fbpx

Estimativa da Produtividade de Soja por meio de Redes Neurais Artificiais e Técnicas de Agricultura de Precisão

Por: Doutorando Mailson Freire de Oliveira; Mestrando Danilo Tedesco de Oliveira e Prof. Dr. Cristiano Zerbato

A previsão de produtividade antes da colheita pode ser utilizada como ferramenta decisiva na tomada de decisão, principalmente no que diz respeito à gestão das frentes de colheita, direcionamento de investigações além da projeção e comercialização da produção da propriedade rural.

As formas mais comuns de se fazer essa previsão no meio agrícola são as que utilizam como base o sensoriamento remoto, tendo destaque a utilização de imagens de satélites e sensores remotos proximais.

Avanços nas técnicas de sensoriamento remoto melhoraram o uso de imagens multiespectrais como uma ferramenta efetiva em determinar e monitorar as condições da vegetação, estresses vegetais e a predição de produtividade. Estudos tem relatado haver boas correlações entre índices de vegetação oriundos de técnicas de sensoriamento remoto e a produtividade e biomassa de culturas (LIU & KOGAN, 2002; RASMUSSEM, 1993).

No caso da predição de produtividade em sítio específico, destaca-se como limitações das imagens orbitais: a presença de nuvens na imagem, baixo tempo de revisita e ainda, o alto custo de aquisição de imagens de alta resolução espacial, o que inviabiliza sua aplicação para uma geração de conhecimento mais detalhado das lavouras.

Em relação a utilização de sensores ópticos proximais para a adubação em taxa variada, o seu custo de aquisição é um dos principais percalços para adoção desta tecnologia.

Diante disso, a utilização de câmeras multiespectrais embarcadas em Aeronaves remotamente pilotadas (ARP’s) que possuem maior resolução espacial e temporal para o desenvolvimento de estudos visando o monitoramento da lavoura e análises das relações entre imagens multiespectrais e parâmetros da cultura como a produtividade e propriedades do solo como a condutividade elétrica aparente, podem propiciar informações decisivas na tomada de decisões relacionadas a estratégias de manejo e gestão da variabilidade espacial de culturas agrícolas.

Os benefícios advindos de um levantamento mais detalhado da lavoura é principalmente a condução e o reconhecimento da lavoura de acordo com sua variabilidade espacial.

MATERIAL E MÉTODOS

O case técnico aqui apresentado, foi realizado em parceria entre a BemAgro e o Laboratório de Máquinas e Mecanização Agrícola (LAMMA) da UNESP de Jaboticabal.

Para tanto, momentos antes da semeadura da cultura da soja, foi realizado a leitura em área total da condutividade elétrica aparente (CEa) em passadas paralelas espaçadas em 10 m, utilizando o sensor EM38-MK2® (Geonics, Mississauga, Ontário, CANADA) conectado a um receptor GNSS. O sensor foi configurado para leitura nas camadas de 0,5 e 1 m.

Para o mapeamento aéreo, utilizou-se a aeronave do tipo multirotor modelo DJI Inspire 1, embarcado com uma câmera modificada para captura do comprimento de onda no infravermelho próximo modelo Zenmuse X3, que possui distância focal de 20 mm e resolução de 4000 x 3000 pixels gerando fotos de 12 megapixels.

O mapeamento foi realizado quando a cultura da soja estava no estádio de desenvolvimento V6, caracterizado pela quinta folha trifoliada completamente desenvolvida e denominação de sexto nó (Neumaier et al., 2000).

A produtividade da cultura da soja foi mensurada por meio da coleta de todas as plantas presentes na área útil (4.5 m2) de cada parcela e trilhadas com auxílio de trilhadora mecânica. Os grãos foram separados, pesados e os valores corrigidos para a base úmida de 13%, e os valores extrapolados para kg ha-1.

O esquema experimental adotado para colheita manual foi por meio da distribuição de 114 pontos amostrais, em grade regular espaçados em 30 m. Os dados de CEa e produtividade foram submetidos ao sistema de informações geográficas QGIS, para proceder a interpolação, formou-se o geo-campo por meio da interpolação determinística inverso da distância ponderada, que calcula os valores de um ponto não amostrado atribuindo maior importância (peso) a pontos mais próximos ao centro do pixel que se que estimar (ponderação pela distância). Para o processamento das imagens oriundas do mapeamento e geração do índice de vegetação da diferença normalizada (NDVI), foi utilizado a ferramenta de processamento em nuvem DroneDeploy.

RESULTADOS

Avaliando a variabilidade espacial nos mapas temáticos abaixo (Figura 1), observa-se que a lavoura não é uniforme, com base nas variáveis mostrada no mapa. Nota-se que em todos os mapas é possível identificar uma área homogênea no canto superior direito do mapa, onde se obteve maiores valores de CEa, NDVI, GNDVI e produtividade. No entanto as áreas de menor CEa, que refletiram em áreas com índices de vegetação menor, não implicaram em menor produtividade.


Figura 1 – Mapas temáticos para as variáveis CEa (A), GNDVI (B), NDVI (C) e Produtividade (D).

Na tabela 1 são apresentados os resultados de correlação e porcentagem da produtividade explicada (R2) pelas estimativas das redes neurais para cultura da soja.  Por meio da utilização de RNA gerou-se estimativas com forte correlação (r >=0.70) a partir do momento em que se utilizou informações combinadas com a CEa.

Utilizando a CEa e os índices de vegetação independente de qual seja, consegue-se gerar estimativas com forte grau de correlação (r = 0.7), explicando 49% da produtividade.

Os resultados mais expressivos foram obtidos quando se utilizou todas as informações de reflectância nas bandas do vermelho (R), verde (G), azul (B) e infravermelho próximo (NIR), em conjunto com a CEa, obtendo estimativas com uma correlação forte (0.89) explicando 79 % da produtividade.

Estes resultados mostram que a utilização de sensores remotos modificados embarcados em aeronaves remotamente pilotada em conjunto com CEa podem ser utilizados para geração de estimativas de produtividade de forma satisfatória, entretanto, faz-se necessário maiores estudos no que diz respeito ao momento do levantamento das informações e geração de estimativas em outros estádios fenológicos da cultura.

Tabela 1 – Resultados de correlação (r) e coeficiente de determinação (R2) das RNAs implementadas para estimativa de produtividade da cultura da soja.

REFERÊNCIAS

NEUMAIER, N. et al. Estádios de desenvolvimento da cultura de soja. Estresses em soja. Passo Fundo: Embrapa Trigo, p. 19-44, 2000.

ROUSE JUNIOR, J. W.; HAAS, R. H.; DEERING, D. W.; SCHELL, J. A.; HARLAN, J. C. Monitoring the vernal advancement and retrogration (green wave effect) of natural vegetation. Greenbelt: NASA, 1974. 371 p.

TAYLOR, J. C.; WOOD, G. A.; THOMAS, G. Mapping yield potential with remote sensing. In: Precision agriculture’97: papers presented at the first European Conference on Precision Agriculture, Warwick University Conference Centre, UK, 7-10 September 1997. Oxford; Herndon, VA: BIOS Scientific Pub., c1997., 1997.

MAGRI, A. Soil test, aerial image and yield data as inputs for site-specific fertility and hybrid management under maize. Precision Agriculture, v. 6, n. 1, p. 87-110, 2005.

HASSABALLA, A. A.; MATORI, A.B.; SHAFRI, H. Z. M. Surface Moisture Content Retrieval from Visible/ThermalInfrared Images and Field Measurements. Caspian Journal of Applied Sciences Research CJASR, v. 2 n. 1, p. 182-189, 2013.

LIU, W. T.; KOGAN, F. Monitoring Brazilian soybean production using NOAA/AVHRR based vegetation condition indices. International Journal of Remote Sensing, v. 23, n. 6, p. 1161-1179, 2002.

RASMUSSEN, M.S. Operational yield forecast using AVHRR NDVI data: reduction of environmental and inter-annual variability. International Journal of Remote Sensing, v. 18, n. 5, p. 1059-1077, 1997.

SHIRATSUCHI, L. S.; VILELA, M. F.; FERGUSON, R. B.; SHANAHAN, J. F.; ADAMCHUK, V. I.; RESENDE, A. V.; HURTADO, S. M. C.; CORAZZA, E. J. Desenvolvimento de um algoritmo baseado em sensores ativos de dossel para recomendação da adubação nitrogenada em taxas variáveis. In: INAMASU, R. Y.; NAIME, J. M.; RESENDE, A. V.; BASSOI, L. H.; BERNARDI, A. C. C. (Org.). Agricultura de precisão: um novo olhar. São Carlos: Embrapa, 2011. p. 184-188.

SHIRATSUCHI, L. S. et al. Sensoriamento remoto: conceitos básicos e Aplicações na agricultura de precisão. In: BERNARDI, A. C. de C. et al. Agricultura de precisão: resultados de um novo olhar. Embrapa Pecuária Sudeste-Livros científicos (ALICE), 2014.

SOLARI, F. et al. Active sensor reflectance measurements of corn nitrogen status and yield potential. AgronomyJournal, v. 100, p. 571-579, 2008.