagem de argila, umidade, composição química, pH e capacidade de troca catiónica (CTC) (NADLER e FRENKEL, 1980; FRITZ et al., 1999; NIZEYIMANA e BICKI, 1992; LESCH e CORWIN, 2005; YAN et al., 2008; BARACAT et al., 2009; SERRANO et al., 2010).
Em contraste, imagens da reflectância das culturas, de atributos do terreno ao igual que imagens representativas de índices de vegetação fazem possivel realizar inferências sobre o atributos fisico-químicos do solo e o estado fenológico da vegetação, assim como indicam Demattê, et al., (2000). No caso de atributos do terreno tais como como altitude e declividade, sabe-se que fornecem relação direta com o desenvolvimento do perfil do solo e a movimentação de água nele (BARACAT et al., 2009; CÓRDOBA et al., 2016) enquanto que os índices de vegetação permitem inferir sobre o conteúdo de biomassa fotossinteticamente ativa das culturas (MOGES et al., 2004; PONZONI e SHIMABUKURO, 2007). Diversas pesquisas têm mostrado que esse tipo de dados esta altamente correlacionado com a produtividade de algumas culturas e que por tal motivo é possivel obter uma representação precisa da produção potencial das mesmas em um momento específico (BOYDELL e MCBRATNEY, 1999; YAN et al., 2007). Maestrini e Basso (2018) afirmam que graças a essa correlação se podem identificar lugares nas lavouras onde a produtividade é estável e instável dependendo das interações solo-clima para dar a elas tratamentos específicos. Em pesquisas como as de Pedroso et al. (2010), Chang et al. (2014) e Arango et al. (2017) foram contemplados produtos de imagens multiespectrais para a construção de zonas de manejo concluindo que o uso destas informaçoes nesse processo ajuda a entender a distribuição espacial da produtividade melhorando a interpretação visual e reduzindo tempos de análise.
Por exemplo, tem-se encontrado existência de correlação positiva entre esses índices e a disponibilidade de forragem, o que significa que são variáveis especialmente úteis para identificar diferentes níveis de oferta de biomassa adotando assim valores altos quando se apresentam quantidades moderadas de pasto e valores baixos sob pouca biomassa verde e/ou
alta quantidade de folhas em estado de senescência (FLYNN, et al., 2008; SCHAEFER e LAMB, 2016; JUNGES, et al., 2016; SERRANO et al., 2016; ANDERSSON et al., 2017, BERNADO et al., 2017, CARVALHO, 2016).
Este segundo enfoque ganhou destaque nos últimos anos frente ao alto custo que implica o uso de malhas amostrais em alta densidade para a obtenção de mapas de variabilidade espacial dos atributos do solo e culturas e a posterior recomendação de aplicação de fertilizantes. Nanni et al. (2011) por exemplo citam que, por motivos econômicos e logísticos, a maioria das amostragens de solo realizadas no Brasil considerando um espaçamento de 2 a 3 ha por amostra. No entanto, existe evidência científica de que dependendo da cultura a ser analisada pode ser requerida uma quantidade maior de amostras dada alta variabilidade de alguns atributos do solo. Demattê et al. (2015), por exemplo, encontraram que no plantio de cana de açúcar deveria se coletada em média uma amostra a cada 4 ha e que amostragens em distâncias menores geram custos inviáveis o produtor.
Um terceiro e último método de zoneamento consiste no uso direto de mapas de produtividade, os quais permitem realizar um monitoramento espaço-temporal de uma área específica e avaliar o impacto das variações climáticas e do manejo da mesma. Este método é preferível considerando que aproveita os dados de maior interesse para o produtor, porém, não existe evidência contundente de que não possam ser igualmente eficientes os outros dois métodos previamente mencionados para realizar tal delineamento (JAYNES, COLVIN e KASPAR, 2005).
O delineamento de zonas de manejo tem sido amplamente realizado no mundo para caracterizar a produtividade de soja, milho, café, entre outras culturas (MOTTA et al., 2018; RODRIGUES e CORÁ, 2015; RODRIGUES et al., 2011), sendo utilizado para tal fim algoritmos de análise de clusters. Estes algoritmos, baseados no uso de múltiplos conjuntos de dados para o agrupamento dos mesmos em grupos homogêneos (classes) (TAYLOR et al., 2007; MORAL et al., 2009), podem ser executados em software estatístico e em software específicamente construidos para propósitos de agricultura de precisão (FRIDGEN, et al., 2004). No entanto, não existe ainda uma única metodogia formalmente aceita por conta das diversas variáveis que podem intervir no desenvolvimento de uma determinada cultura. Por esta situação, pregunta-se frequentemente se as metodologias atualmente empregadas podem refletir a produtividade potencial real do solo, além dos fatores que limitam essa produção, podendo ser eles relacionados ao solo ou às condições climáticas; e, do mesmo modo, se é possível incluir a experiência do agricultor nesse processo de zoneamento para melhorar os resultados obtidos (MARTÍNEZ-CASASNOVAS, ESCOLÀ e ARNÒ, 2018).
3.4. Índice de autocorreção espacial global e local de Moran
O Índice de Moran global é um indicador da auto-associação espacial, utilizado pela primeira vez por Moran (1950) e Cliff e Ord (1981) para avaliar o grau de autocorrelação espacial de variáveis regionalizadas. Este índice adota valores proximos a 1 quando há perfeita autocorrelação espacial positiva (agrupamento de valores altos ou baixos), valores ao redor de -1 quando se apresenta perfeita autocorrelação espacial negativa (presença de agrupamentos de valores altos e de agrupamentos de valores baixos), e o valor 0 quando há aleatoriedade espacial (TU & XIA, 2008; OYANA e MARGAI, 2016).
Tendo um conjunto de dados 𝑋 = 𝑋1, . . . , 𝑋𝑖 com 𝑖 = 𝑛, onde n corresponde ao número de dados sob análise, a computação do Índice de Moran global se realiza através Equação 1.
I =
𝛴𝑖𝛴𝑗𝑤𝑖𝑗𝐶𝑖𝑗𝑠2𝛴𝑖𝛴𝑗𝑤𝑖𝑗
(1)
Onde Wij = 1 quando os dados i e j são vizinhos e Wij = 0 quando se apresenta o caso
contrário. Por sua parte, 𝐶𝑖𝑗 = ( 𝑋𝑖 − 𝑥̅ ) ( 𝑋𝑗 − 𝑥̅ ), onde Xi e Xj correspondem aos dados de uma mesma variável mensurados em dois locais específico diferentes.
Por outra parte, a diferença do índice de Moran Global, a versão local desde índice mede o grau de autocorrelação espacial em cada local específico (ANSELIN, 1995), consolidando-se assim em uma boa ferramenta para identificar outliers em uma variável z (ZHANG C. M., 2004). O Índice de Moran Local (ANSELIN, 1995) apresenta-se da forma, Equação 2
Ii = zi−z̅ σ2 ∑ [Wij (𝑧𝑗− 𝑧̅)], 𝑛 𝑗=1𝑗≠𝑖 (2)
Onde 𝑧̅ representa o valor médio de z com o número de amostra n; zi é o valor da variável
no local i, zj é o valor em outros locais (onde j≠i), σ2 é a variação de z e, Wij é uma distância
ponderada entre zi e zj. O peso Wij pode ser determinado usando uma faixa de distância, onde
amostras dentro de uma faixa de distância recebem o mesmo peso, enquanto que valores fora dela se lhes associa um peso de 0 (ZHANG, LUO, XU, & LEDWITH, 2008).
Um Índice Moran Local alto positivo sugere que a localização em estudo também tem valores vizinhos altos ou baixos (região de cluster espacial). No caso de se apresentar esta situação para uma determinada unidade geométrica no espaço (ponto ou polígono), distinguem-se dois tipos de clusters: cluster alto-alto (high-high, unidade de valor alto em uma vizinhança com valores altos) e cluster de tipo baixo-baixo (low-low, unidade de valor baixo em uma vizinhança de valores baixos). Mais específicamente, uma unidade geométrica com valor do índice de Moran Local altamente negativo (< -1,96) indica a existência de um potencial outlier
espacial, ou seja, que é significativamente diferente dos valores observados em localizações vizinhas (LALOR & ZHANG, 2001). Esses valores discrepantes espaciais podem ser classificados por sua vez nos tipos alto-baixo (high-low, um valor alto em uma vizinhança de valores baixos) e baixo-alto (low-high, um valor baixo em um valor alto). Fu et al. (2016) utilizaram o Índice de Moran Local para detectar valores extremos espaciais (inliers) de valores de P do solo.
3.5. Índice de correlação espacial bivariado de Moran
O índice I de Moran bivariado permite quantificar o grau de dependência espacial entre duas variáveis georeferenciadas Xi e Yi, de acordo com a expressãomatemática, Equação 3.
lxy = ∑ ∑ 𝑊𝑖𝑗 𝑛 𝑗=1 𝑛 𝑖=1 ∗𝑋𝑖∗𝑦𝑗 𝑤√𝑚𝑥2∗𝑚𝑦2 (3)
Onde Wij é a matriz espacial associada, calculada a partir da equação Wij = (1/(1 + Dij);
Dij é a distância entre os pontos i e j; Xi é o valor da variável X transformada, no ponto i; Yi é
o valor da variável Y transformada, no ponto j; W corresponde a soma dos graus de associação espacial, obtida para a matriz Wij, para i ≠ j; 𝑚𝑥2 corresponde a variância amostral de X; e my2
corresponde a variância amostral (CZAPLEWSKI & REICH, 1993).
A respeito de sua interpretação, valores positivos deste índice indicam em termos gerais a presença de regiões onde há valores altos de uma variável e valores igualmente altos de outra variável em posições vizinhas; ou que há regiões com valores baixos de uma variável onde se apresentam também valores baixos de outra variável em posições vizinhas. Em contraste, um índice negativo sugere correlação espacial negativa, ou seja, presença de regiões caracterizadas por valores altos de uma variável e valores baixos de outra em posições vizinhas, e viceversa.
3.6. Análise MULTISPATI-PCA
Um método de redução de dimensionalidade (número de variáveis) utilizado amplamente no processo de definição de zonas de manejo é o conhecido como Análise Espacial Multivariado baseado em Componentes Principais e o índice I de Moran (MULTISPATI-PCA), o qual consiste na construção de novas variáveis mais representativas da variância total de um conjunto de dados inicial a partir da combinação linear das variáveis originais (KURINA, HANG et al., 2018).
Para tal fim, constrói-se uma matriz onde suas colunas (vetores) correspondem às 𝑝 variáveis originais consideradas, e a partir desta, calcula-se o novo conjunto de variáveis, tendo que cada componente é uma combinação lineal das variáveis originais Equação 4:
𝑠𝑃𝐶𝑗 = 𝑎𝑗1𝑥1 + 𝑎𝑗2𝑥2 = ⋯ = 𝑎𝑗𝑝𝑥𝑝 (4)
onde 𝑎𝑗 corresponde aos pesos de contribuição de cada variável original em uma determinada componente principal espacial (sPC) com 𝑗 = 1, . . . , 𝑝 (JOHNSON e WICHERN, 2007). Essas novas variáveis (componentes) possuei cada uma um grau de relevância na explicação da variância total dos dados de entrada, sendo este representado em termos porcentuais em ordem decrescente. Na prática, tais porcentagens são obtidas a partir do
autovalor associado a cada componente, o qual representa a variância representada pela
componente em relação a variância total dos dados.
Esta análise é reconhedica por impor uma restrição às variáveis de entrada através do uso de uma matriz de ponderação espacial (Wnxn) na estimativa que corresponde a uma
representação matemática das relações ou enlaces de vizinhança entre unidades espaciais em termos da distância euclidiana entre as mesmas, assim como afirmam CÓRDOBA, et al., (2013). Esta matriz, ao ser multiplicada pela matriz Xnxp (com p observações), dá lugar à matriz
de entrada para a análises de agrupamento (clusterização) (DRAY et al., 2008), com as quais se definem neste caso as zonas de manejo.
Córdoba et al. (2013) e Gavioli et al. (2016) realizaram esta análise para o delineamento de zonas de manejo concluindo que a combinação dessa análise com algoritmos de clusterização baseados em lógica Fuzzy dá lugar a zonas de manejo mais continuais e com menor fragmentação em comparação a quando se usam outros métodos; isto graças a que a análise inclui na definição das zonas a natureza espacial dos dados que os algoritmos de clustering não consideram. Autores como Silva et al. (2010), Nogara et al. (2011), Gili et al. (2017) e Giannini et al. (2018) também comprovaram isto ao estudar padrões de associação espacial entre atributos físico-químicos e mineralógicos dos solos junto com o desenvolvimento de vegetal encontrando resultados favoráveis.
3.7.Análise de cluster Fuzzy c-means para delimitação de zonas de manejo
A análise de agrupamento (ou clusterização) Fuzzy c-means se fundamenta na agrupação de objetos físicos ou abstratos em c ‘clusters’ ou classes com base nas interações (correlações) entre eles incluindo dentro de cada classe pelo menos um elemento (TAGARAKIS e FOUNTAS, 2012). Essa classificação começa com a seleção aleatória de um número c de objetos onde cada um representa a “média” de uma futura classe. A partir disso inicia um processo de relocalização iterativa onde os objetos restantes são atribuidos a uma classe de acordo a sua proximidade a um determinado centroide. Recalcula-se assim a média intracluster a medida que se movimentam os objetos de uma classe para outra até determinar
realmente quais são os mais próximos a cada centro. Pontualmente, o processo termina quando a somatoria das distâncias entre cada centroide e seus elementos vizinhoselevadas ao quadrado é mínima, significando isto que os clusters são o mais compactos possível. Cabe mencionar que em uma versão fuzzy de agrupamento cada objeto tem associada uma probabilidade de pertencer a uma classe podendo assim pertencer em algum grau a mais de uma delas (MILLER e HAN, 2009; TAN el al., 2006).
Dado que em agricultura de precisão prefere-se trabalhar com mapas de poucas zonas de manejo para não prejudicar as operações de campo segundo Molin et al. (2015), acostuma-se usar diferentes critérios para a acostuma-seleção do número ótimo de zonas; entre os mais utilizados se encontram o Xie-Beni, o Fukuyama Sugeno, o Partition Coeficient e o Partition Entropy.
Por outra parte, para a avaliação do zoneamento (após selecionar o número ótimo de clusters) pode ser utilizado o método de Redução de Variância (VR), referido este a um índice calculado a partir dos valores de variância das variáveis. Aqui, conclui-se que os clusters foram bem definidos se a somatória dos valores desse índice calculados individualmente para cada cluster resulta menor do que o obtido para a totalidade da área de estudo (XIANG el at., 2007).
Da mesma forma, pode ser estimada a média de uma ou varias variávels em cada cluster para comparar as médias estimadas por cada uma mediante o teste de Tukey (HSD – Honestly Significant Difference) com um nível de significância (𝛼) de 0,05; isto permite saber se os clusters apresentam médias significativamente diferentes (CONAGIN et al., 2008; BETZEK et al., 2019; MOLIN e CASTRO, 2008; MANN et al., 2011). Outro método de avaliação que pode ser utilizado é o Índice de desempenho Fuzzy (FPI), o qual permite determinar o grau de separação entre os grupos gerados adotando valores próximos a zero quando há um grau de compartilhamento baixo de objetos entre clases (FRIDGEN, et al., 2004).
4. MATERIAL E MÉTODOS 4.1. Descrição da área de estudo
A área escolhida para o experimento corresponde a uma extensão superficial de 94 hectares, localizada nas coordenadas geográficas 21°38’4.64” Sul e 51°54’15.65” Leste, dentro da Fazenda Campina no município de Caiuá (São Paulo) (Figura 1). Caracteriza-se por ter relevo plano a suave ondulado, e clima do tipo Aw, descrito como tropical de estiagem em inverno, com estação seca definida entre os meses de abril e setembro e concentração de chuva no verão de outubro a março, segundo a classificação de Köppen (ROLIM et al., 2007).
A área esta subdividida em dois talhões, os quais estiveram cultivados com a forrageira
Urochloa brizantha cv. Marandu desde 2007 até 2018 para abastecer um sistema de rotação de
gado. A adubação realizada eventualmente nesses talhões foi com 300 kg h-1 de NPK (formulação 20-10-10) de forma uniforme a lanço, sendo isto realizado só em alguns anos devido aos altos custos do fertilizante para o produtor. A área permaneceu sob pastejo com novilhas de idade de 2 a 3 anos (450 kg animal-1), com taxa de lotação média entre 1,6 e 1,8 unidades de animal ha-1.
Figura 1 - (a) Localização da área experimental no estado de São Paulo, (b) área de estudo. (a)
(b)
A área foi submetida a um sistema de Integração Lavoura-Pecuária ao final do ano 2018 sendo aplicado previamente 0,5 Mg ha-1 de dologesso (mistura de calcário e gesso) entre o 15
e o 25 de agosto de 2018 para corrigir o solo. De 21 a 23 de novembro do mesmo ano foi plantada a variedade de soja NS6700 sob plantio direto, a qual foi colhida entre 3 e 6 de abril do ano seguinte; em seguida se plantou um consórcio das forrageiras milheto e brachiaria
(Urochloa Ruziziensis), cuja colheita foi realizada entre o 24 e 26 de maio. Foram plantados 15
4.2.Coleta de dados
Antes do plantio da soja uma base de dados multivariada com informações georreferenciadas relativas a atributos físicos do solo e a características do relevo e da vegetação foi criada. Molin et al. (2015) sugerem utilizar dados de alta confiabilidade e detalhamento para delinear zonas de manejo, razão pela qual foram consideradas informações do solo obtidas em alta densidade tanto através da coleta e análise laboratorial de amostras quanto por meio de sensoriamento proximal. Do mesmo modo foram considerados dados da topografia e da biomassa coletados por meio de sensores remotos com alta resolução espacial, sendo realizada a escolha de todas estas variáveis conforme as recomendações de Doerge (1999), Machado et al. (2002) e Córdoba et al. (2016); isto levando em conta que variáveis estaveis espacialmente permitem delimitar zonas de manejo que podem ser usadas para o tratamento de lavouras por vários anos.
4.2.1. Dados de solo
Para avaliar a fertilidade do solo foram coletadas amostras georreferenciadas utilizando um amostrador de solo (Saci Trail®, Saci, Piracicaba, Brasil) acoplado a um quadriciclo (Polaris Sportsman 570, Polaris, Medina, EUA). Para avaliar os atributos do solo de textura (teor de argila), matéria orgânica (MO), pH, e concentrações de fósforo (P) e potássio (K) foram coletadas 187 amostras em uma grade regular de 75 × 75 m na camada de 0 a 0,20 m de profundidade (2 amostras ha-1) e 106 amostras na camada subjacente de 0,20 a 0,40 m de profundidade (1 amostra ha-1); essas últimas amostras foram coletadas nas mesmas posições geográficas nas quais foram coletadas as amostras da primeira camada, Figura 2.
Seguido a isto, foram coletados dados de condutividade elétrica aparente do solo (CEa) nas camadas de 0,37 m e 0,75 m de profundidade (EM38®, Geonics Limited, Ontario, Canadá) e com frequência de aquisição de 1 kHz. As distâncias entre as linhas de amostragem (passadas) foi neste caso de 30 metros enquanto que a distância entre as medições em cada linha foi de aproximadamente 4 metros, Figura 3.
Figura 3 - Amostras Condutividade Elétrica aparente (CEa) do solo.
Adicionalmente, foi mensurada a resistência à penetração em grade regular de 150 × 150 m (44 pontos, cada um por três subamostras) utilizando penetrômetro eletrônico (PLG5200-SoloTrack, Falker, São Geraldo, Brasil), de acordo com as recomendações da (ASABE, 2009), Figura 4. Igualmente, coletaram-se manualmente dados de densidade aparente do solo em 19 pontos distribuídos aleatoriamente na área. Essas últimas amostras foram coletadas nas profundidades de 0,05, 0,10, 0,15 e 0,20 m de profundidade utilizando um anel volumétrico de 43 e 50 mm de diâmetro e altura, respectivamente (Figura 5). Para o georeferenciamento de todas as amostras foi utilizado o sistema de coordenadas planas Universal Transversa de Mercator (UTM) zona 22 sul.
A análise laboratorial das amostras dos atributos físicos foi realizada por meio do método do densímetro (Claessen et al., 1997) enquanto que a análise dos atributos químicos foi efetuada utilizando os métodos propostos por Raij et al. (2014), secando previamente as amostras ao ar e moindo-as com apoio de uma peneira de 2 mm.
Figura 4 - Amostras de Resistência a Penetração (RP) do solo.
Os dados de teor de argila, matéria orgânica, pH e condutividade elétrica aparente do solo foram escolhidos para realizar o zoneamento enquanto que os dados de resistência a penetração e densidade aparente do solo, e os referentes aos macronutrientes potássio e fósforo foram utilizados na etapa de validação para saber se as zonas de manejo identificadas diferem em termos dessas variáveis; e para analisar sua influência no comportamento espacial da produtividade das culturas.
4.2.2. Dados de relevo
Para a caracterização da topografia, foram consideradas 1022 medições de altitude realizadas pelo satélite ALOS-PALSAR e disponibilizadas gratuitamente em formato raster (.GeoTIFF) pelo banco de dados Alaska Satellite Facility com resolução espacial de 12.5 metros, a partir delas foram estimados os dados de declividade do terreno usando a função
slopeAcpect (pacote “landsat”) do Rstudio® (RStudio, Inc., Boston, MA, USA).
Posteriormente, os arquivos tipo raster das duas variáveis foram reamostrados para uma resolução espacial de 30 metros e recortadas no mesmo software conforme o arquivo shapefile do contorno da área de interesse, procedimento do qual se obteve como resultado os mapas de altitude e declividade, Figuras 6 e 7.
Figura 7 – Declividade do terreno (%) na área experimental.
4.2.3. Dados da biomassa
Em relação à biomassa, foram consideradas 17 imagens multiespectrais coletadas pelo sistema Landsat 8 entre 2013 a 2018, com resoluções espacial, radiométrica e temporal de 30 metros, 12 bits e 16 dias, respectivamente. As imagens foram solicitadas pela plataforma
EarthExplorer (opção Surface Reflectance Level-2 Data Products) do Serviço Geológico dos
Estados Unidos (USGS), escolhendo-se as datas de coleta com apoio do Sistema de Análise Temporal da Vegetação (SATVeg) da Embrapa Informática Agropecuária de acordo ao desenvolvimento da vegetação; isto lembrando que a maior quantidade de biomassa ocorre na estação de verão (novembro a março) por conta da chuva e a maior radiação solar durante o dia. A seleção das imagens foi realizada conforme a qualidade das mesmas em termos presença de nuvens, selecionando-se assim imagens com cobertura de nuvens inferior ao 20%.
Após baixar as imagens, foi realizada a conversão de seus níveis digitais (ND) para valores de reflectância no topo da atmosféra (TOA) utilizando o plugin Semi-Automatic Classification (aba Preprocessing) do software QGIS (QGIS Geographic Information System, v. 2.12 Lyon, QGIS 2016). Este pré-processamento foi realizado unicamente para as imagens relativas às faixas azul (B – 460-490 nm), verde (G – 530-570 nm), vermelho (R – 650-690 nm) e infravermelho próximo (NIR - 780 nm) do espectro eletromagnético, escolhendo-se as três primeiras faixas devido a que fornecem informação sobre a atividade fotossintética das plantas enquanto que a restante sobre sua estrutura interna foliar (JENSEN, 2009).
A partir dessas imagens pré-processadas se estimaram as médias de reflectância para cada faixa no periodo de tempo anteriormente mencionado (Figuras 8 a 13), as quais se consolidaram como produtos de sensoriamento remoto que participaram formalmente nesta pesquisa. Optou-se por trabalhar com essas médias para diminuir o efeito de anomalias ocorridas na área experimental por conta de fenômenos naturais ou antrópicos, e assim, perceber a variabilidade espacial e a refletância real da vegetação nessas faixas.
Figura 8 – Reflectância média no topo da atmosfera na faixa azul entre 2013 e 2018.
Figura 10 – Reflectância média no topo da atmosfera na faixa vermelho entre 2013 e 2018.
Figura 11 – Reflectância média no topo da atmosfera na faixa infravermelho próximo entre 2013 e 2018.
Tomando as médias da reflectância nas faixas vermelho e infravermelho próximo se estimou o a média do índice de vegetação por diferença normalizada (NDVI) calculado pela equação (RNIR−Rred)/(RNIR+Rred). Do mesmo modo, tomando as médias da reflectância nas
faixas verde e infravermelho próximo, obteve-se a média índice de vegetação da diferença de verde normalizado (GNDVI), calculado pela equação (RNIR−Rgreen)/(RNIR+Rgreen). As imagens
desses dois índices de vegetação e as referentes às médias das reflectâncias foram recortadas conforme o arquivo vectorial do contorno da área experimental. Após este procedimento, as
imagens ficaram cada uma com 1025 píxels (observações) sob o sistema de coordenadas planas Universal Transversa de Mercator (UTM) – Zona 22 Sul, datum global geocéntrico WGS84. O índice NDVI foi considerado em concordância com os resultados obtidos por Nogueira et al. (2020) e Damian et al. (2020), os quais mostraram correlação positiva significativa entre os valores desse índice e a produtividade de soja, confirmando-se com isto a utilidade de dados de reflectância espectral da cultura na análise de sua variabilidade espacial e na delimitação de zonas de manejo. Em constraste, o índice GNDVI foi escolhido devido a sua sensibilidade à concentração de clorofila na vegetação, o qual considerou-se útil para entender o desenvolvimento da mesma na área (GITELSON et al., 1996).
Figura 12 – Média do índice NDVI entre 2013 e 2018.
4.2.4. Dados de produtividade
Para a validação das zonas de manejo foram coletadas manualmente em 50 pontos amostrais de biomassa de soja (PS) e de forragem (PF), em ambos casos georreferenciadas (Figura 15) e identificadas em campo com um GPS de navegação (eTrex® 20x, Garmin, Olathe, KS, USA) com precisão de posicionamento entre 5 a 15 metros, Figura 14. As amostras de biomassa com as quais se determinou a produtividade de soja foram coletadas o 21 de março de 2019 enquanto que as amostras de biomassa de forragem foram coletadas os dias 15 e 16 de maio do mesmo ano.
Figura 14 – Pontos para coleta de amostras de produtividade de soja e forragem, e de altura das duas forrageiras.
No caso da soja, coletaram-se em cada ponto amostral as plantas encontradas em um metro linear, as quais foram secas e separadas em laboratório para obter seguido a isto os dados de produtividade da cultura em toneladas por hectare. Em relação aos dados de forragem, foram medidas em primeiro lugar as alturas das duas forrageiras (AF) e em seguida, foi colhida a biomassa contida um esquadro de 1 m2. As alturas foram estimadas de forma independente a partir da medida no ponto armazenado no dispositivo GPS; e de outras 10 medições coletadas em posições aleatórias ao redor desse ponto em um raio aproximado de 5 metros. Seguido a isto, em laboratório foram separadas manualmente as folhas de milheto das de brachiaria para se armazenar cada uma de forma independente em sacos de papel e colocá-las para secar em estufa durante 72 horas a 65°C. O peso em toneladas de massa seca por hectare (TMS ha-1) para cada espécie foi estimado a partir dos respectivos pesos da biomassa úmida e o da biomassa seca.
Cabe salientar que o esquadro foi colocado em pontos onde visualmente as alturas das forrageiras apresentavam similaridade com as observadas no ponto de referência para garantir que as duas médias estimadas fossem realmente representativas da variabilidade espacial da forragem no lugar. Do mesmo modo, teve-se em consideração especialmente que as amostras não fossem coletadas em lugares “atípicos” ou significativamente diferentes ao observado no ponto de referência por conta do manejo da fazenda (carreadores), de evidente compactação do solo, ou da presença de árvores de grande porte ou de plantas daninhas.
4.3. Análise exploratória de dados
Os dados foram importados em formato de valores separados por vírgulas (.CSV ) de forma independente para cada variável no software Rstudio®, realizando-se uma primeira plotagem das mesmas para observar sua variabilidade espacial na área de estudo. Após transformar cada conjunto de dados ao formato dataframe, foi feita uma análise estatística para todas variáveis incluindo medidas de tendência central (mínimo, máximo, média, mediana, moda), de dispersão (desvio padrão, coeficiente de variação) e de assimetria (curtose). Para tal fim, foi utilizada a função basicStats do pacote “fBasics” do software Rstudio®, complementando a análise com o histograma e o diagrama de BoxPlot de cada atributo, gerados cada um com as funções hist e boxplot do pacote “graphics” do Rstudio®. Também, foi realizada uma análise da distribuição estatística das variáveis através do teste de normalidade Kolmogorov-Smirnov com um nível de significância (𝛼) de 0,05.
Previamente à essa análise de estatísticas descritivas, foi efetuada uma análise de identificação e remoção de valores atípicos para as variáveis relativas aos atributos do solo, às produtividades e às alturas das forragens. Identificaram-se em primerio lugar os valores atípicos globais ou outliers, referidos aos valores encontrados abaixo o limite inferior e acima do limite superior do BoxPlot de cada variável. Simultaneamente, foi realizada uma análise visual de vizinhança para cada amostra a partir do cálculo do índice de autocorrelação espacial local de Moran, o qual permitiu identificar de forma quantitativa e gráfica as amostras com valor significativamente diferente aos observados em amostras vizinhas, conhecidos estes valores como atípicos locais ou inliers (WEIJUN et al., 2016). O valor do índice para cada valor e seu respectivo p-valor foram estimados mediante a função localmoran do pacote “spdep” do Rstudio®, graficando-se a partir dessas estimativas um mapa para visualizar melhor a posição geográfica dos valores atípicos na área de estudo.
Igualmente, calculou-se o índice I (global) de Moran visando com isto poder identificar mudanças importantes na estrutura de dependencia espacial entre os valores de cada variável
conforme a remoção das observações que foram identificadas como anómalas globais. Para esta estimativa foi utilizada a função moran.test, também do pacote “spdep” do Rstudio®. Conjuntamente, efetuou-se a plotagem do diagrama de dispersão (scatterplot) de Moran com a função moran.plot do mesmo pacote para auxiliar na identificação dessas observações.
Em relação ao cálculo dos dois índices, global e local, realizaram-se diferentes testes para identificar o número k amostras vizinhas mais proximas que permite estimar o valor mais representativo do índice para cada atributo. Isto a exeção das duas variáveis de condutividade elétrica aparente do solo, onde se colocou um número arbitrário de 50 amostras vizinhas mais próximas por conta do tamanho do conjunto de dados que as representam. Este número foi escolhido igualmente de forma que na estimativa dos índices por ponto fossem considerados também os valores mais próximos localizados nas linhas de amostragem paralelas situadas a cada lado do ponto. Cabe dizer também que, devido à alta densidade de dados nas duas variáveis de CEa do solo, foi necessário realizar todos seus cálculos e seus respectivos mapas no sofware de análise espacial GeoDa® (Anselin, 2005).
Em termos gerais foram utilizados esses dois critérios de identificação de valores discrepantes nas variáveis para cumprir dois propósitos em especial: primeiro, não prejudicar a posterior análise geoestatística, a qual precisa de uma quantidade suficiente de valores em cada variável para conseguir predizer os valores das mesmas nos lugares não amostrados; e segundo, garantir o melhor desempenho possível do algoritmo de zoneamento escolhido, do qual se sabe que é sensível à presença de valores atípicos.
4.4. Análise geoestatística
O método de interpolação escolhido para predizer os valores das variáveis do solo nos lugares não amostrados e representar sua variabilidade espacial foi krigagem ordinária, o qual segundo Oliver e Webster (2014) consegue predizer valores otimamente, minimizando erros de estimativa. O método foi executado ajustando os modelos esférico, exponencial e gaussiano ao semivariograma omnidirecional de cada variável selecionando ao final desta etapa os respectivos dados preditos a partir do modelo que ofereceu o melhor ajuste. Os semivariogramas experimentais para cada variável foram construidos a partir da função
variogram do pacote “gstat” do Rstudio® enquanto que o ajuste dos modelos foi realizado com
a função fit.variogram do mesmo pacote estatístico.
A qualidade dos mapas derivados desses modelos foi quantificada mediante a aplicação da técnica de validação cruzada, na qual se considera como melhor modelo aquele que obteve o maior coeficiente de determinação R2 e o menor RMSE (Root Mean Squared Error, por suas
siglas em inglês) Córdoba et al. (2016). Para este fim foi utilizada a função krige.cv do pacote “gstat” de Rstudio®.
Adicionalmente, foi realizada uma análise de avaliação de anisotropia para cada variável para identificar se seus respectivos dados variam mais espacialmente em alguma direção específica e saber se é necessário modificar a metodologia usada para sua interpolação. Para tal fim, foi gerado para cada variável um mapa semivariográfico e um gráfico de semivariogramas experimentais nas direções 0°, 45°, 90° e 135° (YAMAMOTO e LANDIM, 2013).
Cabe dizer que nos casos nos quais não foi possível ajustar o semivariograma experimental com os modelos previamente mencionados devido à escassez de amostras, optou-se por gerar o respectivo mapa preditivo mediante o método de interpolação inverso da distância (IDW) com expoente 2. As variáveis interpoladas por este metodo foram as produtividades de soja e das forrageiras milheto e brachiaria, ao igual que as de resistência a penetração e densidade aparente do solo.
4.5.Análise de correlação espacial e seleção de variáveis
Foi necessário construir em primeiro lugar uma base de dados na qual em cada ponto no espaço estivessem associados os valores de todas as variáveis. Isto teve que ser feito devido a que a maioria dos atributos foi amostrado de uma forma e sob uma grade amostral diferente. Optou-se assim por utilizar os dados obtidos da interpolação das variáveis considerando uma distância euclidiana de separação entre eles igual à resolução espacial da maioria dos produtos de sensores remotos, 30 metros. As 1496 instâncias resultantes deste procedimento foram armazenadas em um arquivo .CSV para pós-processamento.
Com o objetivo de selecionar as melhores variáveis para a caracterização da área experimental foi construída uma matriz de correlação espacial, a qual inclui estimativas do grau de dependência (autocorrelação) espacial das variáveis de forma independente (na diagonal da matriz) e da correlação espacial entre elas, representados estes dois aspectos pelo índice de Moran bivariado.
As variáveis a serem utilizadas como insumo no zoneamento foram escolhidas conforme as recomendações dadas por Bazzi et al. (2013) considerando um nível de significância do 5%: primeiro, foram eliminadas as variáveis com autocorrelação espacial não significativa e após disso, aquelas que não apresentaram correlação espacial significativa com a produtividade das culturas; posteriormente, foram ordenadas as variáveis em ordem decrescente segundo o módulo do valor que obtiveram de correlação espacial com a produtividade e se eliminaram finalmente aquelas redundantes, ou seja, aquelas que apresentaram correlação espacial alta entre elas, excluindo aqui principalmente aquelas com menor valor de correlação.
