Ferramentas de sensoriamento remoto na agricultura

Avaliação de ferramentas do controle estatístico de qualidade mostra a qualidade de leitura de diferentes métodos de sensoriamento remoto na agricultura

14.01.2021 | 20:59 (UTC -3)
Cultivar Máquinas

O Sensoriamento Remoto (SR) tem se mostrado uma importante ferramenta para o setor agropecuário, tendo grande aplicação em todo o ciclo produtivo. Capaz de obter informações da vegetação sem o contato direto entre o sensor e o alvo, essa ciência auxilia o produtor rural no monitoramento da lavoura e facilita o processo de tomada de decisão em campo.

São inúmeros os empregos do SR no campo, em especial dos índices de vegetação (IV), índices esses resultantes de equações matemáticas calculadas com base na resposta da planta em diferentes comprimentos de onda. Na pecuária, os índices de vegetação têm contribuído para a estimativa de biomassa forrageira e consequentemente a definição da taxa de lotação animal. Estes fatores são fundamentais para atingir bom manejo das pastagens, de modo a evitar a degradação. Na agricultura, índices de vegetação como o NDVI (Índice de Vegetação da Diferença Normalizada) permitem identificar alterações na cultura em decorrência de deficiências nutricionais, doenças e ataque de pragas. Além disso, são fundamentais para estimativas de produtividade, dado importante para o planejamento e destinação da safra. 

Os sensores utilizados para estes fins podem se encontrar em três níveis de coleta, sendo eles: orbital (satélite), aéreo (drones, aviões) e terrestre. O fator atribuído a sua escolha é a necessidade do produtor, uma vez que estes sensores apresentam respostas distintas intrínsecas às suas características – resoluções - e à disponibilidade de recursos. Ademais, as condições da área, como, por exemplo, a extensão, e da cultura, como a duração das etapas fenológicas e do ciclo, são essenciais para a determinação do sensor a ser utilizado.

Drone utilizado para captação aérea
Drone utilizado para captação aérea

FERRAMENTAS

Para aferir a qualidade dos dados coletados e gerados por meio do Sensoriamento Remoto, uma ferramenta de grande aplicação nos processos industriais tem ganhado notoriedade, o controle estatístico de qualidade (CEQ), com destaque para o Controle Estatístico de Processo (CEP). O CEP está inserido no CEQ e baseia-se na busca por melhor qualidade do produto a partir da redução da variabilidade do processo e identificação de pontos fora de controle.

No sensoriamento remoto o contraste nos dados, decorrentes de variabilidade espacial e/ou temporal, é uma condição desejada, uma vez que permite identificar com maior facilidade os padrões na lavoura, para assim manejá-los. Um exemplo ocorre com a aplicação de nitrogênio a taxa variada por meio da utilização de sensores terrestres acoplados a tratores.

Diante disso, a principal função do CEP no SR não é a redução da variabilidade, mas a identificação de pontos fora de controle e suas causas. No meio agrícola, estes pontos são aqueles observados fora dos limites de controle, acima ou abaixo da média em três vezes o desvio padrão. Podem ser decorrentes da presença de nuvens na cena, sombra, entre outros fatores e tem impacto direto sobre os resultados de índices de vegetação. Neste contexto, serão abordadas neste artigo a qualidade de leitura dos índices de vegetação e suas aplicações.

Coleta do sensoriamento remoto terrestre
Coleta do sensoriamento remoto terrestre

QUALIDADE DE LEITURA

O sensoriamento remoto é um método não destrutivo e que tem rápida resposta. Durante as safras, a utilização do SR torna-se útil na identificação de áreas com alto nível de detalhamento, o que permite observar diferenças de produtividade durante o ciclo das culturas. Tal análise pode ser realizada a partir da utilização de índices de vegetação (IV), que são simples, eficazes e servem para avaliar o comportamento da cobertura vegetal e aparatos biofísicos da cultura. Estes índices transformam bandas espectrais em uma única variável, o que faz diminuir o efeito de condições que afetam a qualidade da leitura no sensoriamento remoto, como solo, topografia e ângulo de visão na resposta espectral da planta.

No que diz respeito aos índices de vegetação, dentre os inúmeros utilizados, o NDVI é o mais difundido e amplamente aplicado no monitoramento agrícola, pois mostrou ter boa resposta com diversos parâmetros biofísicos das plantas. O perfil temporal do NDVI o caracteriza como boa ferramenta para detectar e avaliar atividades fenológicas, estádios de desenvolvimento da cultura, mudanças fisiológicas nas folhas e períodos de senescência. Vários estudos demonstram resultados satisfatórios utilizando o NDVI. Foi encontrada alta correlação com o teor de nitrogênio foliar, altura da planta e o número de ramos por planta de algodão (Souza et al., 2017), produtividade de trigo (Marti et al., 2007) e milho (Shanahan et al., 2001; Oliveira et al., 2019).

No entanto, apesar do grande sucesso de sua aplicação em estudos de vegetação, quando a cultura apresenta elevada biomassa, o NDVI oferece limitações na qualidade de leitura, apresentando grande tendência à saturação (Gitelson, 2019). O que indica a saturação na maioria dos índices de vegetação é a relação da reflectância do vermelho/infravermelho próximo. Uma alternativa para trabalhar com culturas que tenham elevada biomassa é a utilização de índices de vegetação derivados da região da borda do vermelho (RedEdge), pois são mais sensíveis à absorção de clorofila, superando o efeito da saturação. Tal fato foi comprovado por Taskos et al. (2015), que ao compararem índices de vegetação que usam a banda do RedEdge, verificaram que o NDRE (Normalized Difference Red-Edge Index) apresentou maior resistência à saturação do que o NDVI.

Outros fatores a destacar ao uso do NDVI são as interferências atmosféricas e a largura da banda (tanto no vermelho como no infravermelho próximo), que vai variar conforme cada tipo de sensor. A resolução espacial do sensor é outro aspecto que deve ser levado em consideração, pois esta variável influencia de forma significativa a composição do pixel, podendo favorecer a mistura espectral, ou seja, quando um pixel é formado por mais de um alvo, condição indesejada.

A determinação do índice de vegetação vai depender do tipo de informação que o produtor quer adquirir com o sensoriamento remoto. Logo, alguns índices são sugeridos, por exemplo, para acompanhar processos fotoquímicos relacionados à atividade fotossintética, para isso os índices são utilizados, para estimar o conteúdo de pigmentação da folha (clorofila) ou o uso da eficiência da luz (Daughtry et al., 2000; Brito et al., 2011), e outros para determinar o índice de área foliar - IAF (Shiratsuchi et al., 2014). Por fim, o ideal é que busquem testar os diferentes índices de vegetação para identificar e validar qual possui maior correlação com os parâmetros biofísicos de interesse.

Determinação do índice de vegetação
Determinação do índice de vegetação

APLICAÇÕES DOS TRÊS NÍVEIS DE COLETAS

Desta maneira, a partir desses conhecimentos pesquisas vêm sendo conduzidas com base na resposta espectral de cada cultura buscando estimar os parâmetros agronômicos. Em que, para a obtenção dessas informações, como foi mostrado acima, o sensoriamento remoto pode ser feito por meio de três níveis de coleta (Figura 1), tendo como finalidade apresentar ao produtor respostas sobre a sanidade física da sua área de produção, possibilitando tomar decisões conforme a suas necessidades.

Devido a cada uma dessas plataformas possuir metodologias diferentes para aquisição dos seus dados, a qualidade da leitura estará relacionada ao objetivo que se deseja cumprir com a execução da sua atividade. Com isso, por meio da ferramenta CEP é possível monitorar todo o ciclo de desenvolvimento da cultura ou processo, fornecendo informações para um diagnóstico mais eficaz na prevenção e detecção de falhas em processos avaliados.

Figura 1 - Aplicações dos três níveis de coleta do sensoriamento remoto na agricultura, sendo eles: orbital, aéreo e terrestre. Fonte: Shimabukuro, Maeda, Formaggio (2009)
Figura 1 - Aplicações dos três níveis de coleta do sensoriamento remoto na agricultura, sendo eles: orbital, aéreo e terrestre. Fonte: Shimabukuro, Maeda, Formaggio (2009)

Nesse intuito, utilizando as cartas de controle, Carneiro (2018) avaliou a qualidade de leitura de plataformas terrestres (sensores GreenSeeker e OptRX), ao longo do processo dos estádios de desenvolvimento das culturas do amendoim e da soja, encontrando correlação entre os índices de vegetação (NDVI, NDRE e IRVI - Inverse Ratio Vegetation Index) e as características biofísicas das plantas, identificando a melhor época da coleta de dados com esses sensores, bem como o índice que apresentou melhor resposta na leitura para as respectivas culturas.

Já Costa (2019), por meio do sensoriamento remoto proximal, foi monitorando os parâmetros biofísicos e sanitários da cultura do café, tendo como foco verificar as diferenças entre áreas tratadas (bioativador) e não tratadas, entretanto não conseguiu encontrar resultados que exprimissem tal objetivo, uma vez que não se teve correlação entre os índices utilizados na análise nem variações das cartas de controle que representassem tal efeito.

Quanto aos níveis orbital e aéreo o que se destaca é o uso de câmeras com resolução multiespectral e/ou hiperespectral, que captam diferentes comprimentos de ondas. Desta maneira, Santos (2019) observou a qualidade de leitura entre esses dois níveis de coleta para a estimativa de maturação do amendoim, obteve respostas similares. Contudo, por meio do controle estatístico de qualidade, de acordo com o mesmo, foi possível identificar falhas como a presença de nuvens, afetando principalmente as imagens captadas pelos drones, onde houve redução da quantidade de parcelas.

Diante do exposto, o uso de ferramentas do controle estatístico de qualidade mostra-se como análises estatísticas promissoras e úteis para tomadas de decisão na melhoria da gestação da qualidade na coleta de informações por meio dos sensores remotos, bem como a redução das falhas cometidas durante o seu processo.

Franciele Morlin Carneiro, Universidade de Auburn, Auburn-AL, USA; Armando Lopes de Brito Filho, Samira Luns Hatum de Almeida, Jarlyson Brunno Costa Souza e Rouverson Pereira da Silva, Lamma, FCAV/Unesp Jaboticabal

a

Compartilhar

Mosaic Biosciences Março 2024