UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ CAMPUS LONDRINA
CURSO DE ENGENHARIA AMBIENTAL
JESSICA TIOSSI NAKA
CORRELAÇÃO DO ÍNDICE DE VEGETAÇÃO POR DIFERENÇA
NORMALIZADA COM PARÂMETROS QUÍMICOS DO SOLO PARA
APLICAÇÕES EM AGRICULTURA DE PRECISÃO
TRABALHO DE CONCLUSÃO DE CURSO
LONDRINA 2019
JESSICA TIOSSI NAKA
CORRELAÇÃO DO ÍNDICE DE VEGETAÇÃO POR DIFERENÇA
NORMALIZADA COM PARÂMETROS QUÍMICOS DO SOLO PARA
APLICAÇÕES EM AGRICULTURA DE PRECISÃO
Trabalho de Conclusão de Curso apresentado ao Curso Superior de Engenharia Ambiental da Universidade Tecnológica Federal do Paraná, Câmpus Londrina, como requisito parcial para obtenção do título de bacharel em Engenharia Ambiental.
Orientador: Prof. Dr. Marcelo Hidemassa Anami Co-orientador: Prof. Dra. Ligia Flávia A. Batista
LONDRINA 2019
Ministério da Educação
Universidade Tecnológica Federal do Paraná
Campus Londrina
Coordenação de Engenharia Ambiental
TERMO DE APROVAÇÃO
Correlação do índice de vegetação por diferença normalizada com
parâmetros químicos do solo para aplicações em agricultura de precisão
por
Jessica Tiossi Naka
Trabalho de Conclusão de Curso apresentado no dia 03 de dezembro de 2019 ao Curso Superior de Engenharia Ambiental da Universidade Tecnológica Federal do Paraná, Campus Londrina. O candidato foi arguido pela Banca Examinadora composta pelos professores abaixo assinados. Após deliberação, a Banca
Examinadora considerou o trabalho
_____________________________________________________________ (aprovado, aprovado com restrições ou reprovado).
____________________________________ Prof. Dr. Roger Nabeyama Michels
(UTFPR)
____________________________________ Prof. Dra. Ligia Flávia Antunes Batista
(UTFPR)
____________________________________ Prof. Dr. Marcelo Hidemassa Anami
(UTFPR) Orientador
__________________________________ Profa. Dra. Edilaine Regina Pereira Responsável pelo TCC do Curso de Eng. Ambiental
AGRADECIMENTOS
Gostaria de agradecer meus pais, Solemar dos Santos Tiossi e Janilton Kameo Naka, que sempre me apoiaram e tornaram minha graduação possível; meu irmão, Rogério, que é meu porto seguro; minha família, que sempre foi muito acolhedora; meus amigos, Pecho, Raul, Charlito, Miguen, Line, Gley, Pexo, Gi e Ju, que mesmo longe, me deram força para continuar, principalmente nos momentos mais difíceis; meus amigos, Dioni, Thiago, Lete, Nal, Gabi, Bia, Cris e demais amizades que fiz ao longo dessa jornada na UTFPR, que tornaram meus dias na graduação mais alegres e os desafios menos assustadores; minhas amigas Andréia e Duda, que além de boas companhias, foram de grande ajuda no laboratório de solos; meus orientadores, Marcelo Hidemassa Anami e Ligia Flávia Antunes Batista, pela oportunidade, apoio e compreensão; e aos professores Janksyn Bertozzi, que cedeu sua propriedade para a realização desse estudo e ajudou na coleta das amostras; e Roger Nabeyama Michels, que aceitou fazer parte da banca examinadora e contribuiu para o desenvolvimento deste trabalho.
RESUMO
A partir da agricultura são produzidos alimentos e matérias-primas utilizadas pelas indústrias, comércios e outros serviços, por isso ela desempenha um papel fundamental para a economia global. A agricultura de precisão (AP) proporciona inúmeros benefícios potenciais em sustentabilidade devido a possibilidade de aplicar insumos em taxas variáveis, evitando que aplicações em excesso contaminem o solo, a atmosfera ou as águas subterrâneas através de processos como erosão, lixiviação ou evaporação. Também proporciona benefícios como rentabilidade, produtividade, qualidade da cultura, proteção ambiental, qualidade de vida e desenvolvimento econômico rural, utilizando técnicas modernas e científicas, aliadas com conhecimentos tradicionais e tecnologias de informação para um manejo agrícola inteligente. Nesse sentido, técnicas de sensoriamento remoto, como o Índice de Vegetação por Diferença Normalizada (NDVI), em que informações da cultura podem ser obtidas de forma rápida e à distância, tem se tornado de fundamental importância para a obtenção dos dados de campo e um manejo mais eficiente da agricultura de precisão. Assim, este trabalho traz uma análise dos atributos químicos do solo, a fim de encontrar uma correlação entre eles e os valores obtidos de NDVI. Para isso, foram realizadas coletas de amostras de solo de uma propriedade voltada para o cultivo de soja e milho, localizada no município de Assaí, estado do Paraná. As coletas foram realizadas em agosto de 2019, com distanciamento de 5 m entre cada amostra, então elas foram encaminhadas ao laboratório para a análise dos parâmetros pH, P, K, Ca + Mg, SB, M.O., CTC, V% e H + Al. O cálculo do NDVI foi realizado em ambiente SIG, feito no software QGis 3.6.0, utilizando imagem do sensor Sentinel 2 obtida do dia 29 de março de 2019, período de início da cultura de milho. Os dados foram analisados pela estatística descritiva, pela geoestatística e plotados em gráficos, a fim de avaliar o coeficiente de determinação (R²) e o coeficiente de correlação linear de Pearson (r). Na análise da estatística descritiva, quase todos os coeficientes de variação (CV) dos parâmetros foram classificados como médio, com exceção do pH, classificado como CV baixo, e o P, classificado como CV alto. Na análise geoestatística, todos os atributos do solo apresentaram dependência espacial, sendo quase todos classificados com forte grau de dependência, com exceção do H + Al, classificado com moderado grau de dependência. Os modelos de todos os parâmetros possuíram bom ajuste, apresentando coeficiente de determinação (R²) maior do que 0,7. Os parâmetros P, K, Ca + Mg, M.O. e pH apresentaram coeficiente de correlação linear de Pearson (r) positivos, indicando que são diretamente proporcionais aos valores de NDVI, enquanto o parâmetro H + Al apresentou r negativo, indicando que é inversamente proporcional aos valores de NDVI. Sendo assim, foi possível correlacionar os valores dos atributos do solo com os valores obtidos de NDVI, atingindo o objetivo deste trabalho.
Palavras-chave: geoprocessamento, ndvi, estatística descritiva, geoestatística, coeficiente de determinação, correlação de Pearson.
ABSTRACT
From agriculture are produced food and raw materials used by industries, trades and other services, so it plays an essential role in the global economy. Precision agriculture (PA) provides numerous potential sustainability benefits through the ability to apply inputs at varying rates, preventing excess applications from contaminating the soil, atmosphere or groundwater through processes such as erosion, leaching or evaporation. It also provides benefits such as sustainability, profitability, productivity, crop quality, environmental protection, quality of life and rural economic development, using modern and scientific techniques, combined with traditional knowledge and information technologies for intelligent agriculture management. In this sense, remote sensing techniques, such as the Normalized Difference Vegetation Index (NDVI), in which crop information can be obtained quickly and remotely, has become of fundamental importance for obtaining field data and a more efficient management of precision agriculture. Thus, this work provides an analysis of the soil chemical properties in order to find a correlation between them and the values obtained from NDVI. For this purpose, soil samples were collected from a property dedicated to the soybean and corn production, located in the city of Assaí, state of Paraná. The samples were collected in august 2019, with a 5 m distance between each sample, so they were sent to the laboratory to measure the following chemical properties: pH, P, K, Ca + Mg, SB, MO, CTC, V% and H + Al. The calculation of the NDVI was performed using QGis 3.6.0 software and Sentinel 2 images from March 29, 2019, beginning of the corn crop season. The data were analyzed using descriptive statistics, geostatistics and plotted in graphs in order to evaluate the coefficient of determination (R²) and Pearson's correlation coefficient (r). In the descriptive statistics, almost all coefficients of variation (CV) were classified as medium, with the exception of the pH, that was classified as low CV, and P, that was classified as high CV. In geostatistical analysis, all soil attributes presented spatial dependence, and almost all where classified as highly dependent, with the exception of H + Al, classified as moderately dependent. The models of all parameters were well adjusted, with a coefficient of determination (R²) higher than 0.7. Parameters P, K, Ca + Mg, M.O. and pH showed positive Pearson’s correlation coefficient (r), indicating that they are directly proportional to NDVI values, while parameter H + Al showed negative r, indicating that it is inversely proportional to NDVI values. Thus, it was possible to correlate the values of the soil attributes with the values obtained from NDVI, reaching the objective of this study.
Key-words: ndvi, descriptive statistics, geostatistics, coefficient of determination, Pearson correlation coefficientt.
LISTA DE FIGURAS
Figura 1 – Obtenção de imagem de sensoriamento remoto...17
Figura 2 – Níveis de coleta de dados de sensoriamento remoto...18
Figura 3 – Espectro eletromagnético...18
Figura 4 – Comportamento espectral de alvos...19
Figura 5 – Curva de reflectância típica de uma folha verde...22
Figura 6 – Exemplo de semivariograma típico...25
Figura 7 – Exemplo de mapa de krigagem...25
Figura 8 – Mapa de localização da área de estudo...26
Figura 9 – Mapa de solos (Pedologia)...27
Figura 10 – Carta imagem do Sentinel 2...28
Figura 11 – Mapa de NDVI na data de 29 de março de 2019...29
Figura 12 – Mapa dos pontos amostrados...30
Figura 13 – Mapa dos pontos amostrados e NDVI...33
Figura 14 – Análise temporal do ciclo da soja e início do cultivo de milho...34
Figura 15 – Comportamento do NDVI ao longo do ciclo da soja e início do cultivo de milho...35
Figura 16 – Mapa de curvas de nível...38
Figura 17 – Semivariogramas dos atributos do solo analisados e do NDVI...41
Figura 18 – Coeficientes de determinação (R²)...42
Figura 19 – Mapa dos pontos utilizados na construção do mapa de regressão linear para os atributos do solo pH, H + Al, P, K, Ca + Mg e M.O...45
LISTA DE TABELAS
Tabela 1 – Resolução espacial e espectral Sentinel-2...21 Tabela 2 – Estatística descritiva da fertilidade do solo...36 Tabela 3 – Análise semivariográfica da fertilidade do solo e do NDVI...39 Tabela 4 - coeficientes de determinação (R²) e coeficientes de correlação linear de Pearson (r)...42
LISTA DE ABREVIATURAS E SIGLAS AP Agricultura de precisão Al Alumínio As Assimetria B Boro C Curtose Ca Cálcio
CaCl2 Cloreto de cálcio
Cl Cloro
CO2 Dióxido de carbono
Cr Cromo
CTC Capacidade de troca de cátions
Cu Cobre
CV Coeficiente de variação
EDTA Ácido Etilenodiamino Tetra-Acético
Fe Ferro
GD Grau de dependência
GMES Global Monitoring for Environment and Security GPS Global Positioning System
H Hidrogênio
H2SO4 Ácido Sulfúrico
HCl Ácido clorídrico H + Al Acidez potencial IAF Índice de área foliar
K Potássio
KCl Cloreto de potássio
N Nitrogênio
NaOH Hidróxido de sódio
NDMI Índice de Umidade por Diferença Normalizada NDVI Índice de Vegetação por Diferença Normalizada NVef Nitossolo Vermelho Eutroférrico
Mg Magnésio
M.O. Matéria orgânica NIR Infravermelho próximo
P Fósforo
pH Potencial Hidrogeniônico
r Coeficiente de correlação linear de Pearson R² Coeficiente de determinação
REM Radiação eletromagnética
RFAA Radiação fotossintéticamente ativa absorvida
S Enxofre
SAVI Índice de Vegetação Ajustada ao Solo
SB Soma de bases
SIG Sistema de Informação Geográfica
SR Razão simples
SWIR Infravermelho de ondas curtas TFSA Terra Fina Seca ao Ar
V% Bases trocáveis
SUMÁRIO 1. INTRODUÇÃO...12 2. OBJETIVOS...13 2.1 OBJETIVO GERAL...13 2.2 OBJETIVOS ESPECÍFICOS...13 3. REFERENCIAL TEÓRICO...14 3.1 AGRICULTURA DE PRECISÃO...14
3.2 NUTRIENTES DAS PLANTAS...15
3.3 GEOPROCESSAMENTO...16
3.3.1 Sensoriamento remoto...16
3.3.2 Características dos sensores remotos...17
3.3.3 Sentinel-2...20
3.3.4 Comportamento espectral da vegetação...21
3.3.5 Índice de vegetação...22
3.4 GEOESTATÍSTICA...23
4. MATERIAIS E MÉTODOS...26
4.1 ÁREA DE ESTUDO...26
4.2 ANÁLISES DAS IMAGENS DE SENSORIAMENTO REMOTO...27
4.3 AMOSTRAGEM E ANÁLISES QUÍMICAS...29
4.3.1 Coleta das amostras...30
4.3.2 Análises químicas...31
4.4 ANÁLISE DOS DADOS...31
5. RESULTADOS E DISCUSSÃO...33
5.1 CLASSIFICAÇÃO DO NDVI...33
5.2 ESTATÍSTICA DESCRITIVA DA FERTILIDADE DO SOLO...36
5.3 ANÁLISE DOS SEMIVARIOGRAMAS...38
5.4 COEFICIENTE DE DETERMINAÇÃO (R²)...41
6. CONCLUSÕES...46
REFERÊNCIAS...47
1. INTRODUÇÃO
A agricultura é a principal provedora de alimentos, fibras e biocombustíveis do mundo e por isso desempenha um papel fundamental para a economia global. Projeções mostram que a produtividade agrícola deverá aumentar nos próximos anos, a fim de suprir a demanda alimentar [ CITATION For17 \l 1046 ].
Sendo assim, com o intuito de aumentar a produtividade das colheitas e a qualidade ambiental, surgiu a agricultura de precisão (AP), que consiste em utilizar tecnologias, como o geoprocessamento, no manejo da variabilidade espacial e temporal associada à produção agrícola [ CITATION Pierce1999 \l 1046 ].
Com as técnicas de sensoriamento remoto, é possível obter as informações da lavoura de forma não-destrutiva, rápida e por vezes à distância, desempenhando um papel importante na obtenção de diagnósticos como a estimativa da produtividade, avaliação nutricional, detecção de pragas e doenças, previsão do tempo e avaliação da necessidade hídrica das plantas (SHIRATSUCHI et al., 2014).
Como é possível observar, o sensoriamento remoto pode contribuir de modo significativo no fornecimento de dados no setor agrícola, sendo um dos melhores meios, em termo de custo-benefício, para coleta de informações detalhadas e confiáveis sobre grandes áreas, com alta frequência de revisita [ CITATION For17 \l 1046 ].
2. OBJETIVOS
2.1 OBJETIVO GERAL
O principal objetivo deste trabalho é correlacionar teores de nutrientes no solo por meio de sensoriamento remoto, aplicando o Índice de Vegetação por Diferença Normalizada (NDVI), com as amostras de solo obtidas em campo e analisadas em laboratório, a fim de definir estratégias de manejo mais eficientes em agriculturas de precisão.
2.2 OBJETIVOS ESPECÍFICOS
Analisar parâmetros químicos do solo em laboratório; Avaliar a variabilidade espacial dos nutrientes do solo;
Caracterizar a área de estudo com dados de imagens de sensoriamento remoto;
Comparar os resultados das amostras analisadas em laboratório com os resultados do NDVI a fim de verificar se um modelo pode ser ajustado para estimar os nutrientes a partir de dados de índices espectrais.
3. REFERENCIAL TEÓRICO
3.1 AGRICULTURA DE PRECISÃO
Agricultura de precisão é a aplicação de tecnologias e princípios para gerir variabilidades espaciais e temporais associadas com todos os aspectos da produção agrícola com o propósito de melhorar a performance da colheita e qualidade ambiental. O sucesso na agricultura de precisão está relacionado ao quão bem pode ser aplicado para gerir e avaliar o contínuo espaço-tempo na produção da colheita[CITATION Pierce1999 \p 1 \l 1046 ]. A agricultura possui um papel insubstituível em todos os países, pois é a principal provedora de alimentos, fibras e biocombustíveis. Cerca de 1,53 bilhões de hectares do planeta são destinados à agricultura, em que 62% dessas terras são destinadas à produção de alimentos humanos, 35% à alimentação animal e 3% à produção de bioenergia [ CITATION For17 \l 1046 ].
Estudos internacionais mostram que, até o ano de 2050, será necessário praticamente duplicar os níveis atuais da produção agrícola do planeta, a fim de atender as demandas de segurança alimentar, de governança e de sustentabilidade. Sendo assim, para elevar a produtividade agrícola, uma das alternativas é aumentar a produtividade das lavouras, dessa forma reduzindo a expansão agrícola e, consequentemente, podendo diminuir o desmatamento [ CITATION For17 \l 1046 ].
A agricultura de precisão teve início no meio da década de 1980, em que as aplicações de sensoriamento remoto eram utilizadas em sensores para matéria orgânica do solo, que logo se diversificaram para incluir sensores de satélites, aéreos e portáteis ou tratores montados [CITATION Mulla2013 \l 1046 ].
No Brasil, foi na segunda metade da década de 1990 que se deu início ao emprego da agricultura de precisão. Com o crescente uso e facilitação de acesso dos equipamentos GPS e processamento de dados georreferenciados, suas aplicações na agricultura têm se tornado cada vez mais comuns. No início dos anos 2000, foram disponibilizadas colhedoras equipadas com GPS e sensores de produtividade (monitor de colheita), porém, devido à dificuldade de utilização e à pequena utilidade vislumbrada pelos produtores, houve certo receio em adquiri-las (RESENDE et al., 2010).
Atualmente a agricultura de precisão avançou para além da cultura de milho e soja, reunindo um número de diferentes culturas entre anuais, perenes e semiperenes, podendo ser aplicada em todas as culturas nas quais a variabilidade espacial esteja presente (INAMASU et al., 2011). Em 2010, no Cerrado, estimava-se que cerca de 4 milhões de hectares de lavouras anuais e cerca de 1,5 milhões de hectares de cana-de-açúcar já utilizavam amostragens georreferenciadas para mapeamento da fertilidade do solo e distribuição de corretivos e fertilizantes em taxas variáveis (RESENDE et al., 2010).
3.2 NUTRIENTES DAS PLANTAS
Os nutrientes representam cerca de 8,6% da matéria seca das plantas e qualquer alteração nesse percentual acarretará em maiores benefícios ou prejuízos da atividade agrícola. A fim de potencializar o crescimento das plantas, é necessário que todos os nutrientes estejam disponíveis em teores adequados (TANAKA;
MASCARENHAS, 2006).
Os macronutrientes N, K, Ca, Mg, P e S fazem parte de moléculas essenciais, sendo necessários em maiores quantidades e possuindo função estrutural, enquanto os micronutrientes Cl, Fe, B, Mn, Zn, Cu e M.O. fazem parte das enzimas e possuem função reguladora, sendo necessários em menores quantidades.
O Cálcio (Ca) tem relação com o crescimento das plantas, e sua deficiência temporária pode acarretar em colapso no caule ou no pecíolo, colapso das células nas pontas dos frutos, produção menor de grãos, germinação deficiente do grão do polén e abscisão prematura das flores (TANAKA; MASCARENHAS, 2006).
O Magnésio (Mg) compõe a molécula da clorofila, auxiliando na ativação das enzimas relacionadas à síntese de proteínas e na absorção de P, sua deficiência pode causar clorose internerval nas folhas mais velhas (TANAKA; MASCARENHAS, 2006).
O Fósforo (P) está relacionado aos processos de fotossíntese, respiração, armazenamento e de transferência de energia e divisão celular, entre outros
O Potássio (K) possui função de ativação de diversas enzimas, de favorecimento do equilíbrio das cargas elétricas das células, de regulação do turgor destas e de regulação do movimento dos estômatos. Sua deficiência pode causar necrose das folhas (TANAKA; MASCARENHAS, 2006).
A correção da acidez do solo tem como finalidade diminuir os teores de H+,
Mn2+ e Al3+ para concentrações que não prejudiquem o crescimento das raízes e
absorção dos nutrientes. Como consequência, auxilia a agregação das partículas do solo, eleva a CTC de cargas dependentes de pH e melhora as condições para o crescimento e sobrevivência da microfauna benéfica (TANAKA; MASCARENHAS, 2006).
3.3 GEOPROCESSAMENTO
3.3.1 Sensoriamento remoto
Sensoriamento remoto é a ciência de obter informação sobre um objeto sem estar em contato físico direto com ele, podendo ser usado para medir e monitorar importantes características biofísicas e atividades humanas na Terra [CITATION Jen11 \l 1046 ].
Sendo a vegetação um dos componentes mais importantes do ecossistema, cientistas têm desempenhado significativos esforços para desenvolver sensores e algoritmos de processamento de imagens para extrair informações biofísicas da vegetação a partir do sensoriamento remoto. Essas técnicas podem ser aplicadas para diversas paisagens vegetadas, incluindo a agricultura [ CITATION Jen11 \l 1046 ].
A Figura 1 mostra como ocorre a obtenção de imagens de sensoriamento remoto, em que uma fonte de energia (e.g., o Sol) incide sobre um alvo (e.g., cultura agrícola), então parte da energia é absorvida, parte é transmitida e parte é refletida. Uma parcela da luz refletida, juntamente com parte da energia emitida pela superfície, é captada por sensores a bordo de satélites. As imagens captadas pelos sensores são enviadas a estações de recepção e então distribuídas para os usuários [ CITATION For17 \l 1046 ].
Figura 1 – Obtenção de imagem de sensoriamento remoto.
Fonte: Formaggio e Sanches (2017). 3.3.2 Características dos sensores remotos
Os sensores remotos são os equipamentos que captam a energia refletida e a energia emitida pela superfície terrestre [ CITATION Flo11 \l 1046 ] e possuem características diversas.
Os níveis de coleta de dados de sensoriamento remoto são classificados em função da distância entre o sensor e o objeto de estudo, podendo ser citados como: orbital, aéreo, de campo e de laboratório (Figura 2) [ CITATION For17 \l 1046 ].
Figura 2 – Níveis de coleta de dados de sensoriamento remoto.
Fonte: Formaggio e Sanches (2017).
O espectro eletromagnético representa as regiões espectrais da radiação eletromagnética (REM) conforme o comprimento de onda e a frequência (Figura 3) [ CITATION Flo11 \l 1046 ].
Fonte: Pereira, Silva e Pamboukian (2016).
Na região do espectro visível, o olho humano é capaz de enxergar as cores do violeta ao vermelho. A região do infravermelho é subdividido em três regiões: infravermelho próximo (0,7-1,3 µm), médio (1,3-6,0 µm) e distante ou termal (6,0-1000 µm) [ CITATION Flo11 \l 1046 ].
Objetos da superfície terrestre absorvem e transmitem radiação eletromagnética de acordo com as suas características biofísicas e químicas, que variam com o comprimento de onda [ CITATION Flo11 \l 1046 ]. A Figura 4 ilustra as curvas referente à reflectância da vegetação e alguns outros tipos de cobertura da terra.
Fonte: Pereira, Silva e Pamboukian (2016).
Conforme é possível observar, a vegetação verde e saudável, em relação a região do espectro visível, reflete mais energia na faixa correspondente ao verde, por isso o olho humano enxerga a vegetação na cor verde. Contudo, com relação às demais curvas espectrais, a vegetação reflete mais energia na região do infravermelho próximo [ CITATION Flo11 \l 1046 ].
Um sensor é caracterizado por quatro resoluções, sendo elas:
a) Resolução espacial: está relacionada com a capacidade que o sensor possui em distinguir objetos em função de seu tamanho. Por exemplo, um sensor que possui resolução espacial de 10 m, é capaz de detectar objetos maiores que 10 m x 10 m, ou seja, maiores que 100 m² [ CITATION Flo11 \l 1046 ].
b) Resolução espectral: é a capacidade do sensor de distinguir objetos em função da sua sensibilidade espectral. Quanto mais estreita a faixa espectral onde um sensor capta dados, maior é a capacidade de registrar variações de energia refletida pelo objeto, sendo assim, quanto maior o número de bandas o sensor possuir, maior é a sua resolução espectral [ CITATION Flo11 \l 1046 ].
c) Resolução radiométrica: é a capacidade do sensor de distinguir intensidade de energia refletida ou emitida pelos objetos, determinando intervalo de valores associados a níveis de cinza, que possibilita representar uma imagem digital. Por exemplo, para uma imagem com 4 valores digitais, podemos ter objetos representado em preto, branco e mais outros dois valores de cinza [ CITATION Flo11 \l 1046 ].
d) Resolução temporal: indica a frequência de imageamento sobre uma mesma área [ CITATION Flo11 \l 1046 ].
Em tempos passados, os dados de sensoriamento remoto eram baseados em dados de câmeras, sendo denominados pancromáticos. Em meados do século XX, com o surgimento de satélites artificiais, desenvolveu-se a tecnologia dos imageadores que podiam ter um número maior de bandas espectrais, chamada de multiespectral. Já na década de 1980, houve uma evolução da tecnologia multiespectral, podendo obter imagens em centenas de bandas estreitas, denominadas hiperespectrais [ CITATION For17 \l 1046 ].
Cada tecnologia possui suas vantagens e desvantagens, sendo apropriadas para casos diversos. Para a agricultura, recomenda-se a utilização dos dados multiespectrais [ CITATION For17 \l 1046 ].
3.3.3 Sentinel-2
De acordo com a empresa EngeSat (1997), o Sentinel 2 forma uma missão imageadora multiespectral do Programa GMES (Global Monitoring for Environment and Security) administrada pela Comunidade Europeia e a ESA, para observação da Terra, coletando dados de vegetação, solos e umidade, rios e área costeiras, dados para correção atmosférica (absorção e distorção) com resolução de 10 m, e possui capacidade de revisita de 5 dias, garantindo a continuidade dos dados providos pelo SPOT 5 e Landsat 7 (ENGESAT, 1997).
Algumas das características do Sentinel-2 são:
a) Bandas do Sensor: 4 bandas no visível e no infravermelho; 6 bandas no “red edge” (banda espectral que se posiciona exatamente no limiar entre o visível e não visível, aumentando a sensibilidade de certos índices e podendo identificar certas doenças e pragas das lavouras) e no infravermelho de ondas curtas; 3 bandas para correções atmosféricas.
b) Resolução Radiométrica – Quantificação: 12 bits por pixel. c) Resolução Espacial: 13 bandas, conforme a Tabela 1.
Tabela 1 – Resolução espacial e espectral Sentinel-2.
Resolução Nº da Banda Nome da Banda
10 m
B02 Blue (Azul)
B03 Green (Verde)
B04 Red (Vermelho)
B08 NIR (Infravermelho próximo)
20 m
B05 Red Edge 1
B06 Red Edge 2
B07 Red Edge 3
B08A Red Edge 4
B11 SWIR 1 B12 SWIR 2 60 m B01 Aerossol B09 Water Vapor B10 Cirrus
Fonte: adaptado de EngeSat (1997).
3.3.4 Comportamento espectral da vegetação
O comportamento espectral da vegetação é em função da sua composição, morfologia e estrutura interna (Figura 5) [ CITATION Novo2001 \l 1046 ].
Figura 5 – Curva de reflectância típica de uma folha verde.
De acordo com Novo e Pozoni (2001), os principais aspectos do comportamento espectral da folha, são:
a) Região do visível: os pigmentos de clorofila (65%), carotenos (6%) e xantofilas (29%) dominam a reflectância espectral, onde a energia radiante interage com a estrutura foliar por absorção e espalhamento.
b) Região do infravermelho próximo: a reflectância espectral predomina nessa região, devido a interação da energia incidente com a estrutura do mesófilo. A absorção da REM é pequena, ocorre considerável espalhamento interno na folha e a absorção da água é geralmente baixa.
c) Região do infravermelho médio: a absorção devido a água líquida predomina na reflectância espectral das folhas nessa região.
3.3.5 Índice de vegetação
De acordo com Jensen (2011), são medidas radiométricas adimensionais que indicam a abundância relativa à atividade de vegetação verde, incluindo índice de área foliar (IAF), porcentagem de cobertura verde, teor de clorofila, biomassa verde, e radiação fotossinteticamente ativa absorvida (RFAA).
Um índice de vegetação ideal deve maximizar a sensibilidade a parâmetros biofísicos das plantas, normalizar ou modelar efeitos externos e internos, e ser acoplável a algum parâmetro biofísico mensurável [ CITATION Jen11 \l 1046 ].
Existem muitos índices de vegetação, como Razão Simples (SR), Índice de Vegetação por Diferença Normalizada (NDVI), Índice de Umidade por Diferença Normalizada (NDMI ou NDWI), Índice de Vegetação Ajustado ao Solo (SAVI), entre outros. Muitos dos índices de vegetação são equivalentes em termos de conteúdo de informação, e alguns proporcionam informações biofísicas singulares [ CITATION Jen11 \l 1046 ].
Rouse et al. (1974) desenvolveram o Índice de Vegetação por Diferença Normalizada (NDVI), em que a normalização do procedimento é usada para eliminar as diferenças sazonais do ângulo do sol e minimizar os efeitos da atenuação atmosférica, descrito pela equação (1).
NDVI=NIR−¿ NIR+¿ (1)
Onde:
NDVI = Índice de Vegetação por Diferença Normalizada;
NIR = Refletância no comprimento de onda correspondente ao infravermelho próximo;
RED = refletância no comprimento de onda correspondente ao vermelho. Os valores de NDVI variam entre -1 e 1, em que valores se aproximam de 1 em áreas de densa vegetação, se aproximam de 0 em áreas com solo exposto e são negativos em áreas com total ausência de vegetação, como nas águas [ CITATION Meneses2012 \l 1046 ].
De acordo com Jensen (2011), o NDVI é um índice de vegetação importante, pois possibilita o monitoramento das mudanças sazonais e interanuais do desenvolvimento e da atividade da vegetação, e a razão reduz muitas formas de ruídos multiplicativos, como a diferença de iluminação solar, sombra de nuvens, entre outros.
Por outro lado, o NDVI possui algumas desvantagens, como é não-linear, pode ser influenciado por ruídos aditivos, como radiância de trajetória atmosférica; ser altamente correlacionado com o índice de área foliar (IAF), onde ocorre a saturação do NDVI quando o IAF é muito alto; e o NDVI é muito sensível a variações do substrato sob o dossel [ CITATION Jen11 \l 1046 ].
3.4 GEOESTATÍSTICA
A variabilidade espacial de propriedades do solo vem sendo objeto de estudo dos pesquisadores, praticamente desde o início do século XX. Dentre os modelos teóricos, a distribuição normal é a mais importante, pois explica a ocorrência de um grande número de variáveis aleatórias na natureza, porém ela não garante a independência entre as amostras, que pode ser verificada pela autocorrelação. Isso ocorre devido ao cálculo da frequência de distribuição não levar em consideração a distância na qual as amostras foram coletadas em campo [ CITATION Vie \l 1046 ].
Em 1951, Krige concluiu que não conseguia encontrar sentido nas variâncias, se não levasse em conta a distância entre as amostras, então Matheron (1963), baseado nessas informações, desenvolveu a Teoria das Variáveis Regionalizadas, que contém os fundamentos da geoestatística. Matheron (1963)
definiu Variável Regionalizada como uma função espacial numérica, que varia de um local para outro, com uma continuidade aparente e cuja variação não pode ser representada por métodos comuns de análises matemáticas [ CITATION Vie \l 1046 ].
Através do semivariograma (Figura 6) é possível estimar essa continuidade ou dependência espacial, o qual é estimado pela equação (2).
y(h)= 1 2 N(h)
∑
i=1 N(h)[
Z(
x1)
−Z(
x1+h)
]
2 (2) Onde:N(h) representa o número de pares de valores medidos [Z
(
x1)
-Z(
x1+h)
]²separados por um vetor h, o qual é a distância de separação entre amostras. Os valores de Z podem ser qualquer um dos parâmetros estudados, enquanto os valores de x1 e x1 + h são definidos de acordo com as posições das amostras no
campo.
Ao calcular o semivariograma, obtêm-se os valores de semivariâncias y(h) e distâncias (h), que serão dispostos em gráfico de dispersão tendo como valores de Y as semivariâncias, e de X, as distâncias. Neste gráfico, deve-se ajustar uma equação, no qual são utilizados os parâmetros: efeito pepita (C0), patamar (C0 + C1) e alcance (a). Quando há dependência espacial, espera-se que a diferença entre os valores [Z
(
x1)
-Z(
x1+h)
]², em média, seja crescente com a distância até um determinado ponto, onde se estabiliza num valor denominado patamar (C0 + C1) e aproximadamente igual à variância dos dados. Essa distância recebe o nome de alcance (a), e representa o raio de um círculo, onde os valores são tão parecidos que se tornam correlacionados. O valor da semivariância na interseção do eixo Y é denominado efeito pepita (C0) e representa a variabilidade da propriedade em estudoem espaçamentos menores do que o amostrado [ CITATION Vie97 \l 1046 ]. Figura 6 – Exemplo de semivariograma típico.
Fonte: autoria própria.
Utilizando o método de interpolação chamado krigagem, é possível estimar valores em qualquer posição do campo, sem tendência e com variância mínima. A krigagem possibilita a construção de mapas de isolinhas (Figura 7) com alta precisão, uma vez que após a interpolação a densidade espacial dos dados será muito maior do que antes, além de oferecer também os limites de confiança para o mapa, pela variância da estimativa [ CITATION Vie \l 1046 ]
Figura 7 – Exemplo de mapa de krigagem.
4. MATERIAIS E MÉTODOS
4.1 ÁREA DE ESTUDO
A área de estudo localiza-se no município de Assaí, estado do Paraná (Figura 8) e é destinada ao cultivo de soja e milho. Possui uma superfície de 82.770,00 m² e situa-se nas coordenadas geográficas 23°20'25.7" S e 50°51'41.6" W.
Figura 8 – Mapa de localização da área de estudo.
Fonte: autoria própria.
O clima da região, segundo a classificação de Köppen, é do tipo temperado úmido com verão quente e com ocorrência de precipitação em todos os meses do ano (Cfa). Conforme é possível observar na Figura 9, o solo da área é classificado como Nitossolo Vermelho Eutroférrico, com textura muito argilosa (NVef), caracterizado por possuir alta fertilidade e altos teores de ferro.
Figura 9 – Mapa de solos (Pedologia).
Fonte: autoria própria.
4.2 ANÁLISES DAS IMAGENS DE SENSORIAMENTO REMOTO
Todos os procedimentos foram realizados em ambiente SIG, utilizando o software QGIS 3.6.0 [ CITATION Equ \l 1046 ]. Para geração do Índice de Vegetação por Diferença Normalizada (NDVI) foram utilizadas imagens do sensor Sentinel 2 (Figura 10).
Figura 10 – Carta imagem do Sentinel 2
Fonte: autoria própria.
Na etapa de geoprocessamento dos dados, foram utilizadas as bandas espectrais B04 e B08 que representam, respectivamente, valores de reflectância nos comprimentos de onda do vermelho e do infravermelho próximo, favorecendo a visualização de diferenças entre respostas espectrais para a vegetação. De acordo com Novo e Ponzoni (2001), uma folha verde sadia possui a principal banda de absorção centrada na região visível da luz vermelha, enquanto a região de maior reflectância é no infravermelho próximo.
A escolha dos pontos a serem amostrados foram baseados no mapa de NDVI (Figura 11), que foi feito utilizando a imagem do sensor Sentinel 2 do dia 29 de março de 2019, período de início da cultura de milho. Foram escolhidos pontos onde apresentaram maiores valores de NDVI, indicando folhas mais sadias, portanto, possivelmente maior fertilidade do solo. Também foram escolhidos alguns pontos aleatórios, em locais com valores de NDVI reduzido. O cálculo do NDVI foi realizado utilizando o algoritmo descrito por Rouse (1974), conforme a equação (1).
A fim de observar o comportamento espectral do ciclo da soja e início do cultivo de milho, foi feito um gráfico de análise temporal usando a média dos valores de NDVI dos pontos amostrados para o período de setembro de 2018 a abril de 2019.
Figura 11 – Mapa de NDVI na data de 29 de março de 2019.
Fonte: autoria própria. 4.3 AMOSTRAGEM E ANÁLISES QUÍMICAS
Foram definidos 63 pontos de amostragem através de uma seleção de pontos com distanciamento de 5 e 2 metros, conforme a Figura 12.
Figura 12 – Mapa dos pontos amostrados.
Fonte: autoria própria.
No dia 16 de agosto de 2019, foi realizado a coleta das amostras no local de estudo e então as análises químicas foram feitas nos dias 7 e 8 de outubro de 2019, conforme a metodologia descrita pela Embrapa (2009).
4.3.1 Coleta das amostras
Seguindo a metodologia da Embrapa (2009), no dia 16 de agosto de 2019, período entressafra, foi realizado a coleta de 63 amostras no local de estudo.
Utilizando uma pá reta, foram retirados aproximadamente 2kg de solo, sendo acondicionado em saco plástico limpo devidamente identificado (número da amostra).
A profundidade de amostragem foi abaixo de 20cm, pois, de acordo com Furtini Neto et al. (2001), permite detectar barreiras químicas como toxidez por alumínio e deficiência de cálcio.
4.3.2 Análises químicas
Antes de realizar as análises químicas, as amostras de solo ficaram armazenadas até sua secagem, então o solo foi peneirado utilizando peneira de malha 9 e acondicionado em saco de papel devidamente identificados.
Utilizando a metodologia descrita pela Embrapa (2009), nos dias 7 e 8 de outubro de 2019 foram realizadas as análises químicas para os parâmetros:
a) pH;
b) Fósforo (P); c) Potássio (K); d) Cálcio (Ca) e) Magnésio (Mg);
f) Matéria Orgânica (M.O.); g) Acidez potencial (H + Al);
h) Capacidade de troca de cátions (CTC); i) Soma de bases (SB);
j) Bases trocáveis (V%).
Os procedimentos estão descritos no ANEXO A.
4.4 ANÁLISE DOS DADOS
Os resultados foram submetidos à análise estatística descritiva, obtendo-se média, mediana, mínimo, máximo, desvio-padrão, coeficiente de variação, variância, assimetria, curtose, quartil inferior, quartil superior, interquartil e outliers.
A geoestatística foi realizada através do software VARIOWIN [ CITATION PAN96 \l 1046 ] para avaliar a variabilidade espacial dos parâmetros estudados, segundo Vieira et al. (1983).
Por meio do semivariograma verificou-se se houve dependência espacial, sendo estimado pela equação (2), ou seja, se a função y(h) foi depende da distância (h), pois assim os valores vizinhos seriam semelhantes, havendo a possibilidade de
estimar valores para locais onde os parâmetros não foram medidos [ CITATION Vie97 \l 1046 ].
O grau de dependência (GD) foi classificado de acordo com Cambardella et al. (1994), em que GD < 25% é classificado como forte, 25% < GD < 75% é classificado como moderado e GD > 75% é classificado como baixo.
Após obtido os resultados das análises químicas dos pontos amostrais e do NDVI, foi avaliado a correlação entre eles. Para medir a qualidade do ajustamento da linha de regressão, foram feitos gráficos de coeficiente de determinação (R²) para os nutrientes do solo mais importantes para o desenvolvimento da planta (Ca + Mg, P, K e M.O.) e para os parâmetros que influenciam na acidez do solo (pH CaCl2 e H
+ Al), eliminando os dados atípicos. Para isso foi feita a retirada dos valores periféricos (candidatos a outliers) baseando nos limites determinados segundo a expressão: QI – 1,5DQ e QS + 1,5DQ, onde DQ = QS – QI, conforme descrito por Libardi et al. (1996).
5. RESULTADOS E DISCUSSÃO
5.1 CLASSIFICAÇÃO DO NDVI
Segundo Fontana et al. (1998), ocorrem mudanças estruturais da vegetação no decorrer da estação do crescimento, resultando em uma diferenciação de sua reflectância, permitindo empregar o NDVI para o monitoramento da vegetação e detectar problemas de crescimento.
Os valores de NDVI extraídos dos pontos amostrados (Figura 13), referente ao dia 29 de março de 2019, variaram entre 0,52 e 0,74, apresentando uma média de 0,69. Quanto maior a biomassa e o teor de clorofila, maiores são os valores de NDVI, indicando boas condições de crescimento da cultura (Variani, 2011).
Figura 13 – Mapa dos pontos amostrados e NDVI.
Fonte: autoria própria.
O perfil temporal padrão da soja é o típico de um cultivo anual, onde os valores de NDVI são baixos no início do ciclo (neste caso, em outubro), então, conforme o crescimento das plantas e o ganho de biomassa, os valores de NDVI
aumentam até alcançar seu pico (neste caso, em janeiro). A partir desse momento, se inicia o processo de maturação da planta, perdendo biomassa e alcançando o estágio de maturação plena, em que os valores de NDVI são baixos de novo e ocorre a colheita (nesse caso, final de fevereiro). Após a ciclo da soja, os valores de NDVI voltam a subir, representando o início do cultivo de milho. Na Figura 14 é possível observar o perfil temporal do ciclo da soja (outubro/2018 – fevereiro/2019) e início do cultivo de milho, enquanto na Figura 15, esse perfil pode ser observado através de mapas de NDVI. Comportamento semelhante também foram observados
por Esquerdo, Júnior e Antunes (2011); Motta, Fontana e Weber (2003); e Santos et
al. (2014).
Figura 14 – Análise temporal do ciclo da soja e início do cultivo de milho.
Fonte: autoria própria.
O gráfico boxplot apresentado na Figura 14 mostra que na fase de crescimento das culturas de soja e milho, os valores de NDVI tiveram maiores variações, pois é na fase de crescimento que é possível diferenciar as regiões em que a cultura está se desenvolvendo melhor das regiões em que a cultura está em desenvolvimento mais lento, como consequência da disposição de nutrientes no solo. Tanto no início do ciclo, quanto na fase final de maturação das culturas, é possível notar uma baixa variação dos valores de NDVI, isso ocorre pois no início do ciclo, o solo está totalmente exposto, enquanto na fase final de maturação, quase
toda a cultura atingiu seu estágio final de desenvolvimento, tendo uma resposta mais uniforme dos dados.
Figura 15 – Comportamento do NDVI ao longo do ciclo da soja e início do cultivo de milho.
5.2 ESTATÍSTICA DESCRITIVA DA FERTILIDADE DO SOLO
Na análise da estatística descritiva da fertilidade do solo, o menor valor de CV (coeficiente de variação) foi obtido pelo pH, com 4,71 %, apoiando as conclusões de Souza et al. (2004), Pontelli (2006), Silva et al. (2007) e Vieira et al. (2009), classificando o CV como baixo (CV ≤ 12). Este resultado já era esperado, visto que este parâmetro possui baixa variabilidade. Já o maior CV obtido foi do Fósforo (P), com 91,52 %, classificando o CV como alto (CV ≥ 62). Este resultado também foi observado por Rodrigues (2014); e Salviano, Vieira e Sparovek (1998); que encontraram altos valores de CV para P devido a adubação fosfatada. GREGO et al. (2010) também encontrou maiores valores de CV para P e menores valores para pH, apoiando os resultados encontrados. Os fatores que podem ter causado esse alto valor de CV para P, é o efeito residual da adubação, à aplicação de fertilizantes em linha e à exposição a camadas mais pobres desse nutriente, pelo processo de erosão superficial. Os demais parâmetros apresentaram CV médio (12 < CV < 62) e podem ser observados na Tabela 2.
Com relação aos valores de assimetria, é possível verificar que os parâmetros pH e Fósforo (P) possuem distribuição assimétrica positiva (As > 1), enquanto os demais parâmetros possuem distribuição simétrica (-1 < As < 1). Já com relação a análise dos valores de curtose, os parâmetros pH, P, M.O. e Ca + Mg, apresentam distribuição platicúrtica (C > 0,263), enquanto os parâmetros K, H + Al, SB, CTC e V apresentam distribuição leptocúrtica (C < 0,263).
Tabela 2 – Estatística descritiva da fertilidade do solo.
Parâmetro Unidade Média Mínimo Máximo padrãoDesvio Coeficientede variação
(%) Assi-metria Curtose pH CaCl2 s/unidade 5,69 5,12 6,52 0,27 4,71 1,14 2,01 P mg.dm-3 2,26 0,50 12,16 2,07 91,52 2,63 8,44 M.O. g.dm-3 50,80 31,41 78,33 7,33 14,43 0,38 2,58 Ca+Mg cmolc.dm-3 11,08 7,30 13,50 1,35 12,14 -0,67 0,40 K cmolc.dm-3 0,09 0,03 0,17 0,03 35,34 0,29 -0,34 H+Al cmolc.dm-3 13,29 4,70 24,20 6,15 46,27 0,02 -1,39 SB cmolc.dm-3 31,19 1,08 63,17 18,45 59,16 0,03 -1,18 CTC cmolc.dm-3 44,48 8,08 83,11 19,59 44,04 0,01 -0,93 V % 64,19 13,33 92,69 21,74 33,86 -0,96 0,15
De acordo com as classes de fertilidade do solo propostas pela Comissão de Química e Fertilidade do Solo - RS/SC (2004), P apresentou teor muito baixo no solo (≤ 2 mg.dm-3), necessitando de adubação fosfatada. K também apresentou teor
baixo no solo (≤ 30 cmolc.dm-3), necessitando de adubação potássica. Já os
nutrientes Ca + Mg apresentaram altos valores (> 5 cmolc.dm-3), não sendo
necessária a aplicação de gesso/calcário.
Segundo Pereira (2009), conforme aumenta o carbono orgânico total no solo, a CTC também aumenta, causando grande efeito sobre o K trocável na solução do solo. Quanto maior a CTC, menor a quantidade de K no solo, portanto, menor sua perda por lixiviação. Isso explica os elevados valores de M.O. e CTC obtidos e o baixo valor de K. Também, de acordo com Nizeyimana e Bicki (1992), valores elevados de CTC são observados em terrenos côncavos (Figura 16), devido a condições de drenagem da área e às características da inclinação do relevo.
De acordo com Kaminski et al. (2002), a acidez potencial (H + Al) do solo representa quanto de base é necessária para neutraliza-la, ou seja, a necessidade de calcário no solo. Portanto, para H + Al de 13,29 cmolc.dm-3, serão necessários
essa mesma quantia de base para sua neutralização.
Ocorreu grande variação na saturação por bases (V), variando de 13,33 % a 92,69 %, indicando bastante diferença na quantidade de bases trocáveis presentes na solução do solo. O pH variou entre 5,12 e 6,52, indicando a necessidade de calagem em algumas áreas, pois em pH menor que 5,5, o alumínio não está na forma precipitada e sua hidrólise gera íons H+ para a solução do solo reduzindo o
pH. Resultados semelhantes a estes também foram observados por Rodrigues (2014).
Figura 16 – Mapa de curvas de nível
Fonte: autoria própria. 5.3 ANÁLISE DOS SEMIVARIOGRAMAS
Na Tabela 3 é possível observar os valores da análise semivariográfica da fertilidade do solo e do NDVI. O modelo esférico foi o mais ajustado, apoiando várias pesquisas como de Silva et al. (2007); Souza, Cogo e Vieira (1997); Souza, Junior e Pereira (2004); e Grego e Vieira (2005), que indicam o modelo esférico como o de maior ocorrência para os atributos do solo e de plantas.
Todos os atributos químicos analisados apresentaram dependência espacial forte ou moderado, conforme expressa os semivariogramas da Figura 17.
Para a classificação do grau de dependência, foi utilizado os intervalos propostos por Cambardella et al. (1994), assim, apenas a acidez potencial (H + Al) foi classificada como moderada (25%<GD<75%), enquanto os demais parâmetros foram classificados com um forte grau de dependência (GD<25%). Resultados semelhantes também foram encontrados por Silva et al. (2007), Artur et al. (2014) e
Rodrigues (2014) que, segundo Cambardella et al. (1994), atribui o grau forte de dependência espacial a fatores intrínsecos do solo como material de origem, relevo, clima, organismos e tempo.
Tabela 3 – Análise semivariográfica da fertilidade do solo e do NDVI.
Parâmetros C0 C1 A (m) Modelo doajuste Grau de De-pendência Classificação
pH CaCl2 0,00 0,07 27,60 Esférico 1,14 Forte
P 0,04 4,30 23,60 Exponencial 0,99 Forte
M.O. 10,60 40,28 42,00 Esférico 20,83 Forte
Ca + Mg 0,42 3,11 37,86 Gaussiano 11,88 Forte K 0,00 8,73 52,80 Esférico 0,00 Forte H + Al 15,96 19,00 29,40 Esférico 45,65 Moderado SB 0,00 319,60 45,00 Esférico 0,00 Forte CTC 76,00 296,40 43,80 Esférico 20,41 Forte V(%) 100 345,00 40,80 Gaussiano 22,47 Forte
NVDI 0,0001 0,00 62,90 Gaussiano 6,10 Forte
C0: efeito pepita; C1: variância estrutural; A: alcance.
Fonte: autoria própria.
Os atributos K e SB exibiram grau de dependência zero, que representa um grau de dependência forte, mesmo tendo CV médio. Sendo assim, mesmo apresentando média variabilidade, não influenciou na caracterização da estrutura da dependência espacial desses atributos.
O efeito pepita (C0) reflete a variabilidade não explicada pelos
semivariogramas, considerando a distância de amostragem utilizada (VIEIRA, 2000). Os menores valores de C0 foram encontrados para SB e K, que foram iguais a zero,
seguido por NDVI (0,0001), pH CaCl2 (0,0008), P (0,043) e Ca + Mg (0,42). Assim,
estes parâmetros apresentaram maior continuidade espacial do que os parâmetros M.O. (10,6), H + Al (15,96), CTC (76) e V (100). Vieira et al. (2009) também encontrou baixos valores de C0 para pH, K, Mg e P, porém salienta que estes
elementos são relativamente móveis no solo e a dependência espacial é válida apenas por um pequeno período de tempo após a amostragem do solo.
De acordo com Silva et al. (1989, APUD MACHADO et al., 2007), quando a variável não apresenta dependência espacial, é denominado efeito pepita puro, indicando que o parâmetro é espacialmente independente, apresenta distribuição casual ou que o distanciamento entre as amostras foi maior do que o necessário para revelar dependência espacial, sendo a única estatística aplicável a clássica. Ao
contrário dos resultados obtidos no presente estudo, na pesquisa realizada por Bernardi et al. (2014), os parâmetros do solo (pH, M.O., P, K, CTC e V%) apresentaram efeito pepita puro, ou seja, fraca dependência espacial. O provável motivo atribuído pelo autor, foi a baixa densidade de pontos amostrados (20 pontos), 43 pontos a menos do que o realizado neste trabalho, que totalizou 63 pontos amostrados, destacando a importância do número de amostras para um bom ajuste.
De modo geral, os parâmetros químicos apresentaram altos valores de alcance, mostrando que a grade de amostragem adotada foi eficaz em detectar variabilidade espacial dos atributos analisados. Os maiores valores de alcance foram encontrados para os parâmetros NDVI (62,9), K (52,8) e CTC (43,8), enquanto os menores valores foram encontrados para os parâmetros P (23,6), pH CaCl2 (27,6) e
H + Al (29,4). Resultados semelhantes foram encontrados por Silva et al. (2007), que também encontrou maior alcance para K, e Rodrigues (2014), que encontrou menor alcance para P. Quanto menor o alcance, mais rápida é obtida a independência entre as amostras, visto que o alcance é a distância limite da dependência espacial. Fatores extrínsecos, como adubação, calagem e preparo do solo, contribuem para a redução do alcance.
Figura 17 – Semivariogramas dos atributos do solo analisados e do NDVI.
Fonte: autoria própria.
Na Figura 18, é possível observar os gráficos dos parâmetros P, K, Ca + Mg, pH CaCl2 e H + Al, em que os valores dos coeficientes de determinação (R²) e dos
coeficientes de correlação linear de Pearson (r) estão descritos na Tabela 4. Figura 18 – Coeficientes de determinação (R²)
0,62 0,64 0,66 0,68 0,7 0,72 0,4 0,9 1,4 1,9 2,4 2,9 3,4 3,9 f(x) = 28,63 x − 17,07 R² = 0,86
a) P
NDVI P (m g. dm -3 ) 0,53 0,58 0,63 0,68 0,73 0,01 0,06 0,11 0,16 f(x) = 0,65 x − 0,33 R² = 0,8b) K
NDVI K (c m ol c.d m -3 ) 0,527 0,57 0,62 0,67 0,72 8 9 10 11 12 13 14 f(x) = 18,25 x − 0,53 R² = 0,77c) Ca + Mg
NDVI Ca + M g (c m ol c.d m -3 ) 0,53 0,58 0,63 0,68 0,73 30 35 40 45 50 55 60 65 f(x) = 120,18 x − 27,24 R² = 0,73d) M.O.
NDVI M .O . ( g. dm -3 ) 0,63 0,65 0,67 0,69 0,71 0,73 5,1 5,3 5,5 5,7 5,9 f(x) = 2,84 x + 3,63 R² = 0,71e) pH CaCl2
NDVI pH C aC l2 0,623 0,64 0,66 0,68 0,7 0,72 0,74 8 13 18 23 f(x) = − 157 x + 121,18 R² = 0,71f) H + Al
NDVI H + Al (c m ol c.d m -3 )Fonte: autoria própria.
Tabela 4 - coeficientes de determinação (R²) e coeficientes de correlação linear de Pearson (r)
pH CaCl2 0,71 0,84 P 0,86 0,74 M.O. 0,73 0,75 Ca + Mg 0,77 0,67 K 0,79 0,86 H + Al 0,71 -0,84
Fonte: autoria própria.
O maior coeficiente de determinação (R²) foi do parâmetro P (0,86), seguido por K (0,79), Ca + Mg (0,77), M.O. (0,73), H + Al (0,71) e pH CaCl2 (0,71). Sendo
assim, os modelos de todos os parâmetros possuem um bom ajuste, pois apresentaram coeficiente de determinação (R²) maior do que 0,7. Valores semelhantes de R² para os atributos do solo foram obtidos por Zucoloto, Lima e Coelho (2011) em que R² variou entre 0,59 e 0,98; por Silva et al. (2007), em que R² variou entre 0,61 e 0,94; e Rodrigues (2014), em que R² variou entre 0,63 e 0,99.
O coeficiente de correlação linear de Pearson (r) para os parâmetros P (0,74), K (0,86), Ca + Mg (0,67), M.O. (0,75) e pH CaCl2 (0,84) são positivos,
indicando que os valores dos atributos são diretamente proporcionais aos valores de NDVI. Visto que estes nutrientes são importantes para o desenvolvimento da planta e maiores valores de NDVI indicam mais biomassa e clorofila, ou seja, maior potencial de crescimento da planta e, portanto, melhores condições do solo, o resultado da correlação entre os nutrientes e o NDVI são coerentes.
Já o parâmetro acidez potencial (H + Al) possui coeficiente de correlação linear de Pearson negativo (-0,84), indicando que o valor do parâmetro é inversamente proporcional aos valores de NDVI. Quanto mais acidez no solo, menor o potencial de crescimento da planta, pois o alumínio, juntamente com o hidrogênio presente no solo são prejudiciais à produção, portanto resultam em menores valores de NDVI, justificando o resultado obtido.
Resultados aproximados foram encontrados por Zucoloto, Lima e Coelho (2011), em que o coeficiente de correlação linear entre os atributos do solo (P, pH, Ca e Mg) e a produção apresentaram correlação positiva, enquanto H + Al apresentou correlação negativa. Zanzarini et al. (2013) também encontrou correlação positiva para pH.
Na Figura 19 encontram-se os pontos que foram utilizados na construção dos gráficos de regressão linear. Ao comparar os pontos utilizados no gráfico de pH e os pontos utilizados no gráfico de H + Al, é possível verificar pontos coincidentes,
no entanto, conforme observado na Figura 18, os gráficos de pH e H + Al são inversamente proporcionais. Isso ocorre devido aos valores de pH, que quanto menor, indica maior acidez, enquanto a acidez potencial (H + Al) do solo indica a quantidade de base necessária para neutraliza-la, ou seja, quanto maior o valor, indica maior acidez, sendo inversamente proporcional aos valores de pH.
Os pontos utilizados nos gráficos de regressão linear dos nutrientes P, K, Ca + Mg e M.O., também possuem pontos que coincidem, com destaque para os pontos mais distantes, localizados em regiões com menores valores de NDVI (Figura 19). Estes pontos mais afastados são importantes para correlacionar os atributos do solo com o NDVI, pois estão localizados onde os valores de NDVI são menores e puderam ser correlacionados com menores disponibilidades de nutrientes. Assim, conforme é possível observar nos gráficos da Figura 18, possuem correlação positiva, ou seja, quanto maiores valores de NDVI, maiores disponibilidades de nutrientes, indicando melhores condições de fertilidade do solo.
Figura 19 – Mapa dos pontos utilizados na construção do mapa de regressão linear para os atributos do solo pH, H + Al, P, K, Ca + Mg e M.O.
6. CONCLUSÕES
A dependência espacial dos parâmetros analisados indica que as variações espaciais devem ser consideradas no planejamento e nas práticas de manejo do solo.
Todos os atributos estudados apresentaram grau de dependência forte, com exceção da acidez potencial (H + Al), que apresentou grau de dependência moderada, indicando que pode ter sido influenciada pela aplicação desuniforme de calcário na área (Cambardella et al. 1994).
A densidade de amostragem adotada foi suficiente para uma adequada caracterização da variabilidade espacial de atributos do solo.
A grande amplitude dos atributos do solo analisados indica a necessidade de manejo diferenciado quanto à aplicação de calcário e fertilizante, podendo revelar problemas se utilizado os valores médios para o manejo da fertilidade do solo.
Os atributos do solo (pH, P, K, Ca + Mg e M.O) apresentaram correlação positiva com o NDVI, enquanto o H + Al apresentou correlação negativa.
Por fim, conforme apresentado, foi possível correlacionar os atributos do solo com os valores de NDVI, sendo possível a utilização do NDVI como ferramenta para definir estratégias de manejo mais eficientes na agricultura de precisão e reduzindo a contaminação do solo, das águas e da atmosfera pela aplicação em excesso de fertilizantes nas lavouras, contribuindo com o meio ambiente.
REFERÊNCIAS
ARTUR, Adiana G. et al. Variabilidade Espacial dos Atributos Químicos do Solo Associada ao Microrrelevo. Revista Brasileira de Engenharia Agrícola e
Ambiental, Campina Grande, v. 18, n. 2, p.141-149, 2014.
BARBOSA, A. H. S.; CARVALHO, R. G.; CAMACHO, R. G. V. Aplicação do NDVI para a Análise da Distribuição Espacial da Cobertura Vegetal na Região Serrana de Martins e Portalegre – Estado do Rio Grande do Norte. Revista do Departamento de Geografia Universidade de São Paulo, v. 33, p. 128-143, Agosto 2017.
BAUER, F. C.; LINSLEY, C. M. Test Your Soil For Acidity. University Of Illinois. Urbana, p. 16. 1929.
BERNARDI, Alberto C. de C. et al. Variabilidade Espacial de Parâmetros Físico-Químicas do Solo e Biofísicos de Superfície em Cultivo de Sorgo. Revista Brasileira
de Engenharia Agrícola e Ambiental, Campina Grande, v. 18, n. 6, p.623-630,
2014.
BONGIOVANNI, R.; LOWENBERG-DEBOER, J. Precision Agriculture and Sustainability. Springer Nature, v. 5, n. 4, p. 359-387, Agosto 2004.
CAMBARDELLA, C. A.; MOORMAN, T. B.; NOVAK, J. M.; PARKIN, T. B.; KARLEN, D. L.; TURCO, R. F.; KONOPKA, A. E. Field-scale variability of soil properties in Central Iowa Soil. Journal / Soil Science Society of America, Madison, v. 58, n. 5, p. 1501-1511, 1994.
CARDOSO, E. L.; FERNANDES, A. H. B. M.; FERNANDES, F. A. Análise de Solos: Finalidade e Procedimentos de Amostragem. Corumbá: Embrapa Pantanal, 2009. 5 p.
COELHO, A. M. Agricultura de Precisão: manejo da variabilidade espacial e
temporal dos solos e culturas. 1. ed. Sete Lagoas: Embrapa Milho e Sorgo, 2005. 60 p.
COMISSÃO DE QUÍMICA E FERTILIDADE DO SOLO - RS/SC. Manual de
Adubação e de Calagem para os Estados do Rio Grande do Sul e Santa Catarina. Porto Alegre, 2004. 401 p.
ESQUERDO, J. C. D. M.; ZULLO JÚNIOR, J.; ANTUNES, J. F. G.. Use of NDVI/AVHRR time-series profiles for soybean crop monitoring in
Brazil. International Journal Of Remote Sensing, [s.l.], v. 32, n. 13, p.3711-3727, 28 jun. 2011.
EMBRAPA. Manual de métodos de análise de solo / Centro Nacional de Pesquisa de Solos. 2. ed. Rio de Janeiro: EMBRAPA-CNPS, 1997. 212 p.
EMBRAPA. Métodos de análises químicas para avaliação da fertilidade do
ENGESAT. Soluções em imagens de satélite e geoprocessamento, 1997. Disponivel em: <http://www.engesat.com.br/sentinel-2/>. Acesso em: 12 Junho 2019.
EQUIPE DE DESENVOLVIMENTO DO QGIS. Sistema de Informações Geográficas do QGIS. Projeto Código Aberto Geospatial Foundation. 2019. FERREIRA, D. F. SISVAR: um programa para análises e ensino de estatística. Symposium, Lavras, v. 6, n. 2, p. 36-41, Dezembro 2008.
FLORENZANO, T. G. Iniciação em Sensoriamento Remoto. 3. ed. São Paulo: Oficia de Textos, 2011.
FONTANA, D. C.; BERLATO, M. A.; BERGAMASCHI, H. Relação entre o Índice de Vegetação Global e Condições Hídricas no Rio Grande do Sul. Pesquisa
Agropecuária Brasileira, Brasília, v. 33, n. 8,1399-1405, 1998.
FONTANA, D. C. et al. Perfil Espectral da Soja no Sul do Brasil na Safra 2000. In: SIMPÓSIO LATINOAMERICANO DE PERCEPCION REMOTA, 9., 2000, Puerto Iguaçu, Argentina. Anais... [S.1. : s.n.], 2000. P. 97-104.
FORMAGGIO, A. R.; SANCHES, I. D. Sensoriamento Remoto em Agricultura. São Paulo: Oficina de Textos, 2017.
FURTINI NETO, A. E. et al. Fertilidade do Solo. Monografia (Especialização) - Curso de Fertilidade do Solo e Nutrição de Plantas no Agronegócio, Universidade Federal de Lavras. Lavras, p. 261. 2001.
GREGO, C.R.; VIEIRA, S.R.. Variabilidade Espacial de Propriedades Físicas do Solo em uma Parcela Experimental. Revista Brasileira de Ciência do Solo, Viçosa, v. 29, n.2, p.169-177, 2005.
GREGO, C. R.; VIEIRA, S. R.; XAVIER, M. A. Spatial variability of some
biometricattributes of sugarcane plants (variety IACSP93-3046) and its relation to physical and chemical soil attributes. Bragantia, Campinas, v. 69, suppl., p. 107-119, 2010.
INAMASU, R. Y. et al. Agricultura de Precisão para a sustentabilidade de sistemas produtivos do agronegócio brasileiro. In: EMBRAPA Agricultura de Precisão: um novo olhar. 1. ed. São Carlos: Embrapa Instrumentação, 2011. p. 14-26.
JENSEN, J. R. Sensoriamento Remoto do Ambiente: Uma Perspectiva em Recursos Terrestres. 2. ed. São José Dos Campos: Parentêse, 2011.
KAMINSKI, J. et al. Estimativa da Acidez Potencial em Solos e sua Implicação no Cálculo da Necessidade de Calcário. Revista Brasileira de Ciência do Solo, Viçosa, v. 26, n. 4, p.1107-1113, 2002.
LIBARDI, P. L.; MANFRON, P. A. ; MORAES, S. O. ; TUON, R. L. Variabilidade da umidade gravimetrica de um solo hidromorfico. Revista Brasileira de Ciência do Solo, Viçosa, v. 20, n.1, p. 1-12, 1996.
KRIGE, D. G. A statistical approach to some basic mine evaluation problems on the Witwatersrand. Journal of the Southern African Institute of Mining and
Metallurgy, v. 52, n. 6, p. 119-139, Dezembro 1951.
MACHADO, Leonardo de Oliveira et al. Variabilidade Espacial de Atributos Químicos do Solo em Áreas Sob Sistema Plantio Convencional. Revista Brasileira de
Ciência do Solo, Viçosa, v. 31, p.591-599, 2007.
MATHERON, G. Principles of Geostatistics. Economic Geology, v. 58, p. 1246-1266, 1963.
MENESES, P. R.; ALMEIDA, T. Introdução ao Processamento de Imagens de Sensoriamento Remoto. UnB. Brasília, p. 266. 2012.
MORAES, E. C. Fundamento de Sensoriamento Remoto. In: INPE Instituto
Nacional de Pesquisas Espaciais. São José dos Campos: INPE, 2002. Cap. 1, p. 1-22.
MOTTA, J L G; FONTANA, D C; WEBER, e. Evolução temporal do NDVI/NOAA em áreas cobertas por pixels com proporções variáveis de soja. Revista Brasileira de
Agrometeorologia, Santa Maria, v. 11, n. 2, p.353-369, 2003.
MULLA, D. J. Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosystems Engineering, v. 114, n. 4, p. 358-371, Abril 2013.
NIZEYIMANA, Egide; BICKI, Thomas J.. Soil and Soil-Landscape Relationships in the North Central Region of Rwanda, East-Central Africa. Soil Science, U.S.A., v. 153, n. 3, p.225-236, mar. 1992.
NOVO, E. M. L. M.; PONZONI, F. J. Introdução ao Sensoriamento Remoto. São josé dos Campos, p. 68. 2001.
PANNATIER, Y. VARIOWIN: Software for Spatial Data Analysis in 2D. Springer-Verlag. 1996.
PEREIRA, Hamilton Seron. Fósforo e potássio exigem manejos diferenciados. Visão
Agrícola, Piracicaba, v. 9, n. 1, p.43-46, dez. 2009.
PEREIRA, L. S.; SILVA, D. O.; PAMBOUKIAN, S. V. D. Sensoriamento Remoto Aplicado à Agricultura de Precisão no Cultivo de Bambu. Mackenzie de Engenharia e Computação, São Paulo, v. 16, n. 1, p. 8-33, 2016.
PIERCE, F. J.; NOWAK, P. Aspects of Precision Agriculture. Advances in Agronomy, v. 67, p. 1-85, 1999.
PONTELLI, Charles Bolson. Caracterização da Variabilidade Espacial das
Características Químicas do Solo e da Produtividade das Culturas Utilizando as Ferramentas da Agricultura de Precisão. 2006. 112 f. Dissertação (Mestrado) -
Curso de Programa de Pós-graduação em Engenharia Agrícola, Centro de Ciências Rurais, Universidade Federal de Santa Maria, Santa Maria, 2006.
RESENDE, Á. V. et al. REUNIÃO BRASILEIRA DE MANEJO E CONSERVAÇÃO DO SOLO E DA ÁGUA, 18., 2010, Teresina. Agricultura de Precisão no Brasil:
Avanços, Dificuldades e Impactos no Manejo e Conservação do Solo, Segurança Alimentar e Sustentabilidade. Teresina: Embrapa Meio-Norte:
Universidade Federal do Piauí, 2010.
RODRIGUES, Khalil de Menezes. Variabilidade espacial de atributos físicos, químicos e biológicos do solo e a produtividade da cana-de-açúcar. 2014. 175 f. Tese (Doutorado) - Curso de Pós-graduação em Agricultura Tropical e Subtropical, Instituto Agronômico, Campinas, 2014.
ROUSE, J. W. et al. Monitoring Vegetation Systems In The Great Plains With ERTS. In: NASA Goddard Space Flight Center 3d ERTS-1 Symp. Texas: NASA, v. 1, 1974. Cap. A20, p. 309-317.
SANTOS, J S dos et al. Identificação da dinâmica espaço-temporal para estimar área cultivada de soja a partir de imagens MODIS no Rio Grande do Sul. Revista
Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 18, n. 1,
p.54-63, 2014.
SALVIANO, A. A. C.; VIEIRA, S. R.; SPAROVEK, G.. Variabilidade Espacial de Atributos de Solo e de Crotalaria juncea L. em Área Severamente Erodida. Revista
Brasileira de Ciência do Solo, Viçosa, v. 22, n. 1, p.115-122, 1998.
SHIRATSUCHI, Luciano Shozo et al. Sensoriamento Remoto: conceitos básicos e aplicações na Agricultura de Precisão. In: EMBRAPA (Distrito Federal). Agricultura
de Precisão Resultados de um Novo Olhar. Brasília: Cubo, 2014. Cap. 4. p.
58-73.
SILVA, Fábio Moreira da et al. Variabilidade espacial de atributos químicos e de produtividade na cultura do café. Ciência Rural, Santa Maria, v. 37, n. 2, p.401-407, mar. 2007.
SOUZA, L. da S.; COGO, N. P.; VIEIRA, S. R.. Variabilidade de Propriedades
Físicas e Químicas do Solo em um Pomar Cítrico. Revista Brasileira de Ciência do
Solo, Viçosa, v. 21, p.367-372, 1997.
SOUZA, Z. M. de; MARQUES JUNIOR, J.; PEREIRA, G. T. Variabilidade espacial da estabilidade de agregados e matéria orgânica em solos de relevos diferentes.
Pesquisa Agropecuária Brasileira, Brasília, v. 39, n. 5, p. 491-499, 2004.
TANAKA, Roberto Tetsuo; MASCARENHAS, Hipólito Assunção. Correção de macronutrientes potencializa crescimento de plantas. Revista Visão Agrícola, Piracicaba, v. 5, p.21-23, jun. 2006.
VARIANI, Clever. Sensor óptico ativo como ferramenta para aplicação de
nitrogênio na cultura do trigo. 2011. 109 f. Dissertação (Mestrado) - Curso de
Programa de Pós-graduação em Fitotecnia, Universidade Federal do Rio Grande do Sul, Porto Alegre, 2011.
