​Modernas ferramentas de gestão agrícola do canavial

Por Maximiliano Salles Scarpari, IAC/APTA - Centro de Cana-de-açúcar

18.05.2017 | 20:59 (UTC -3)

Com a evolução computacional ao longo desses anos, a gestão agrícola do canavial ganhou atualmente fortes aliados com o uso das modernas técnicas como a modelagem matemática associada ao uso do banco de dados e das imagens de satélite. Da junção destas técnicas, cria-se uma poderosa ferramenta capaz de auxiliar nas tomadas de decisões objetivando sempre uma estimativa correta da produtividade baseada nas condições climáticas de cada ano. Isso é de grande valia para o planejamento da cultura, pois as previsões de produtividade normalmente são realizadas por observações e experiência dos técnicos através de seu “modelo mental”. O “modelo mental” é entendido como toda a experiência e observação adquirida ao longo do tempo pelo técnico. Vê-se que a formação de um técnico que realize as estimativas de produtividade requer tempo, ao contrário de um modelo matemático que dependendo do banco de dados com informações confiáveis de produtividade e clima poderá ser desenvolvido rapidamente. Uma dificuldade a mais na estimativa feita pelo técnico está em associar os extremos climáticos ocorridos ao longo do desenvolvimento do canavial e avaliar qual o impacto na produtividade final. Neste caso a modelagem matemática retornaria valores de produtividade baseados em cenários de clima ocorridos com maior precisão quando comparamos com o “modelo mental”.

Projeto PREVCLIMACANA

O projeto PREVCLIMACANA teve seu inicio no ano de 2007 dentro do IAC com o intuito de evoluir e desenvolver o modelo PREVCANA na estimativa da produtividade da cana-de-açúcar, e o estágio atual de desenvolvimento após nove anos de calibração e uso nas unidades vem avançando justamente com o banco de dados das unidades e a possibilidade atual do uso das imagens de satélite.

O modelo PREVCANA simula o crescimento potencial da cana-de-açúcar baseado em parâmetros fotossintéticos da planta e edafo-climáticos de cada local de produção sendo radiação solar, índice de área foliar, coeficiente de extinção, taxa fotossintética, temperatura, respiração, idade da planta, disponibilidade hídrica e partição de fotoassimilados. Com o histórico de cada área produtiva extraído do banco de dados, simula-se o potencial de crescimento apoiado nas condições climáticas de cada ano possibilitando a construção de cenários de produtividade normal, favorável ou desfavorável na safra. Dessa forma, temos uma estimativa ao longo da safra para cada área produtiva.

Exemplo aplicado

Usando o modelo PREVCANA e o banco de dados de uma usina localizada na região de Ribeirão Preto/SP - safra 2015 simula-se o potencial de crescimento apoiado nas condições climáticas do ano agrícola possibilitando a construção de cenários de produtividade normal (Figura 1), favorável ou desfavorável na safra.

A Figura 1 apresenta a estimativa ao longo da safra 2015 para cada área produtiva dessa unidade na região de Ribeirão Preto/SP. A espacialização dessa estimativa usando o modelo pode ser feita com a junção das imagens de satélite usando o índice de vegetação como exemplo.

Figura 1. Estimativa da produtividade (TCH – toneladas de cana por hectare) gerada pelo modelo PREVCANA utilizando o banco de dados. O índice de vegetação pode ser usado para variar a produtividade dentro do bloco de colheita.

Da Figura 1, visualizamos áreas com tons de verde mais escuro indicando produtividades estimadas na faixa de 150 a 100 toneladas para áreas de cana planta e segundo corte e áreas com tons de amarelo e produtividades na faixa de 99 a 70 toneladas para canas de terceiro e quarto corte, e áreas com tons de laranja indicando produtividades abaixo de 70 toneladas para cana de quinto e demais cortes onde são áreas que requerem especial atenção seja por problemas no stand ou mesmo relacionados ao manejo que dependendo da distância desta área produtiva até a unidade de moagem, economicamente não se sustenta e medidas de reforma ou replantio dessas áreas devem ser tomadas. Por isso, usando conjuntamente as técnicas de modelagem matemática, banco de dados e imagem, obtém-se excelentes resultados na estimativa da safra com erros abaixo de 3% nas validações entre as produtividades estimadas e realizadas (Figura 2).

Figura 2. Validação entre produtividades estimadas versus realizadas.

A junção da modelagem matemática com o banco de dados gera avanços consideráveis na estimativa da produtividade canavieira com resultados confiáveis na validação das produtividades estimadas e realizadas.

Os próximos passos na evolução da estimativa da produtividade estão focados nos modelos de estimativa da maturação associados à imagem de satélite. Uma releitura dos modelos de estimativa da maturação em associação à imagem de satélite já estão em testes e representam uma nova forma de se associar a modelagem da maturação com as imagens de satélite e as variações existentes dentro dos ambientes de produção.

Compartilhar

Mosaic Biosciences Março 2024