UNIVERSIDADE FEDERAL DE MATO GROSSO

CAMPUS UNIVERSITÁRIO DE SINOP

INSTITUTO DE CIÊNCIAS AGRÁRIAS E AMBIENTAIS

SENSOR ATIVO DE DOSSEL NA GESTÃO DA ADUBAÇÃO

NITROGENADA EM ALGODOEIRO NO ESTADO DE MATO GROSSO

JONNAS DE MARCHI

Engenheiro Agrícola e Ambiental

2018

UNIVERSIDADE FEDERAL DE MATO GROSSO

CAMPUS UNIVERSITÁRIO DE SINOP

INSTITUTO DE CIÊNCIAS AGRÁRIAS E AMBIENTAIS

SENSOR ATIVO DE DOSSEL NA GESTÃO DA ADUBAÇÃO

NITROGENADA EM ALGODOEIRO NO ESTADO DE MATO GROSSO

JONNAS DE MARCHI

Orientador: Prof. Dr. Thiago Martins Machado

Coorientador: Dr. Luciano Shozo Shiratsuchi

Dissertação apresentada ao Programa de Pós-graduação em Agronomia, como parte das exigências para a obtenção do título de Mestre em Agronomia. Área de concentração: Agronomia.

Agosto de 2018

DADOS CURRICULARES DO AUTOR

JONNAS DE MARCHI – Nascido em 03 de setembro de 1991, no município de

Sinop, estado de Mato Grosso. Em agosto de 2009, ingressou na Universidade

Federal de Mato Grosso (UFMT), Instituto de Ciências Agrárias e Ambientais, curso

de Engenharia Agrícola e Ambiental, Campus de Sinop. Em abril de 2014 viajou para

o EUA para realizar o estágio supervisionado obrigatório na The Ohio State University,

em Columbus - Ohio. Retornou em setembro de 2014 para a obtenção do título de

Engenheiro Agrícola e Ambiental. No mesmo ano mudou-se para Sorriso – MT para

trabalhar na empresa RZS Agricultura de Precisão. Em março de 2016 ingressou no

curso de mestrado do Programa de Pós-graduação em Agronomia na Universidade

Federal de Mato Grosso, Campus Sinop. Em dezembro de 2018 mudou-se para Nova

Mutum – MT para exercer a função de Desenvolvedor de Soluções na empresa

Solinftec.

DEDICATÓRIA

Dedico aos meus pais,

Mario e Marlene,

pelo apoio, incentivo e dedicação incondicional.

AGRADECIMENTOS

À Deus, pelo dom da vida, sempre guiando meus passos durante minha

caminhada.

Aos meus pais, pela educação e amor incondicional, pelo exemplo de força

e perseverança e por não medirem esforços para que esta etapa em vida fosse

concretizada.

Aos meus irmãos, pela amizade e companheirismo mesmo que distante.

À minha namorada Maria Clara, pela paciência, compreensão e pelo apoio

nos momentos de dificuldade.

Ao meu Orientador, Prof. Dr. Thiago Martins Machado, pela amizade, pelos

ensinamentos, pela paciência e confiança.

Ao meu Coorientador, Dr. Luciano Shozo Shiratsuchi, pelos ensinamentos

transmitidos.

Aos membros da comissão examinadora.

À Universidade Federal de Mato Grosso (UFMT) - Campus Sinop, em

especial ao programa de pós-graduação em Agronomia, pela oportunidade de

realização do curso.

À Embrapa Agrossilvipastoril, pelo fornecimento do material e estrutura para

a realização deste trabalho.

Aos produtores, por concederem as áreas e auxiliarem na condução do

experimento.

À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior –

CAPES, pelo apoio financeiro através da concessão da bolsa de mestrado.

A todos que direta ou indiretamente contribuíram para a realização deste

trabalho, o meu sincero agradecimento.

Muito Obrigado a Todos Vocês.

1

LISTA DE FIGURAS

Figura 1. Condições climáticas durante o cultivo do algodoeiro em Lucas do Rio Verde na

safra 2014. ........................................................................................................................................... 33

Figura 2. Condições climáticas durante o cultivo do algodoeiro em Sinop na safra de 2014. 33

Figura 3. Condições climáticas durante o cultivo do algodoeiro em Campo Verde na safra

2014. ..................................................................................................................................................... 34

Figura 4. Condições climáticas durante o cultivo do algodoeiro em Sapezal na safra 2014. 34

Figura 5. Condições climáticas durante o cultivo do algodoeiro em área experimental da

Embrapa Agrossilvipastoril na safra 2015. ..................................................................................... 36

Figura 6. Condições climáticas durante o cultivo do algodoeiro em área experimental da

Embrapa Agrossilvipastoril na safra 2016. ..................................................................................... 37

Figura 7. Condições climáticas durante o cultivo do algodoeiro em área experimental da

Embrapa Agrossilvipastoril na safra 2017. ..................................................................................... 37

Figura 8. Leituras médias de NDVI e CIRE coletadas semanalmente durante os quatro anos

de experimento (2014, 2015, 2016 e 2017). .................................................................................. 42

Figura 9. Saturação do NDVI ilustrada em leituras coletadas com sensor ativo de dossel

durante os quatro anos de experimento (2014, 2015, 2016 e 2017). ........................................ 43

Figura 10. Desvio padrão do CIRE durante o desenvolvimento do algodoeiro em áreas de

produtores em 2014 (A) e área experimental da Embrapa em 2015, 2016 e 2017 (B). ......... 44

Figura 11. Distribuição de frequência e frequência acumulada do índice de vegetação de

clorofila usando a banda Red Edge (CIRE) sensoriado em lavouras comerciais de

produtores parceiros em 2014. ........................................................................................................ 45

Figura 12. Produtividade do algodão em caroço em resposta a doses de N em diferentes

regiões de produtores parceiros em 2014. ..................................................................................... 46

Figura 13. Curva de suficiência de N baseado em referência virtual para algodão em sistema

de produção comercial. ..................................................................................................................... 47

Figura 14. Curva de recomendação de N baseado em referência virtual para algodão em

sistema de produção comercial. ...................................................................................................... 48

Figura 15. Erro de validação da equação de recomendação de N para algodão em sistema

de produção comercial. ..................................................................................................................... 49

Figura 16. Distribuição de frequência e frequência acumulada do índice de vegetação de

clorofila usando a banda Red Edge (CIRE) sensoriado em parcelas experimentais em 2015,

2016 e 2017. ....................................................................................................................................... 50

Figura 17. Produtividade do algodão em caroço em resposta a doses de N durante os 3

anos de experimento (2015, 2016, 2017) em parcelas experimentais da Embrapa

Agrossilvipastoril. ................................................................................................................................ 50

Figura 18. Curva de suficiência de N baseado em referência virtual para algodão em

parcelas experimentais da Embrapa Agrossilvipastoril. ............................................................... 51

Figura 19. Curva de recomendação de N baseado em referência virtual para algodão em

parcelas experimentais da Embrapa Agrossilvipastoril. ............................................................... 52

Figura 20. Erro de validação da equação de recomendação de N para algodão em parcelas

experimentais da Embrapa Agrossilvipastoril. ............................................................................... 53

2

Figura 21. Erro de validação da equação de recomendação de N para algodão em parcelas

experimentais aplicado em dados sensoriados em lavouras comerciais. ................................. 54

3

SUMÁRIO

CAPÍTULO 1. Considerações gerais ........................................................................... 6

1. Introdução ............................................................................................................. 6

2. Revisão de Literatura ............................................................................................ 8

2.1 A cultura do algodão .......................................................................................... 8

2.2 Eficiência do uso de nitrogênio (EUN) ............................................................. 10

2.3 Gestão da adubação nitrogenada utilizando agricultura de precisão .............. 11

2.4 Sensores ativos de dossel (SAD) .................................................................... 12

2.5 Índice de vegetação ........................................................................................ 13

2.6 Algoritmos e abordagens baseadas em SAD .................................................. 14

3. Referências ......................................................................................................... 19

CAPÍTULO 2. Considerações específicas ................................................................. 27

1. Introdução ........................................................................................................... 29

2. Material e Métodos ............................................................................................. 32

3. Resultados e Discussão ..................................................................................... 42

4. Conclusões ......................................................................................................... 55

5. Referências ......................................................................................................... 56

4

SENSO ATIVO DE DOSSEL NA GESTÃO DA ADUBAÇÃO NITROGENADA EM

ALGODOEIRO NO ESTADO DE MATO GROSSO

RESUMO - Sensores ativos de dossel têm conseguido resultados promissores na avaliação do status de N em culturas, visando direcionar a adubação nitrogenada em taxas variáveis. No entanto, a maioria das formulações de gerenciamento de N desenvolvidas utilizam procedimentos complexos que às tornam impraticáveis pelos produtores. Existe uma carência de metodologias práticas baseadas em sensores ativos de dossel para determinação da demanda de adubação nitrogenada em sistemas de produção de algodão no cerrado brasileiro. Este trabalho teve por objetivo investigar a sensibilidade de índices de vegetação em identificar a variabilidade do requerimento de N e utilizar e orientar a aplicação de metodologias práticas baseadas em sensores ativos de dossel para direcionar a aplicação de N em taxas variáveis em sistemas de produção de algodão no Mato Grosso. Palavras-chave: agricultura de precisão, sensoriamento remoto, aplicação em taxas variáveis

5

ACTIVE CANOPY SENSOR IN THE MANAGEMENT OF NITROGEN

FERTILIZATION IN COTTON IN MATO GROSSO STATE

ABSTRACT - Active canopy sensors have achieved promising results in evaluating N status in crops, aiming to direct nitrogen fertilization at variable rates. However, most developed N management formulations use complex procedures that make them impractical for producer. There is a lack of practical methodologies based on active canopy sensors to determine nitrogen fertilizer demand in Brazilian cotton production systems in Cerrado. The objective of this work was to investigate the sensitivity of vegetation indices in identifying the variability of the N requirement and to use and guide the application of practical methodologies based on active canopy sensors to direct the application of N at variable rates in cotton production systems in Mato Grosso. Keywords: precision agriculture, remote sensing, variable rate application

6

CAPÍTULO 1. Considerações gerais

1. Introdução

Dadas as suas transformações e mobilidade no perfil do solo, o nitrogênio (N)

é o elemento mais dinâmico em sistemas agrícolas. Tal complexidade dificulta sua

recomendação baseada na análise tradicional do solo, resultando em baixa eficiência

do uso de nitrogênio (EUN) pelas culturas. Esta característica dinâmica sugere a

necessidade de estratégias alternativas de manejo de N para prever quando, onde e

quanto de N é necessário (SCHEPERS e RAUN, 2008).

O nitrogênio é considerado o nutriente mais importante para o algodoeiro

devido a grande exigência pela cultura, sendo considerado um fator limitante para o

desenvolvimento e potencial produtivo da cultura (CARVALHO et al, 2009). A

aplicação de N no algodoeiro deve ser feita de forma criteriosa, pois tanto a deficiência

como o excesso desse elemento, influenciam negativamente o crescimento da planta,

a retenção de frutos, a qualidade da fibra e a produtividade (REDDY et al., 2004).

As práticas atuais de gerenciamento da adubação nitrogenada para sistemas

de produção de algodão normalmente incluem quantidades significativas de N

aplicadas em taxas uniformes, onde na maioria das vezes, são aplicadas em estádios

fenológicos antecipados em prol de um maior rendimento operacional, contribuindo

para a baixa EUN pela cultura.

Segundo Raun e Johnson (1999), a EUN para culturas em todo o mundo

corresponde a 33 %. As principais causas da baixa EUN são a baixa sincronia entre

o suprimento e a demanda de N pela cultura, aplicação de taxas uniformes de N em

áreas com demanda espacialmente variáveis e incapacidade de explicar influências

temporalmente variáveis sobre as necessidades de N da cultura (SHANAHAN et al.,

2008). Uma das formas de se aumentar a EUN é a aplicação em doses variáveis,

considerando a variabilidade espacial e temporal do requerimento de N pela cultura

(SOLARI, 2006).

Técnicas de agricultura de precisão baseadas em sensores ativos de dossel

(SAD) têm conseguido resultados promissores na gestão da adubação nitrogenada

em diferentes culturas (ZHAO et al., 2005, CLAY et al., 2006; HONG et al., 2006,

7

SINGH et al., 2006; SHANAHAN et al. 2008, LI., 2010). O uso desses sensores para

estimar o status de N na planta pode melhorar a EUN em comparação à aplicação

uniforme tradicional, melhorando o rendimento da cultura e reduzindo a quantidade

de N aplicado, considerando variabilidade espacial (RAUN et al., 2005, 2007; TEAL et

al., 2006; FREEMAN et al., 2007 e TUBANA et al., 2008, DELLINGER et al, 2008).

No entanto, a maioria das formulações gerenciamento de N desenvolvidas e

ajustadas para o Brasil utilizam procedimentos laboratoriais que demandam muito

esforço e tempo, ou são baseados em abordagens locais pouco representativas, além

de serem sensíveis às condições da cultura (variedade e fenologia) que foram

calibrados. Vários fatores podem afetar o vigor e a demanda de N da cultura, como

diferenças genéticas entre cultivares, diferentes estágios fenológicos, clima,

adubações de base e práticas culturais, sendo necessário o estudo de metodologias

práticas que amenizem esses efeitos.

Baseado neste contexto, o presente trabalho teve como objetivo investigar o

potencial de índices de vegetação em identificar a variabilidade do requerimento de N

e utilizar e orientar a aplicação de metodologias práticas baseadas em sensores ativos

de dossel para direcionar a aplicação de N em taxas variáveis em sistemas de

produção de algodão no Mato Grosso.

8

2. Revisão de Literatura

2.1 A cultura do algodão

O algodoeiro é uma das principais plantas domesticadas pelo homem e uma

das mais antigas, havendo registros de seu uso há mais de 4.000 anos, tendo como

centros de origem a América do Sul, o Oriente Médio e a Ásia (WENDEL et al., 2010).

É uma planta originária de clima tropical, de crescimento indeterminado, sensível à

baixa luminosidade, porte ereto, com fixação de carbono na fotossíntese via C3 e

elevada taxa de fotorrespiração (OVEJERO et al., 2015). O algodão comercial

cultivado no Brasil é o algodão herbáceo, que pertence à espécie Gossypium hirsutum

var. latifolium Hutch, da família Malvaceae.

A cotonicultura é uma das principais fontes de renda do agronegócio brasileiro,

sendo destinada a produção de fibra, óleo e proteínas. A produção nacional é

estimada em 5 milhões de toneladas para a safra 2017/18, somando a produção de

pluma e caroço. Em destaque, a região de Mato Grosso, correspondendo a 66% da

área cultivada e com volume de produção estimado em 3,2 milhões de toneladas,

sendo 64% da produção total do país. Nessa safra, as boas condições climáticas têm

favorecido um cenário de produção e comercialização bastante promissor, a

estimativa de produtividade média nacional é de 4.267 kg ha-1 de algodão em caroço,

sendo a maior produtividade média registrada no país (CONAB, 2018).

Existem, basicamente, dois sistemas de cultivo do algodoeiro no Brasil, que

caracterizam dois sistemas de manejo distintos: (i) O algodão safra, em que há o

cultivo apenas do algodão como cultura comercial dentro do ano agrícola, sendo

semeado entre 01/12 e 10/01, período com maior disponibilidade hídrica, o que

possibilita o uso de solos com menor capacidade de retenção de água. As principais

características desse sistema é a utilização de cultivares de ciclo longo e semeadura

em espaçamento convencional entre fileiras (0,76 - 0,90 cm) (ZANCANARO e

KAPPES, 2015). (ii) O algodão segunda safra, também conhecido como algodão

"safrinha", é cultivado após uma cultura comercial (soja, feijão, milho, etc) no mesmo

ano agrícola, sendo semeado entre a segunda quinzena de janeiro e a primeira de

fevereiro, geralmente após a colheita da soja. Este sistema é caracterizado pela

9

semeadura de cultivares de ciclos curtos, para o melhor aproveitamento do período

de chuvas, e espaçamento adensado entre fileiras (0,38 - 50 cm). A principal

vantagem deste sistema é a intensificação do uso da terra, devido ao cultivo de duas

culturas no mesmo ano agrícola, o que leva à redução de custos de produção

(ANSELMO et al., 2011).

Os avanços no manejo da cultura e a constante melhoria nos pacotes

tecnológicos tem impulsionado o crescimento da produção algodoeira no Brasil, que

é, atualmente, o quinto país maior produtor e o terceiro maior exportador de fibra de

algodão do mundo, ocupando o primeiro lugar em produtividade em sistema sequeiro

(ABRAPA, 2017).

O Brasil alcançou essa posição com a migração da cultura do algodoeiro para

o Cerrado brasileiro, na segunda metade dos anos 1990, onde os produtores de soja

buscavam uma cultura alternativa para o sistema de rotação. As condições climáticas,

o relevo plano, os subsídios internos e a alta tecnologia adotada permitiram o aumento

crescente da produtividade e a produção de fibra de alta qualidade, tornando o sistema

competitivo (HOOGERHEIDE e FRANCISCO, 2013). O estado de Mato Grosso teve

grande importância no progresso da cotonicultura brasileira, com condições favoráveis

para o seu desenvolvimento, áreas extensas com topografia plana, alta intensidade

luminosa e clima bem definido, apresentando boa disponibilidade hídrica durante o

seu desenvolvimento e período seco na época da colheita, permitindo alto rendimento

e obtenção de fibra de qualidade. Mas em contrapartida, o Cerrado brasileiro tem

exigido grandes investimentos em correção e adubação, devido à baixa fertilidade

natural dos solos e a elevada demanda de nutrientes pela cultura (TAKIZAWA e

GUERRA, 1998). Com isso, torna-se necessária a prática de adubação química para

a manutenção de níveis de suficiência de nutrientes no solo.

O manejo da fertilidade do solo é um fator determinante para a obtenção de

altas produtividades no algodoeiro (SILVA, 1999; THOMPSON, 1999). A correção da

acidez do solo e a adubação mineral têm atingido valores da ordem de 20 a 30% do

custo total de manejo da cultura. Nesse contexto, a gestão eficiente da adubação é

essencial para a viabilização do sistema de produção algodoeiro no Cerrado

(CARVALHO e FERREIRA, 2006).

10

2.2 Eficiência do uso de nitrogênio (EUN)

A eficiência da adubação nitrogenada é um desafio em sistemas agrícolas,

devido a dinâmica complexa desse elemento no solo, dado por suas transformações

e mobilidade no perfil do solo. Em razão a tal complexidade, a análise de solo

tradicional não traz informações confiáveis sobre a disponibilidade de nitrogênio (N)

no solo, sendo difícil mensurar e controlar a quantidade de N disponível às plantas.

Esse comportamento do N no solo gera uma necessidade de pesquisas e

desenvolvimento de novas práticas de gerenciamento ou dispositivos capazes de

prever quando, onde e quanto de N é necessário (SCHEPERS e RAUN, 2008).

As práticas tradicionais de adubação nitrogenada resultam em baixa EUN,

devido as aplicações em taxas uniformes, normalmente em doses acima da

necessidade da cultura, desconsiderando a variabilidade espacial e temporal do

requerimento de N pela planta.

Uma das maiores causas da baixa EUN das atuais práticas de manejo de N é

a baixa sincronia entre a disponibilidade de N no solo e a demanda pela cultura

(SHANARAM et al., 2008; CASSMAN et al., 2002; FAGERIA e BALIGAR, 2005). O

requerimento de N no algodoeiro aumenta a partir da emissão dos primeiros botões

florais, alcançando absorção máxima diária entre 60 a 90 dias, após a germinação

(CARVALHO e FERREIRA, 2006). No Brasil, normalmente, o N é aplicado em

estádios fenológicos antecipados, ainda em estádios vegetativos, em razão de um

maior rendimento operacional, contribuindo para grandes perdas desse elemento no

sistema, causando prejuízos econômicos e impactos ambientais consideráveis.

Outra razão para a baixa EUN é a forma como o fertilizante nitrogenado é

geralmente recomendado, baseado em um rendimento esperado da cultura, que

estima uma quantidade de N que será removida no processo de colheita (STANFORD

e LEGG, 1984; MEISINGER e RANDALL, 1991). Embora esta abordagem de

"equilíbrio de massa" seja simples e considerável, ela assume uma EUN constante

(MEISINGER, 1984; MEISINGER et al., 1992), enquanto pesquisas demonstram que

a EUN variam no espaço e no tempo. Outro inconveniente desta abordagem é derivar

uma estimativa precisa e realista do rendimento almejado, principalmente,

11

considerando a baixa fertilidade natural dos solos do Cerrado e o alto potencial de

perdas de nutrientes dado pelas condições climáticas tropicais do país.

Estimativas mundiais relatam que a EUN na produção de cereais é de

aproximadamente 33% (RAUN e JOHNSON, 1999). Segundo Solari (2006), para

aumentar a EUN é essencial a aplicação de N em taxas variáveis, considerando a

demanda espacial e temporal da cultura. No algodoeiro, doses adequadas estimulam

o crescimento e o florescimento, regulariza o ciclo da planta, aumenta a produtividade

e melhora o comprimento e a resistência da fibra (BELTRÃO, 1999). Tanto a

deficiência como o excesso de suprimento de N afetam negativamente a produção e

a qualidade da fibra (REDDY et al., 2004).

Estudos de campo nos EUA e na Europa tem apresentado justificativa

econômica e ambiental para aplicações de N espacialmente variáveis em culturas

agrícolas (MAMO et al., 2003; HURLEY et al., 2004; KOCH et al., 2004 SCHARF et

al., 2005; SHAHANDEH et al., 2005; HEEGE et al, 2008, SHIRATSUCHI, 2011).

2.3 Gestão da adubação nitrogenada utilizando agricultura de precisão

O conceito de agricultura de precisão foi criado baseado no uso de tecnologias

espaciais para o gerenciamento agrícola localizado, considerando a variabilidade

espacial e temporal, visando aumentar a produtividade, reduzir os custos de produção

e minimizar os impactos ambientais.

A gestão espacial de informações tornou-se possível graças aos sistemas de

posicionamento global de baixo custo (GPS) e equipamentos de processamento de

dados móveis capazes de armazenar e trabalhar com grandes bancos de dados.

Pode-se considerar três abordagens disponíveis para a aplicação de

fertilizantes nitrogenados: (i) baseado em mapa (aplicação de taxas de N de acordo

com mapas previamente gerados); (ii) em tempo real (leituras de

dispositivos/sensores são convertidas em taxas de fertilizantes nitrogenados em

tempo real); ou (iii) integrado (processando uma combinação de sensor e mapa)

(ADAMCHUK et al., 2011).

Com o propósito de aumentar a EUN em sistemas agrícolas, vários

pesquisadores têm se dedicado ao estudo de técnicas e procedimentos que

12

consideram a variabilidade espacial do solo baseado em análise de solo e leituras de

sensores. Exemplos incluem: (i) o uso de amostragem em grid para recomendar a

aplicação de N (FERGUSON et al., 2002); (ii) o uso de mapas de condutividade

elétrica do solo para definir zonas de manejo com diferentes demandas de N

(EIGENBERG et al., 2006; HEINIGER et al., 2003); e (iii) o uso de técnicas de

sensoriamento remoto para estimar o status de N em culturas (SINGH et al., 2006; LI

et al., 2010; SHANARAM et al., 2008; CLAY et al., 2006; HONG et al., 2006).

2.4 Sensores ativos de dossel (SAD)

Técnicas que utilizam sensoriamento remoto baseado em SAD tem sido

amplamente exploradas, atuando de maneira não destrutiva e com alta resolução

espacial, tem por objetivo obter informações de vigor e desenvolvimento das plantas,

tendo em vista o manejo em taxa variável e em tempo real de fertilizantes,

principalmente o nitrogênio.

Esses sensores possuem fonte de luz própria não sendo influenciados pela luz

do sol, podendo ser utilizados a qualquer hora do dia (dia e noite) (MOREIRA, 2005).

Propriedades espectrais detectadas remotamente por meio de sensores podem

fornecer informações específicas sobre a resposta fisiológica às condições de

crescimento e adaptações de plantas ao meio ambiente. Pesquisadores tem estudado

a correlação de medidas espectrais com diferentes parâmetros em culturas, como a

capacidade fotossintética, produtividade, rendimento potencial (PENUELAS et al.,

1994; APARICIO et al., 2000; THENKABAIL et al., 2000; MAET al., 2001; RAUN et al.,

2001; BAEZ-GONZALES et al., 2002; TEAL et al., 2006a), biomassa vegetal

(WALLBURG et al., 1982; KLEMAN e FAGERLUND, 1987; WANJURA e HATFIELD,

1987; CASANOVA et al., 1998; FELTON et al., 2002) e teor de N na folha (BLACKMER

et al., 1994; BRONSON et al., 2003) para estimar o requerimento de N em culturas.

A premissa do uso desses sensores na gestão da adubação nitrogenada é

fundamentada no fato de que a reflectância do dossel da cultura em determinados

comprimentos de onda do espectro eletromagnético varia em função da concentração

de clorofila no tecido foliar, a qual está fortemente correlacionada com o teor de

nitrogênio foliar (BLACKMER et al., 1996; TARPLEY et al., 2000).

13

As folhas verdes apresentam normalmente baixa reflectância e transmitância

na região do visível do espectro (400 -700 nm) devido à forte absorção por pigmentos

fotossintéticos (clorofila) (CHAPPELLE et al., 1992). As folhas absorvem

principalmente os comprimentos de onda azuis (~ 450 nm) e vermelhos (~ 660 nm) e

refletem principalmente os comprimentos de onda verdes (550 nm). Em contrapartida,

a reflectância e a transmitância são geralmente altas na região do infravermelho

próximo (NIR) do espectro (~ 700 - 1400 nm) porque há pouca absorção por partículas

e pigmentos subcelulares e também porque há uma dispersão considerável na

interface da parede celular mesofílica (GAUSMAN, 1974; GAUSMAN, 1977; SLATON

et al., 2001). A luz NIR é fortemente absorvida pelo solo do que pelas plantas, e

medidas de reflectância nesses comprimentos de onda fornecem informações sobre

a quantidade de folhas (biomassa) em relação à quantidade de solo descoberto.

Baseado neste contexto espectral, combinações de reflectância em diferentes

comprimentos de onda derivam formulações matemáticas chamadas de índices de

vegetação (IVs) que são usadas para estimar características biofísicas de culturas.

2.5 Índice de vegetação

Desde a década de 1960 pesquisadores têm usado sensoriamento remoto

baseado no estudo de IVs para modelar variáveis biofísicas da vegetação. IVs são

medidas adimensionais, radiométricas, que indicam abundância relativa e atividade

de vegetação verde, incluindo índice área foliar (IAF), cobertura verde, teor de

clorofila, biomassa verde e albedo da radiação fotossinteticamente ativa (APAR)

(Jensen, 2007).

IVs são desenvolvidos para (i) maximizar a sensibilidade aos parâmetros

biofisiológicos das plantas; (ii) normalizar ou modelar efeitos externos, como ângulo

do sol, ângulo de visão e atmosfera, para comparações espaciais e temporais

consistentes; (iii) normalizar efeitos internos, como variâncias de fundo de dossel,

incluindo topografia, variação de solo e diferenças em vegetação senil ou lenhosa; e

(iv) ser acoplado a algum parâmetro biofísico mensurável específico, como biomassa,

IAF ou APAR, como parte do esforço de validação e controle de qualidade (Running

et al 1994).

14

Inúmeros IVs foram desenvolvidos para vários propósitos, o mais conhecido é

o Índice de Vegetação por Diferença Normalizada (NDVI), que usa a proporção da

banda vermelho e infravermelho próximo para avaliar o vigor da vegetação (Rouse al.,

1974). Porém, estudos demonstraram que o NDVI apresenta limitação de saturação

das leituras quando o índice de área foliar (IAF) ultrapassa certo limite (ao redor de 2)

(GITELSON et al., 1996). Outros são mais adequados para ambientes de alto IAF

devido a não saturação da faixa do vermelho, incluindo Índice Vegetação de Clorofila

(CI) (Gitelson et al., 2003, 2005) e outros para avaliação de clorofila por plataformas

orbitais como o Índice Terrestre de Clorofila Meris (MTCI) (Dash e Curran, 2004).

Cada IV tem sua aplicação e limitação, mas todos têm a finalidade comum de

avaliação não destrutiva do dossel da cultura para o atributo de interesse.

2.6 Algoritmos e abordagens baseadas em SAD

A primeira abordagem para recomendação de N com base em sensor óptico

resultou de estudos usando medidores de clorofila (SCHEPERS et al., 1992;

BLACKMER e SCHEPERS, 1995), tendo pôr objetivo desenvolver uma técnica

baseada em plantas para detectar e corrigir deficiências de N durante a safra

utilizando um dispositivo de contato que faz leituras da absorção de clorofila usando

as bandas vermelha (660nm) e infravermelho próximo (940nm) (SPAD 502, Konica

Minolta Sensing Inc., Osaka, Japão). Esses valores apresentaram boas correlações

com vigor e biomassa, permitindo a inferência do status de N em culturas (VARVEL

et al., 1997; VIDAL et al., 1999).

Durante o início dos anos 2000, sensores proximais usando fonte de luz própria

foram desenvolvidos para mediar a refletância de luz em bandas específicas. As

leituras eram transformadas através de equações em índices de vegetação sensíveis

a determinadas características biofísicas da planta, especialmente status de N (RUAN

et al., 2001).

A combinação de SAD, sistemas de posicionamento global (GPS) e

computação tornou possível aos pesquisadores explorar diferentes metodologias de

gerenciamento de N para diversas culturas.

15

Schepers et al., (1992) desenvolveu uma abordagem de normalização dos dados

SPAD, chamada de índice de suficiência (IS), que consiste na divisão das leituras do

sensor pela média das leituras sensoriadas em uma faixa rica em N, sendo descrito

matematicamente como:

IS =IV𝑠𝑒𝑛𝑠𝑜𝑟𝑖𝑎𝑑𝑜

IV𝑟𝑒𝑓𝑒𝑟ê𝑛𝑐𝑖𝑎

onde, IS é o índice de suficiência (0 ≤ IS ≤ 1), IVsensoriado é o índice de vegetação

sensoriado em tempo real, e IVreferência é o índice de vegetação da faixa rica em N ou

área do talhão onde não há limitação de N. Essa abordagem foi base de muitos

trabalhos científicos investigando dados SPAD e SAD para estimar doses variáveis

de N em culturas.

Um segundo método de normalização foi desenvolvido, conhecido como índice

de resposta (IR), medindo a resposta produtiva da cultura em relação ao N adicionado

(RAUN et al., 2001). Essencialmente IS e IR são recíprocos um do outro. Este trabalho

resultou no desenvolvimento da abordagem INSEY, que assume que o NDVI dividido

por uma entrada climatológica específica do local determinada por graus dias

acumulativos (GDD) > 0 [GDD =(Tmín + Tmáx)/2– 4.4°C], onde Tmín e Tmáx

representam a temperatura mínima e máxima diária, estimando a taxa de crescimento

da cultura sendo esta linearmente relacionada com o rendimento (RAUN et al., 2002).

Na tentativa de determinar uma dose de N de alto potencial produtivo, Raun et

al., (2008) propuseram a faixa de calibração em rampa. Este método consiste em

aplicar taxas de N escalonadas em rampas e comparar com uma faixa rica em N

adjacente, de modo que um patamar de crescimento possa ser determinado pelo SAD

ou visualmente.

Entretanto, para a adoção, tanto da faixa rica em N quanto da faixa de

calibração em rampa, se faz necessário a seleção criteriosa da porção da lavoura

onde será implantada tal área de referência para que seja representativa ao restante

da lavoura (KITCHEN et al. (2010).

Relações entre taxa de N e IS foram descritas por modelos quadráticos e uma

função foi desenvolvida para descrever a quantidade de N para maximizar o

16

rendimento de grãos (VARVEL et al., 2007). Em resumo, os pesquisadores utilizaram

funções históricas de resposta ao rendimento para determinar a taxa de N que

maximizou o rendimento relativo de grãos e subtraiu a taxa de N pelo N estimado na

planta usando um medidor de clorofila, e a diferença foi a recomendação de N, sendo

descrita matematicamente como (R² = 0,70):

𝑆𝐼 = 0,8073 + 0,002(𝐷𝑜𝑠𝑒 𝑁) − 0,0000056(𝐷𝑜𝑠𝑒 𝑁)²

onde, IS é o índice de suficiência e Dose N é a dose de maior de maior rendimento

histórico.

Baseado na relação linear entre SAD e SPAD, Solari et al., (2008)

desenvolveram um algoritmo de recomendação de N baseado em SAD empregando

a mesma equação quadrática determinada por Varvel et al., (2007), sendo descrita

matematicamente como:

𝑁 𝑟𝑒𝑐𝑜𝑚𝑒𝑛𝑑𝑎𝑑𝑜 = 317√0,97 − 𝐼𝑆

onde, N recomendado é taxa a ser aplicada e IS é o índice de suficiência.

Mesmo quando baseado em dados do medidor de clorofila, o algoritmo

desenvolvido forneceu estimativas razoáveis de recomendação de N para maximizar

rendimentos (SOLARI et al., 2010; ROBERTS, 2009; ROBERTS et al., 2010). Apesar

de simples e de fornecer recomendações razoáveis de N, o algoritmo não tinha

flexibilidade com base no estágio de crescimento da cultura e no crédito de aplicações

anteriores de N.

Outro método de Holland (2009) utilizou uma abordagem estatística para

simplificar a maneira como um valor de referência foi determinado. Este método,

denominado "referência virtual", atribui o valor do percentil 95 acumulativo de um

histograma de medições de IV coletadas em uma área representativa de um campo

de cultivo que recebeu uma aplicação modesta de pré-plantio ou cobertura do

fertilizante N como referência. Esta abordagem foi validada por Holland e Schepers

(2013) em conjunto com o algoritmo de IS proposto por Schepers et al., (1992).

17

Holland e Schepers (2010) derivaram um algoritmo de aplicação de N em taxa

variável baseado em SAD que permite que o usuário insira parâmetros que podem

alterar a recomendação de N. Por exemplo, dada a taxa de N que deve maximizar o

rendimento para o local específico e experiências anteriores do produtor e se a

resposta de N e o limite de leitura do sensor estiverem abaixo de algum IS específico,

o N recomendado será reduzido. Em geral, o algoritmo oferece flexibilidade, já que

não embutiu uma taxa N que maximiza o rendimento, por outro lado, oferece mais

fontes de erro humano se as entradas não forem selecionadas corretamente pelo

usuário, sendo descrito matematicamente como:

𝑁 𝑟𝑒𝑐 = (𝑁𝑜𝑝𝑡 − 𝑁𝑝𝑟𝑒 − 𝑁𝑐𝑟𝑑 + 𝑁𝑐𝑜𝑚𝑝)√(1 − 𝐼𝑆)

∆𝐼𝑆(1 + 0.1𝑒𝑚(𝐼𝑆𝑡𝑟𝑒𝑠ℎ𝑜𝑙𝑑−𝐼𝑆))

onde, N rec é a taxa de N que deve ser aplicada em kg ha-1; Nopt é a taxa de nitrogênio

ótima econômica (EONR) ou a taxa máxima de N prescrita pelos produtores; Npre é

a taxa de N aplicada antes do sensoriamento; Ncrd é o crédito N para da safra anterior;

Ncomp é o N em excesso de Nopt exigido pela cultura em condições limitantes do

solo em um dado estágio de crescimento; SI é o índice de suficiência; m é a variável

da taxa de recuo (0 <m<100); e o SItreshold é o ponto de corte de retorno.

No Brasil, estudos pioneiros avaliaram o potencial de SAD em estimar a

resposta a doses de N, em comparação a outras formas disponíveis para realizar tal

estimativa (medidor de clorofila e análise laboratorial do teor de N foliar). Exemplos

desses trabalhos são os de Povh et al., (2008) e Grohs et al., (2009) em trigo;

Motomiya et al., (2009) em algodão; INAMASU et al., 2006; Molin et al., (2010); Amaral

e Molin (2011) e Portz et al (2011) em cana-de-açúcar.

Shiratsuchi et al., (2011, 2014) ajustou um algoritmo para milho cultivado na

região do Cerrado baseado em SAD utilizando a abordagem de IS desenvolvida por

Schepers et al., (1992).

Os modelos de aplicação de N desenvolvidos, comumente chamados de

algoritmos, variam em complexidade com base nos fatores incluídos para realizar a

recomendação, conforme mencionado anteriormente. No entanto, precisam atender

18

ao requisito básico de fazer uma avaliação rápida do status de N da cultura e derivar

uma recomendação de N durante a safra com base nessa avaliação.

19

3. Referências ABRAPA: Associação Brasileira de Produtores de Algodão. Área, produção e produtividade do Brasil. Brasília. 2012. Disponível em: <http://www.abrapa.com.br/Paginas/dados/area-algodao-brasil_backup2017.aspx>. Acesso em: 03 agosto 2017. ADAMCHUK, V. I.; VISCARRA, R. A. R.; SUDDUTH, K. A.; SCHULZE, P. L. Sensor fusion for precision agriculture. In: Thomas, C., editor. Sensor Fusion-Foundation and applications. Croatia: In_tech. p. 27-40, 2011. AMARAL, L. R.; MOLIN, J. P. Sensor óptico no auxílio à recomendação de adubação nitrogenada em cana-de-açucar. Pesquisa Agropecuária Brasileira, Brasília, v. 16, n. 1, p. 1633-1642, 2011. ANSELMO, J.L.; JUNIOR, E. F.; LEONEL, T. Z.; HOLANDA, H. V. de.; MAGALHÃES, H. J. S. Sistemas de Produção da Cultura do Algodoeiro. In: ANSELMO, J. L. (Coord.). Algodão, milho safrinha e culturas de inverno 2010/2011. Chapadão do Sul: Fundação Chapadão, 2011. p. 23-32. (Pesquisa, tecnologia, produtividade). BELTRÃO, N. E. de M. Algodão brasileiro em relação ao mundo: Situação e perspectivas. In: Beltrão, N. E. de M. (ed) O agronegócio do algodão no Brasil. Brasília: Embrapa Comunicação para Transferência de Tecnologia, 1999, v.1, p.15-27. BLACKMER, T. M.; SCHEPERS, J. S; VARVEL, G. E. Light reflectance compared with other nitrogen stress measurements in corn leaves. Agronomy Journal, 86 (6): 934-938, 1994. BLACKMER, T. M.; SCHEPERS, J. S; VARVEL, G. E.; WALTER-SHEA, E. A. Nitrogen deficiency detection using reflected shortwave radiation from irrigated corn canopies. Agronomy Journal, Madison, v. 88. p. 1-5, 1996. CARVALHO, L. H. SILVA, N. M. KONDO, J. I. CHIAVEGATO E. J. ALMEIDA, W. P. CARVALHO, H. R. Comportamento de cultivares de algodoeiro em diferentes níveis de adubação nitrogenada em plantio adensado na presença de nematóides. In: CONGRESSO BRASILEIRO DO ALGODÃO, 7., 2009, Foz do Iguaçu. Sustentabilidade da cotonicultura Brasileira e Expansão dos Mercados: Anais... Campina grande: Embrapa Algodão, 2009. p. 2111-2116. CARVALHO, M.C.S.; FERREIRA, G.B. Calagem e adubação do algodoeiro no Cerrado. Campina Grande: Embrapa Algodão, 2006. 16p. (Embrapa Algodão. Circular Técnica, 92). CASSMAN, K. G.; DOBERMANN, A.; WALTERS, D. T. Agroecosystems, nitrogen-use efficiency, and nitrogen management. AMBIO 31:132-140, 2002.

CHAPELLE, E.W.; KIM, M. S.; J. E. McMURTREY, J. E. Ratio analysis of reflectance spectra (RARS). An algorithm for the remote estimation of the concentrations of

20

chlorophyll-a, chlorophyll-b, and carotenoids in soybeans leaves. Remote Sensing of Environment, 39 (3):239-247, 1992.

CLAY, D. R.; KIM, K.; CHANG, J.; CLAY, S. A.; DALSTED, K. Characterizing water and nitrogen stress in corn using remote sensing. Agronomy Journal. 98; 579-587, 2006.

CONAB - COMPANHIA NACIONAL DE ABASTECIMENTO. Acompanhamento da safra brasileira de grãos.v.12 safra 2017/18 – Décimo segundo levantamento, Brasília, p. 1.148, setembro 2018.

DASH, J.; CURRAN, P.J. The MERIS terrestrial chlorophyll index. International Journal of Remote Sensing, 25: 5403-5413. 2004.

DELLINGER, A.E., SCHMIDT, J.P., BEEGLE, D.B. Developing Nitrogen Fertilizer Recommendations for Corn Using an Active Sensor. Agronomy Journal. 100: 1546-1552, 2008

EIGENBERG, R. A.; NIENABER, J. A.; WOODBURRY, B. L; FERGUSON, R. B. Soil conductivity as measure of soil and crop status - a four year summary. Soil Science Society of America Journal. 70: 1600-1611, 2006.

FAGERIA, N. K.; BALIGAR, V. C. Enhancing nitrogen use efficiency in crop plants, Advances in Agronomy. Vol. 88. 97-185, 2005.

FERGUSON, R. B.; HERGERT, G. W.; SCHEPERS, J. S.; GOTWAY, C. A.; CAHOON, J. E. PETERSON, T. A. Site-specific nitrogen management of irrigated maize: Yield and soil residual nitrate effects. Soil Science Society of America Journal 66, 544-553, 2002. FOX, R. H; WALTHALL, C. L. Crop Monitoring Technologies to Assess Nitrogen Status. Nitrogen in Agricultural Systems. J. S. SCHEPERS, J. S.;RAUN, W. R. Madison, WI, ASA-CSSA-SSSA. 49. 2008.

FREEMAN, K.W.; GIRMA, K.; TEAL, R. K.; ARNALL, D. B.; TUBANA, B.; HOLTZ, S.; MOSALI, J.; RAUN, W. R. By-Plant Prediction of Corn Forage Biomass and Nitrogen Uptake at Various Growth Stages Using Remote Sensing and Plant Height. Agronomy Journal. 99: 530-536, 2007.

FRIDGEN, J. L.; VARCO, J. J. Dependency of cotton leaf nitrogen, chlorophyll, and reflectance on nitrogen and potassium availability. Agronomy Journal, 96, 6369, 2004.

GAUSMAN, H. W. Leaf reflectance of near-infrared, Photogrammetic Engineering & Remote Sensing, 40 (2): 183-191, 1974.

GAUSMAN, H. W. Reflectance of leaf components. Remote Sensing of Environment, 6 (1): 1-9, 1977.

21

GITELSON, A. A.; VINA, A.; ARKEBAUER, T. J.; RUNDQUIST, D. C.; KEYDAN, G.; LEAVITT, B. Remote estimation of leaf area index and green leaf biomass in maize canopies. Geophysical Research Letters. 2003. 30(5):1248 doi:10.1029/2002Gl016450.

GITELSON, A.A.; VINA, A.; CIGANDA, V.; RUNDQUIST, D. C.; ARKEBAUER, T. J. Remote estimation of canopy chlorophyll content in crops. Geophysical Research Letters. 32: 4-7. 2005.

GROHS, D. S.; BREDEMEIER, C.; MUNDSTOCK, C. M; POLETTO, N. Modelo para estimative do potencial produtivo em trigo e cevada por meio do sensor GreenSeeker. Engenharia Agrícola, Jaboticabal, v. 29, n. 1, p. 101-112, 2009.

HEEGE, H. J.; REUSCH, S. THIESSEN, E. Prospects and results for optical systems for site-specific on-the-go control of nitrogen-top-dressing in Germany. Agronomy Journal. 9:115-131, 2008.

HEINIGER, R. W.; McBRIDE, R. G.; CLAY, D. E. Using Electrical Conductivity to Improve Nitrogen Management. Agronomy Journal. 95, 508-519, 2003. HOLLAND, K. H. Sensor-based chemical management for agricultural landscapes. U.S. Patent #7,723,660. Issue May 25, 2009. HOLLAND, K. H.; SCHEPPERS, J. S. Use of a virtual reference concept to interpret active crop canopy sensor data. Precision Agriculture, v. 14, p. 71-85, 2013. HOLLAND, K. H; SCHEPERS, J. S. Derivation of a variable rate nitrogen application model for in-season fertilization of corn. Agronomy Journal. 102; 1415-1424, 2010.

HONG, N.; WHITE, J. G; WEISZ, R.; CROZIER, C. R.; GUMPERTZ, M. L.; CASSEL, D. K. Remote Sensing-Informed Variable-Rate Nitrogen Management of Wheat and Corn. Agronomy Journal. 98, 327-338, 2006.

HOOGERHEIDE, H. C..; FRANCISCO, E. Manejo de nutrientes para o algodoeiro de alta produtividade. Informações Agronômicas, nº 141, IPNI, Piracicaba, 5 p., 2013.

HURLEY, T. M.; MALZER, G. L.; KILIAN, B. Estimating site-specific nitrogen crop response functions: A conceptual framework and geostatistical model. Agronomy Journal. 96:1331-1343, 2004.

INAMASU, R. Y. SOUSA, R. V.; PORTO, A. J. V.; FORTES, C.; LUCHIARI, A.; SCHEPERS, J. S.; SHANAHAN, J. F.; FRANCIS, D. D. Acesso ao estado nutricional da cana-de-açuçar por meio de sensor ativo de reflectância. In: CONGRESSO BRASILEIRO DE AGRICULTURA DE PRECISÃO, 2., São Pedro. Anais… Piracicaba: ESALQ, 2006. 1 CD-ROM. JENSEN, J. R. Remote Sensing of environment: An earth resource perspective. Upper Saddle River. Prentice Hall. 592P. 2007.

22

KOCH, B.; KHOSLA, R., FRASIER, W. M.; WESTFALL, D. G.; INMAN, D. Economic feasibility of variable-rate nitrogen application utilizing site-specific management zones. Agronomy Journal. 96:1572-1580, 2004. KITCHEN, N. R.; SUDDUTH, K. A.; DRUMMOND, S. T. Is a nitrogen-rich reference needed for canopy sensor-based corn nitrogen applications?. In: INTERNATIONAL CONFERENCE ON PRECISION AGRICULTURE, 10., 2010, Denver. Proceedings…Monticelli: ISPA, 2010. 1 CD-ROM. LI, Y.; CHEN, D.; WALKER, C.N. & ANGUS, J.F. Estimating the nitrogen status of crops using a digital camera. Field Crops Residual., 118:221-227, 2010. MAMO, M.; MALZER, G. L.; MULLA, D. J.; HUGGINS, D. R.; STROCK, J.; Spatial and temporal variation in economically optimum nitrogen rate for corn. Agronomy Journal. 95:958-964, 2003. MEISINGER, J. J. Evaluating plant-available nitrogen in soil-crop systems. p. 391–416. In R. D. Hauck et al. (ed.) Nitrogen in crop production. ASA-CSSA-SSSA, Madison, WI. 1984. MEISINGER, J. J.; MAGDOFF, F. R.; SCHEPERS, J. S. Predicting N fertilizer needs for corn in humid regions: Underlying principles. p. 7–27. In B.R. Bock and K.R. Kelley (ed.) Predicting N fertilizer needs for corn in humid regions. Bull. Y-226. Tennessee Valley Authority, Muscle Shoals, AL. 1992. MEISINGER, J. J.; RANDALL, G. W. Estimating nitrogen budgets for soil-crop systems. p 85-124. In R.F Follett et al. (ed.) Managing nitrogen for groundwater quality and farm profitability. SSSA. Madison, WI. 1991. MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicação. 3. Ed. Voçosa: Editora UFV, 2005. 320 p. MOLIN, J. P.; FRASSON, F. R.; AMARAL, L. R.; POVH, F. P.; SALVI, J. V. Capacidade de um sensor ótico em quantificar a resposta da cana-de-açucar a doses de nitrogênio. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 14. N. 12, p. 1345-1349, 2010. MOTOMIYA, A. V. A.; MOLIN, J. P.; CHIAVEGATO, E. J. Utilização de sensor óptico ativo para detector deficiência foliar de nitrogênio em algodoeiro. Revista Brasileira de Engenharia Agrícola e Ambiental. Campina Grande, v. 13, p. 137-145, 2009. OVEJERO, R. F. L.; PEREIRA, A. T.; CHRISTOFFOLETI, P. J. Manejo de "soqueira" e "tiguera" de algodão tolerante ao glifosato através de herbicidas. IN: SENTELHAS, P. C. et al. FUNDAÇÃO MATO GROSSO: Boletim de pesquisa 2015/2016. Santa Cruz do Sul - RS. p. 252-263. Editora Gazeta. 2015. ISSN: 2446-8630.

23

PORTZ, G.; MOLIN, J. P.; JASPER, J. Active crop sensor to detect variability of nitrogen supply and biomass on sugarcane fields. Precision Agriculture, Dordrecht, v. 13, n. 1, p. 33-44, 2011. POVH, F. P.; MOLIN. J. P.; GIMENEZ, L. M.; PAULETTI, V.; MOLIN, R. SALVI, J. V. Comportamento do NDVI obtido por sensor ótico ativo em cereais. Pesquisa Agropecuária Brasileira, Brasília, v. 43, n. 8, p. 1075-1083, 2008. RAUN, W. R.; JOHNSON, G. V. Improving nitrogen use efficiency for cereal production. Agronomy Journal. 91:357-363, 1999. RAUN, W. R.; JOHNSON, G. V.; STONE, M. L.; SOLIE, J. B.; LUKINA, E. V.; THOMASON, W. E.; SCHEPERS, J. S. In-season prediction of potencial grain yield in winter wheat using canopy reflectance. Agronomy Journal. 93:131-128, 2001. RAUN, W.R.; SOLIE, J. B; JOHNSON, G. V.; STONE, M. L.; MULLEN, R. W. FREEMAN, K. W.; THOMASON, W. E.; LUKINA E. V... Improving nitrogen use efficiency in cereal grain production with optical sensing and variable rate application. Agronomy Journal. 94:815–820. 2002. doi:10.2134/agronj2002.8150

READ, J.J.; WHALEY, E.L.; TARPLEY, L.; REDDY, R. Evaluation of a hand-held radiometer for field determination of nitrogen status in cotton. American Society of Agronomy Special Publication Number 66. p. 177-195, 2003.

REDDY, K. R.; KOTI, S.; DAVIDONIS, G. H.; REDDY, V. R. Interactive effects of carbon dioxide and nitrogen nutrition on cotton growth, development, yield, and fiber quality. Agronomy Journal, v. 96, p. 1148-1157, 2004.

ROBERTS, D.F. An Integrated Crop- and Soil-Based Strategy for Variable-Rate Nitrogen Management in Corn. PhD Dissertation, University of Nebraska, Lincoln, 2009.

ROBERTS, D.F.; KITCHEN, N.R.; SCHARF, P.C.; SUDDUTH, K.A. Will Variable-Rate Nitrogen Fertilization Using Corn Canopy Reflectance Sensing Deliver Environmental Benefits? Agronomy Journal. 102: 85-90, 2010.

ROUSE, J. W.; HASS, R.W.; SCHELL, J. A.; DEERING, D. W.; HARLAN, J.C. Monitoring the vernal advancement of retrogradation of natural vegetation. Greenbelt, Md.: NASA Goddard Space Flight Center, 1974.

RUNNING, S. W.; JUSTICE, C. O.; SOLOMONSON, V.; HALL, D.; BARKER, J.; KAUFMANN, Y. J.; STRAHLER, A. H.; HUETE, A. R.; MULLER, J. P.; VANDERBILT, V.; WAN, Z. M.; TIELETT, P.; CARNEGGIE, D. Terrestrial remote sensing science and algorithms planned for EOS/MODIS. International Journal of Remote Sensing. 15:3587 -3620. 1994.

SCHARF, P. C.; KITCHEN, N. R.; SUDDUTH, K. A, DAVIS, J. G.; HUBBARD, V. C.; LORY, J. A. Field-scale variability in optimal nitrogen fertilizer rate for corn. Agronomy Journal. 97:452-461, 2005.

24

SCHEPERS, J. S.; FRANCIS, D. D.; VIGIL, M. F.; BELOW, F. E. Comparisons of corn leaf nitrogen concentration and chlorophyll meter readings. Community Soil Science Plant Anal. 23:2173-2187, 1992.

SCHEPERS, J. S.; RAUN, W. R. Nitrogen in agricultural systems. ASA, CSSA, e SSSA, Madison, WI, 2008.

SHAHANDEH, H.; WRIGHT, A. L.; HONS, F. M.; LASCANO, R. J. Spatial and temporal variation of soil nitrogen parameters related to soil texture and corn yield. Agronomy Journal. 97:772-782, 2005.

SHANAHAN, J. F.; KITCHEN, N. R.; RAUN, W. R.; SCHEPERS, J. S. Responsive in-season nitrogen management for cereals. Computers and Electronics in Agriculture 61(1): 51-62, 2008.

SHIRATSUCHI, L. S. Intregration of plant-based canopy sensors for site-specific nitrogen management. PhD Dissertation, University of Nebraska, Lincoln. 222p. 2011.

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

SHIRATSUCHI, L. S.; VALE, W. G.; MALACARNE, T. J.; SCHUCK, C. M. SILVA, R. G.; JUNIOR, O. L. O. Algoritmos para aplicações de doses variáveis de nitrogênio em tempo real para produção de milho safra e safrinha no Cerrado. In: BERNARDI, A. C. C.; NAIME, J. M.; RESENDE, A. V.; BASSOI, L. H.; INAMASU, R. Y. Agricultura de Precisão: um novo olhar: Brasília, DF: Embrapa, 2014. P. 226 -232.

SILVA, N. M. da. Nutrição mineral e adubação do algodoeiro no Brasil. In: CIA, E.; FREIRE, E. C.; SANTOS, W. J. dos. Cultura do algodoeiro. Piracicaba: 1999. p.57-92.

SINGH, I.; SRIVASTAVA, I.A.; CHANDNA, P. & GUPTA, R. Crop sensors for efficient nitrogen management in sugarcane: Potential and constraints. Sugar Technol., 8:299-302, 2006.

SLATON, M.R.; HUNT, E. R; SMITH, W. K. Estimating near-infrared leaf reflectance from leaf structural characteristics. American Journal of Botany, 88 (2):278-284, 2001.

SOLARI, F. Developing a crop based strategy for on the go N management in irrigated cornfields. Graduate College at the University of Nebraska, Lincoln. Thesis (PhD), 157 p. 2006.

25

SOLARI, F.; SHANAHAN, J.F.; FERGUSON, R.B.; ADAMCHUK, V. I. An Active Sensor Algorithm for Corn Nitrogen Recommendations Based on a Chlorophyll Meter Algorithm. Agronomy Journal, 102, 1090-1098, 2010.

SOLARI, F.; SHANAHAN, J.F.; FERGUSON, R.B.; SCHEPERS, J.S.; GITELSON, A. Active sensor reflectance measurements of corn nitrogen status and yield potential. Agronomy Journal. 100(3):571-579, 2008.

STANFORD, G.; LEGG, J. O. Nitrogen and yield potential. In: R.D. Hauck (ed) Nitrogen in crop production. ASA, CSSA, and SSSA, Madison, WI. p 263-272. 1984.

TAKIZAWA, E. K.; GUERRA, J. Tecnologia de manejo do algodão no Cerrados. In: SEMINÁRIO ESTADUAL DO ALGODÃO, 4.; ENCONTRO ALGODÃO MATO GROSSO 2000, 1., 1998, Cuiabá. Anais... Rondonópolis: Fundação MT, 1998. p. 61-66.

TARPLEY, L.; REDDY, K. R.; SASSENRATH-COLE, G. F. Reflectance indices with precision and acurracy in prediction cotton leaf nitrogen concentration. Crop Science, Madison, v. 1. n. 40, p. 1814-1819, 2000.

TEAL, R. K.; TUBANA, B.; GIRMA, K.; FREEMAN, K. W.; ARNALL, D. B.; WALSH, O.; RAUN, W. R. In-Season Prediction of Corn Grain Yield Potential Using Normalized Difference Vegetation Index. Agronomy Journal. 98: 1488-1494, 2006.

THOMPSON, W. R. Fertilization of cotton for yields and quality. In: CIA, E.; FREIRE, E. C.; SANTOS, W. J. dos (Ed). Cultura do algodoeiro. Piracicaba: POTAFOS, 1999. p. 93-99.

TUBANA, B.S.; ARNALL D. B.; WALSH, O.; CHUNG, B.; SOLIE, J. B.; GIRMA, K.; RAUN, W. R. Adjusting Midseason Nitrogen Rate Using a Sensor-Based Optimization Algorithm to Increase Use Efficiency in Corn. Journal of Plant Nutrition 31: 1393-1419, 2008.

VARVEL, G.E.; WILHELM, W.W.; SHANAHAN, J.F.; SCHEPERS, J.S. An Algorithm for Corn Nitrogen Recommendations Using a Chlorophyll Meter Based Sufficiency Index. Agronomy Journal,99, 701-706, 2007.

VIDAL, I.; LONGERI, L.; HÉTIER, J. M. Nitrogen uptake and chlorophyll meter measurements in spring wheat. Nutrient cycling in agroecosystems, 55(1), 1-6. 1999.

WENDEL, J. F.; BRUBAKER, C. L.; SEELANAN, T. The origin and evolution of Gossypium. In: Physiology of Cotton, edited by James McD. Stewart, Derrick M. Oosterhuis, James J. Heitholt and Jackson R. Mauney, Springer, 2010. pp. 1-18.

ZANCANARO, L.; KAPPES. C.; Sistemas de cultivo do algodoeiro. IN: BELOT, J. L. (2º Ed.) Manual de boas práticas de manejo do algodoeiro em Mato Grosso: Safra 2014/15. IMAmt - Instituto Mato-grossense do Algodão. Cuiabá-MT. 2015. 3: p. 46-83.

26

ZHAO, D.; REDDY, K.R.; KAKANI, V.G.; READ, J.J.; KOTI, S. Canopy reflectance in cotton for growth assessment and lint yield prediction. European Journal of Agronomy, 26, 335344, 2007.

ZHAO, D.; REDDY, K.R.; KAKANI, V.G.; READ, J.J.; KOTI, S. Selection of optimum reflectance ratios for estimating leaf nitrogen and chlorophyll concentrations of field grown cotton. Agronomy Journal, 97, 8998, 2005.

27

CAPÍTULO 2. Considerações específicas

SENSOR ATIVO DE DOSSEL NA GESTÃO DA ADUBAÇÃO NITROGENADA EM ALGODOEIRO NO ESTADO DE MATO GROSSO

RESUMO - Sensores ativos de dossel possibilitam aplicação de nitrogênio (N) em taxa variável utilizando a cultura como bioindicador de vigor e status de N. Metodologias práticas baseadas em sensores ativos de dossel para determinação da demanda de adubação nitrogenada em sistemas de produção de algodão no Mato Grosso são essenciais. Este trabalho teve por objetivo investigar o potencial de dois índices de vegetação em identificar a variabilidade do requerimento de N para algodoeiro e desenvolver curvas de recomendação de N em taxa variável para áreas comerciais e parcelas experimentais, utilizando a metodologia de suficiência de N baseada em referência virtual. O experimento foi conduzido em faixas com diferentes doses de N (0, 45, 90 e 180 kg ha-1) durante as safras 2014, 2015, 2016 e 2017 em produtores parceiros e área experimental da Embrapa em Sinop – MT, no qual foram realizadas leituras semanais durante o decurso da cultura. Observou-se que o índice de vegetação de clorofila baseado na banda Red Edge (CIRE) apresenta-se mais responsivo para diferenciar doses de N para algodoeiro, sendo utilizado para a geração das formulações propostas. Foram desenvolvidas duas curvas de recomendação de N, sendo uma para produção comercial (R² = 0,97) e outra para área experimental (R² = 0,94). A curva gerada em parcelas experimentais superestimou a dose quando aplicada em lavouras comerciais. O presente trabalho utiliza uma abordagem de fácil adoção prática, que permite o produtor desenvolver sua própria curva de recomendação de N para suas condições específicas, considerando a variabilidade espacial de sua propriedade. Palavras-chave: agricultura de precisão, índice de vegetação, sensoriamento remoto proximal

28

ACTIVE CANOPY SENSOR ON THE MANAGEMENT OF NITROGEN FERTILIZATION IN COTTON IN STATE OF MATO GROSSO

ABSTRACT - Active canopy sensors make possible the application of nitrogen

(N) in variable rate using the crop as a bioindicator of vigor and status of N. Practical

methodologies based on active canopy sensors to determine nitrogen fertilizer

demand in cotton production systems in Mato Grosso are essential. The objective

of this study was to investigate the potential of two vegetation indices in identifying

the variability of N requirement for cotton and to develop N recommendation curves

of variable rate application for commercial areas and experimental plots, using the

N sufficiency methodology based on virtual reference. The experiment was

conducted in field strips with different N rates (0, 45, 90 and 180 kg ha-1) during the

2014, 2015, 2016 and 2017 seasons in partner producers and experimental area

of Embrapa in Sinop – MT, in which weekly readings were taken during the growth

of the culture. It was observed that the chlorophyll vegetation index based on the

Red Edge band (CIRE) is more responsive to differentiate N rates for cotton, being

used to generate the proposed formulations. Two N recommendation curves were

developed, one for commercial production (R² = 0.97) and the other for

experimental area (R² = 0.94). The curve developed in experimental plots

overestimated the N rate when applied in commercial areas. This work uses an

approach of easy practical adoption, which allows the producer to develop his own

N response curves for his specific condition considering the spatial variability of his

farm.

keywords: precision agriculture, vegetation index, proximal remote sensing

29

1. Introdução

A gestão da adubação nitrogenada é um desafio para as diferentes culturas

agrícolas, por se tratar de um elemento com dinâmica complexa no solo, sujeito a

diversos mecanismos de perdas (desnitrificação, volatilização, escoamento

superficial, lixiviação, etc.) e potencial causador de impactos ambientais. Tal

comportamento faz com que a eficiência do uso de nitrogênio (EUN), para a maioria

das culturas, seja inferior a 60% (CANTARELLA, 2007). As práticas atuais de

gerenciamento de nitrogênio para sistemas de produção de algodão geralmente

incluem quantidades significativas de N aplicadas em taxas uniformes, onde na

maioria das vezes, são aplicadas em estádios fenológicos antecipados em prol de um

maior rendimento operacional, contribuindo para uma menor EUN pela planta.

A adubação nitrogenada no algodoeiro deve ser realizada de forma criteriosa,

sendo responsável pelo desenvolvimento adequado e a eficiência produtiva da

cultura, e, consequentemente, relacionado ao potencial econômico do processo. Os

custos com fertilizantes correspondem a cerca de 22% do custo total de produção de

algodão (ANSELMO et al., 2011).

Técnicas de agricultura de precisão tem sido tem sido exploradas visando

aumentar a eficiência do uso de insumos em sistemas agrícolas, levando em

consideração o gerenciamento localizado a partir do uso de sensores que registram

informações da cultura em alta resolução espacial, permitindo assim, a detecção de

zonas dentro do talhão. Dentre elas, técnicas que utilizam sensoriamento remoto

baseadas na resposta espectral dada por sensores ativos de dossel (SAD) têm

conseguido resultados promissores na avaliação do estado nutricional de culturas,

devido a facilidade de correlação com alguns nutrientes, especialmente o nitrogênio

(ZHAO et al., 2005, CLAY et al., 2006; HONG et al., 2006, SINGH et al., 2006;

SHANAHAN et al., 2008, LI et al., 2010).

A premissa do uso desses sensores é fundamentada no fato de que

propriedades espectrais (reflectância e transmitância) do dossel da cultura são

afetadas pela disponibilidade de N, pois este elemento apresenta efeito direto no

desenvolvimento da cultura e no acúmulo de clorofila das folhas (BLACKMER et al.,

1996, TARPLEY et al., 2000).

30

A vantagem da utilização destes sensores deve-se à possibilidade de serem

embarcados a máquinas agrícolas capazes de realizar aplicação de N em taxas

variáveis e em tempo real, considerando a variabilidade espacial e temporal do

requerimento de N, evitando perdas e consequentemente, aumentando a lucratividade

(RESENDE et al., 2014).

Nos últimos anos, vários pesquisadores têm se dedicado ao estudo de bandas

e índices de vegetação (IVs) com alta sensibilidade para estimar o conteúdo de N nas

culturas, visando a geração de formulações para o gerenciamento da aplicação de N

em taxas variáveis. Os resultados demonstraram que o IV por diferença normalizada

(NDVI) apresenta limitação de saturação das leituras quando o índice de área foliar

(IAF) ultrapassa certo limite (ao redor de 2) (GITELSON et al. 1996a). Observa-se que

a banda do vermelho não é responsiva em altos valores de IAF em contraste com uma

alta resposta do infravermelho próximo, ocasionando insensibilidade do NDVI para

mudanças de teores de clorofila ou doses de N. Em estudos, Zarco-Tejada et al.,

(2005) e Gutierrez et al., (2012) constataram saturação do NDVI em altos valores de

biomassa e IAF no algodoeiro, indicando uma necessidade de IVs mais robustos para

a determinação do vigor e status de N na cultura.

Geralmente estes sensores têm sido utilizados comercialmente no Brasil com

algoritmos desenvolvidos em outros países como EUA e Europa, sendo necessário o

desenvolvimento e/ou calibração dessas formulações para as condições de cultivo do

algodoeiro no Cerrado brasileiro. A maioria das curvas de resposta de culturas ao N

ajustadas para o Brasil utilizam procedimentos de calibração laboratoriais que

demandam muito esforço ou são baseados em abordagens locais pouco

representativas, além de serem sensíveis às condições da cultura (variedade e

fenologia) que foram calibrados. Vários fatores podem afetar o vigor e a demanda de

N, como propriedades do sensor, diferenças genéticas entre cultivares, diferentes

estágios fenológicos, condições climáticas, adubações de base e práticas culturais

(SCHRODER et al., 2000; TREMBLAY, 2004), sendo necessário o estudo de

metodologias práticas que amenizem esses efeitos.

No Brasil, existe uma grande carência de metodologias práticas baseadas em

SAD para direcionar a aplicação de N em taxas variáveis em sistemas de produção

de algodão.

31

Baseado neste contexto, o presente trabalho apresentou os seguintes objetivos:

(i) investigar o potencial de dois índices de vegetação em identificar a variabilidade do

requerimento de N; (ii) utilizar e orientar o uso de uma abordagem de gestão da

adubação nitrogenada de cobertura em taxa variável utilizando sensor ativo de dossel;

(iii) desenvolver curvas de recomendação de N em taxa varável para algodoeiro; e (iv)

avaliar o desempenho da equação de recomendação de N gerada em parcelas

experimentais quando aplicada em dados coletados em áreas comerciais.

32

2. Material e Métodos

O experimento foi conduzido na safra 2014 em talhões comerciais de

produtores parceiros na região de Lucas do Rio Verde, Sinop, Campo Verde e

Sapezal, e nas safras 2015, 2016 e 2017 em área experimental da Embrapa

Agrossilvipastoril localizada no município de Sinop - MT (longitude 55º 35' 42" W e

latitude 11º 52' 30" S, WGG84).

2.1. Áreas de produtores

Na safra 2014, foram selecionados produtores que fossem representativos do

sistema de produção de algodão sequeiro no Mato Grosso para a implantação do

experimento. Nestas áreas adota-se sistema de plantio direto em sucessão,

utilizando-se a cultura da soja na primeira safra em sucessão com a cultura do algodão

na segunda safra.

De modo geral, o solo é classificado como Latossolo Vermelho-Amarelo

Distrófico, de textura predominante argilosa (SANTOS et al., 2013).

O clima das regiões, segundo a classificação de Köppen-Geiger, é do tipo Aw,

clima tropical, com estação chuvosa no verão e seca no inverno. Os dados diários de

precipitação e temperaturas máxima e mínima durante o período de condução dos

experimentos foram cedidos pela empresa Somar Meteorologia (Figura 1, Figura 2,

Figura 3 e Figura 4). A precipitação acumulada durante o período de desenvolvimento

do algodoeiro para os municípios Sapezal, Sinop, Lucas do Rio Verde e Campo Verde

foram 821,8 mm, 750,8 mm, 552,4 mm e 532,3 mm, respectivamente.

O experimento foi conduzido em sistema on farm research, onde cada parcela

constituiu-se de faixas longas com o comprimento do talhão pela largura da faixa do

aplicador de fertilizante da fazenda. Em todos produtores, a semeadura do algodoeiro

nas áreas de estudo ocorreu entre o período de 15 janeiro a 20 de fevereiro de 2014,

utilizando-se a variedade FM 975 WS em espaçamento 0,75 m, com adubação de

base de 500 kg ha-1 da fórmula 08-20-20. Foi realizada adubação potássica (140 kg

ha-1) em cobertura de maneira uniforme, parceladas em duas aplicações, utilizando

como fonte cloreto de potássio.

33

Figura 1. Condições climáticas durante o cultivo do algodoeiro em Lucas do Rio Verde na safra 2014.

Figura 2. Condições climáticas durante o cultivo do algodoeiro em Sinop na safra de 2014.

Semeadura

Colheita

Semeadura

Colheita

34

Figura 3. Condições climáticas durante o cultivo do algodoeiro em Campo Verde na safra 2014.

Figura 4. Condições climáticas durante o cultivo do algodoeiro em Sapezal na safra 2014.

Semeadura

Colheita

Semeadura

Colheita

35

Os tratamentos consistiram em quatro doses de N (0, 45, 90 e 180 kg ha-1)

replicadas 3 vezes e casualizadas em transecto, sendo aplicadas em cobertura e

parceladas em duas aplicações, entre 30 e 45 após a emergência das plantas (DAE),

utilizando como fonte o fertilizante ureia.

2.2. Área experimental da Embrapa

Nas safras 2015, 2016 e 2017, o experimento foi conduzido em área

experimental da Embrapa Agrossilvipastoril localizada no município de Sinop - MT

(longitude 55º 35' 42" W e latitude 11º 52' 30" S, WGS84), altitude média de 368 m,

sendo implantado em área com histórico de sucessão soja-milho nos últimos dois

anos anteriores a implantação do experimento.

O solo é classificado como Latossolo Vermelho-Amarelo Distrófico de textura

predominante argilosa (SANTOS et al., 2013). Realizou-se amostragem do solo na

área experimental para a determinação da fertilidade do solo (Tabela 1).

Tabela 1. Atributos químicos da área experimental da Embrapa Agrossilvipastoril.

Prof. pH P K Ca Mg SB CTC V% MOS

m ----mgdm-3---- ---------cmolc dm-3---------- % g kg-1

0,0–0,2 5,3 21,4 91,9 2,2 1,4 3,8 7,4 50,9 22,3 pH - CaCl2 0,01 M 2,5: 1 de solo; P e K - Mehlich 1; Ca e Mg - KCl 1M; MOS - Na2Cr2O7.2H2O + H2SO4

O clima da região, segundo a classificação de Köppen-Geiger, é do tipo Aw,

clima tropical, com estação chuvosa no verão e seca no inverno. Apresenta

temperatura e precipitação média anual de 24 ºC e 2000 mm ano-1, respectivamente.

Os dados diários de precipitação e temperaturas máxima e mínima durante o período

do experimento (Figura 5, Figura 6 e Figura 7), foram obtidos a partir de uma estação

meteorológica automática localizada no campo experimental da Embrapa

Agrossilvipastoril (11º 51' 42.6" S e 55º 36' 45.1" W). A precipitação acumulada

durante o período de desenvolvimento do algodoeiro para as safras 2015, 2016 e 2017

foram 1112,5 mm, 546,3 mm e 597,7 mm, respectivamente. As safras 2016 e 2017

apresentaram baixos volumes hídricos somados a longos períodos de estiagem

36

durante o estádio de frutificação e enchimento das maças, resultando em baixo

potencial produtivo para as safras.

O experimento foi conduzido em parcelas experimentais, onde cada parcela

constitui-se de faixas longas com seis fileiras de plantas, espaçadas a 0,90 m, com 60

m de comprimento (324 m2).

A semeadura foi realizada em 14 de janeiro de 2015, 20 de fevereiro de 2016 e

17 de fevereiro de 2017, utilizando-se as variedades BRS369RF, IMA 5675 BG2RF e

FM 940 GLT, respectivamente, em espaçamento de 0,9 m com adubação de base de

450 kg ha-1 da fórmula 08-20-20 em 2015, e 350 kg ha-1 da fórmula 04-30-16 para os

demais anos. Foi realizada adubação potássica (140 kg ha-1) em cobertura de maneira

uniforme, parceladas em duas aplicações, aos 30 e 45 DAE, utilizando como fonte

cloreto de potássio.

Figura 5. Condições climáticas durante o cultivo do algodoeiro em área experimental da Embrapa Agrossilvipastoril na safra 2015.

Semeadura

Colheita

37

Figura 6. Condições climáticas durante o cultivo do algodoeiro em área experimental da Embrapa Agrossilvipastoril na safra 2016.

Figura 7. Condições climáticas durante o cultivo do algodoeiro em área experimental da Embrapa Agrossilvipastoril na safra 2017.

Semeadura

Colheita

Semeadura

Colheita

38

Os tratamentos consistiram em quatro doses de N (0, 45, 90, 180 kg ha-1) e

quatro repetições casualizadas em transecto, totalizando 16 parcelas, sendo

aplicadas em cobertura e parceladas em duas aplicações, entre 30 e 45 DAE,

utilizando como fonte o fertilizante ureia. Os tratos fitossanitários durante o decurso

da cultura foram realizados conforme descrito por EMBRAPA (2001), de maneira

uniforme em todos os tratamentos para garantir o bom desenvolvimento das plantas.

2.3. Sensor ativo de dossel

Para a avaliação da reflectância do dossel utilizou-se o sensor CropCircle,

modelo ACS-430 (Holland Scientific, Lincoln, NE, EUA), o qual possui fonte de luz

própria, modulada, com frequência de emissão de 40.000 Hz, emitida a partir de um

único LED (light emitting diode). A reflectância do alvo é captada por três

fotodetectores, sendo um na região do espectro eletromagnético na banda do

vermelho (RED, 670 nm), um na região de transição entre a banda do vermelho e a

banda do infravermelho próximo (Red edge, 730 nm), e um na região da banda do

infravermelho próximo (NIR, 780 nm). O campo de visão é de 32 por 6 graus com

altura de trabalho recomendada entre 0,25 e 2,0 m em relação ao alvo,

correspondendo a uma faixa sensoriada de 0,5 e 1 m, respectivamente.

2.4. Índices de vegetação

Neste trabalho foram investigados o potencial de dois IVs em identificar a

variabilidade do requerimento de N para o algodoeiro: (i) índice de vegetação por

diferença normalizada (NDVI) (Eq. 2) desenvolvido por ROUSE et al., (1974), descrito

matematicamente como:

𝑁𝐷𝑉𝐼 = ρ𝑁𝐼𝑅−ρ𝑅𝐸𝐷

ρ𝑁𝐼𝑅+ρ𝑅𝐸𝐷 Eq. 2

onde, NDVI é o índice de vegetação por diferença normalizada (-1 ≤ NDVI ≤ 1), NIR é

a reflectância na banda do infravermelho próximo (780 nm) e RED é a reflectânica na

banda do vermelho (670 nm) e o (ii) índice de vegetação de clorofila usando a banda

39

Red Edge (CIRE) (Eq. 3) desenvolvido por Gitelson et al. (2003, 2005), descrito

matematicamente como:

𝐶𝐼𝑅𝐸 = [ρ𝑁𝐼𝑅

ρ𝑅𝑒𝑑𝐸𝑑𝑔𝑒− 1] Eq. 3

onde, CIRE é o índice de vegetação de clorofila usando a banda Red Edge (0 ≤ CIRE

≤ 2), NIR é a reflectância na banda do infravermelho próximo (780 nm) e Red Edge é

a reflectância na região de transição entre a banda do vermelho e a banda do

infravermelho próximo (730 nm). Os critérios de escolha dos IVs selecionados foram

guiados pelos estudos pioneiros de GITELSON et al. (1996b) mostrando as vantagens

do uso da banda red edge para uso em IVs. Atualmente, o NDVI é um dos IVs mais

empregados mundialmente para monitorar, analisar e mapear características

fisiológicas e biofísicas de culturas, porém vários autores têm relatado limitação no

uso do NDVI devido a saturação das leituras quando o IAF da cultura ultrapassa certo

limite (GITELSON, 2004).

2.5. Metodologias de recomendação de N

As curvas de recomendação de N desenvolvidas neste trabalho para talhões de

produtores e área experimental da Embrapa utilizam a metodologia desenvolvida e

validada por Schepers et al., (1992), chamada de índice de suficiência (IS).

Esta metodologia normaliza o índice de vegetação (IV) sensoriado por um IV

médio derivado de uma parcela de referência dentro do talhão (faixa rica em N) que é

considerada não limitante em termos de N. Define-se como parcela de referência ou

faixa rica em N um determinado local do talhão, onde recebeu toda quantidade de N

demandada pela cultura para seu pleno desenvolvimento, considerando este local

como condição de suficiência em N pela cultura.

Muitos estudos tem relatado que o IS é melhor que o valor de leitura absoluto

para avaliar o status de N em culturas, pois este conceito integra na leitura do sensor

os efeitos do clima, solo, híbridos, estrutura do dossel (estádios de desenvolvimento

40

e arquitetura da folha) e diferentes tipos culturas (PETERSON et al., 1993, HUSSAIN

et al., 2000, DEBAEKE et al., 2006, HOLLAND e SCHEPERS, 2010, ZHU et al. 2011).

O processo de normalização consiste na divisão das leituras do sensor pela

média das leituras na faixa rica em N, resultando em um quociente chamado de IS

(Eq. 1), sendo descrito matematicamente como:

IS =IV𝑠𝑒𝑛𝑠𝑜𝑟𝑖𝑎𝑑𝑜

IV𝑟𝑒𝑓𝑒𝑟ê𝑛𝑐𝑖𝑎 Eq. 1

onde, IS é o índice de suficiência (0 ≤ IS ≤ 1), IVsensoriado é o índice de vegetação

sensoriado em tempo real, e IVreferência é o índice de vegetação da faixa rica em N ou

área do talhão onde não há limitação de N.

Para a inferência da faixa rica em N utilizou-se a abordagem de referência virtual

desenvolvida por Holland e Schepers (2013), este conceito parte do pressuposto que

num histograma que freqüência de leituras de sensores em uma população de plantas

que não receberam aporte de N, o valor que representa o percentil 95 (valor

correspondente a 95% da frequência acumulada) é um valor de IV equivalente ao de

uma faixa rica montada à campo.

Os autores apontam que a abordagem de referência virtual se mostra mais

facilitada, em termos de adoção prática, pois dispensa a implantação de faixa rica em

N, onde na maioria das vezes, dependendo do local onde foi montada a faixa rica em

N não necessariamente será o local que maximiza a absorção de N pela cultura.

Esta abordagem tem a possibilidade de ser aplicada de duas maneiras

diferentes. A primeira, baseada em mapeamento prévio da variabilidade espacial do

talhão dada por sensores embarcados em autopropelidos ou motos, chamada de

"drive-first", onde posteriormente a coleta das informações será extraído o IV de

referência (valor percentil 95) através do histograma gerado. A outra, chamada de

"drive-and-apply", onde o sensor é embarcado em maquinário capaz de realizar

aplicação em taxa variável em tempo real, gerando e atualizando o histograma

continuamente a partir de leituras coletadas em tempo real enquanto a máquina se

desloca ao longo do talhão.

Em ambas as áreas de experimentais (produtores e área experimental da

Embrapa), os dados foram coletados em sistema "drive-first", sendo utilizado 50% das

41

leituras sensoriadas para a geração das curvas de recomendação de N e as outras

50% utilizou-se para o processo de validação da equação.

2.6. Avaliações

Foi considerado como área útil para as avaliações as duas fileiras centrais das

faixas, descartando-se como bordadura as demais fileiras laterais. As leituras de

reflectância foram realizadas semanalmente, iniciando aos 15 DAE em estádio

fenológico V2. O sensor foi operado de forma manual, sendo realizado o

caminhamento no sentido do plantio, em velocidade (0,75 m s-1) e altura (0,6 m do

dossel) constante, registrando os dados na frequência de 1 Hz.

Dados de produtividade foram obtidos por meio de colheita manual do algodão

em caroço, considerando como área útil 3 m lineares das duas fileiras centrais.

2.7. Análise estatística

Os dados foram submetidos a análise estatística descritiva e análise de

variância, ajustando-se modelos de regressão polinomial para as variáveis de efeito

significativo ao nível de 0,05 de probabilidade. Os procedimentos estatísticos foram

realizados utilizando-se o software R, versão 3.3.2 (R DEVELOPMENT CORE TEAM,

2011).

42

3. Resultados e Discussão

3.1. Índices de vegetação

As leituras médias de CIRE e NDVI coletadas semanalmente durante os quatro

anos de experimento (2014, 2015, 2016 e 2017) foram compiladas para avaliar o

comportamento dos IVs ao longo do crescimento do algodoeiro (Figura 8). Obteve-se

um aumento significativo dos valores após a primeira e segunda cobertura de N (entre

35 e 45 DAE), indicando absorção e metabolização de N pelas plantas, exceto para o

NDVI após a segunda cobertura que apresentou uma estabilização dos valores,

atingindo um ponto de saturação aos 52 DAE, no início do estádio de florescimento,

tornando-se insensível para diferenciar doses de N após essa data. Gutierrez et al.,

(2012) em estudo comparativo entre diferentes IVs obteve a saturação do NDVI em

altos valores de biomassa e IAF em estádio de florescimento da cultura. Segundo

Moreira (2001), o NDVI aumenta linearmente com o aumento do IAF e então assume

uma forma assintótica, a partir de onde o NDVI aumenta pouco com o incremento de

IAF.

Figura 8. Leituras médias de NDVI e CIRE coletadas semanalmente durante os quatro

anos de experimento (2014, 2015, 2016 e 2017).

43

Na Figura 9 são apresentados todos os dados sensoriados durante os quatro

anos de experimento organizados em ordem crescente, demostrando que ocorreu a

saturação assintótica do NDVI a partir do valor 0,8, corroborando com resultados

obtidos por Zarco-Tejada et al., (2005) e Gutierrez et al., (2012) para algodão cultivado

nos EUA e Gitelson (2004) para a cultura da soja, milho e trigo. Isso explica-se devido

a relação não-linear do NDVI com características biofísicas como IAF e biomassa,

saturando assintoticamente em condições de biomassa moderada a alta (IAF superior

a 2) (GITELSON et al., 1996a, MYNENI et al., 1997). O NDVI é composto pela

reflectância da região do vermelho (ρRED) e do infravermelho próximo (ρNIR) do

espectro eletromagnético, assim observa-se que a reflectância na região do vermelho

(ρRED) não é responsiva quando o IAF excede 2, enquanto que a reflectância do

infravermelho próximo (ρNIR) continua a responder significativamente às mudanças

na densidade de vegetação, de moderada a alta nas culturas (IAF de 2 a 6). No

entanto, essa maior sensibilidade do ρNIR tem pouco efeito sobre os valores de NDVI

uma vez que o ρNIR excede 30%, ocasionando insensibilidade do NDVI para

mudanças de teores de clorofila ou doses de N.

Figura 9. Saturação do NDVI ilustrada em leituras coletadas com sensor ativo de dossel durante os quatro anos de experimento (2014, 2015, 2016 e 2017).

O índice de vegetação de clorofila baseado na banda Red Edge (CIRE)

apresentou-se responsivo para diferenciar teores de clorofila ou doses de N ao longo

do desenvolvimento da cultura, pois não apresenta saturação das leituras em estádios

44

fenológicos avançados, que apresentam condições de alto IAF ou biomassa, sendo o

mais indicado para a avaliar o estado nutricional de N no algodão. Por essa razão, as

formulações propostas neste trabalho foram baseadas em índice de vegetação CIRE.

Em ambas as áreas experimentais, as curvas foram geradas considerando as

leituras do sensor coletadas em estádios fenológicos avançados para assegurar o

efeito das doses de N. Calculou-se o desvio padrão semanal dos valores de CIRE a

partir dos 38 DAE (Figura 10), observando-se um incremento significativo do desvios

após a primeira e segunda cobertura de N (entre 35 e 45 DAE), sendo utilizadas para

a geração das curvas as leituras que apresentaram os maiores desvios padrão, 107

DAE para produtores (Figura 10A) e 93 DAE para área experimental da Embrapa

(Figura 10B), considerando que o N aplicado foi absorvido e metabolizado pela

cultura.

Figura 10. Desvio padrão do CIRE durante o desenvolvimento do algodoeiro em áreas

de produtores em 2014 (A) e área experimental da Embrapa em 2015, 2016 e 2017

(B).

B

B

A

B

45

3.2. Curva de recomendação de N para produtores

Para a geração da curva de recomendação de N em talhões comerciais em

2014 foram utilizadas leituras coletadas com o sensor sobre diferentes condições de

manejo, altura de plantas, ataque de doenças, pressão de pragas, tipos de solo,

procurando o máximo de variabilidade de leituras em condições reais de produção de

algodão.

A partir do histograma de distribuição de frequência (Figura 11) gerado com os

valores de CIRE coletados em sistema "drive-first", extraiu-se o valor de 0,89

correspondente a 95% da frequência acumulada, sendo determinado via interpolação

linear.

Figura 11. Distribuição de frequência e frequência acumulada do índice de vegetação de clorofila usando a banda Red Edge (CIRE) sensoriado em lavouras comerciais de produtores parceiros em 2014.

O conceito de referência virtual foi proposto para contornar a necessidade de

produtores estabelecerem faixas ricas em N em seus talhões, tornando-se esta

abordagem mais facilitada em termos de adoção prática à campo. No entanto,

limitações e precauções associadas ao uso da detecção remota também se aplicam

à abordagem de referência virtual para interpretação dos dados, pois culturas que

crescem sob condições de estresse inerente do ambiente ou hídrico apresentam

efeitos sobre a reflectância do dossel, não refletindo o real status de N da cultura.

Além disso, a referência virtual de uma área onde outros fatores não estão

satisfatórios como por exemplo, falta de outros nutrientes, infestação de plantas

46

daninhas, fitotoxidez de defensivos, o valor correspondente à não deficiência de N

pode ser mascarada e dosagens podem ser superestimadas.

O valor de referência virtual extraído do histograma foi utilizado para a

normalização das leituras sensoriadas, assim transformando os valores em IS, agora

tratado como índice de suficiência de nitrogênio (ISN). Por exemplo: um valor

sensoriado de CIRE de 0,85 dividido por 0,89 (referência virtual) resulta num ISN de

0,95.

Para a parametrização da curva de recomendação de N foi utilizada a dose

que obteve o maior potencial produtivo média do algodão em produtores em 2014. A

Figura 12 mostra a correlação entre doses de N e produtividade para as diferentes

regiões de produtores. Os produtores localizados nos municípios de Lucas do Rio

Verde e Campo Verde apresentaram baixo potencial produtivo, isso explica-se devido

a semeadura tardia da cultura obtendo baixo volume hídrico a partir dos 60 após a

semeadura (Figura 1 e Figura 3), coincidindo com o período de frutificação e

enchimento das maças. Ajustou-se uma curva de resposta de produtividade média

baseada em doses de N, indicando que a maior produtividade média (221 @ ha-1)

ocorreu na maior dose 180 kg ha-1 (Figura 12).

Figura 12. Produtividade do algodão em caroço em resposta a doses de N em diferentes regiões de produtores parceiros em 2014.

150

170

190

210

230

250

0 50 100 150 200

Pro

dutivid

ade (

@ h

a-1

)

Dose de N (kg ha-1)

Sapezal Sinop Lucas do Rio Verde Campo Verde Média

47

Fazendo-se uma analogia com faixa rica em N extraiu-se o valor de índice de

vegetação médio sensoriado nas faixas de maior dose 180 kg ha-1, considerado estas

como faixas ricas em N. O valor obtido corresponde a 0,85 sendo 4,5 % menor que o

valor obtido utilizando o conceito de referência virtual, o que corrobora com Holland e

Schepers (2013) que encontraram valores de índice de vegetação derivados de uma

faixa rica em N menores que 5% quando comparados com valores obtidos utilizando

referência virtual, indicando que o valor que corresponde a 95% da frequência

acumulada resulta de plantas com condição de suficiência de N no talhão, mesmo

sem receberem o aporte do mesmo.

Baseado nas leituras do sensor transformadas em ISN e parametrizadas pela

dose que maximizou a produtividade do algodão foi gerada a curva de resposta de

suficiência de N da cultura (Figura 13). Interpreta-se esta curva de suficiência de N

como sendo o quanto de N a planta está suprida no momento da leitura do sensor em

relação a dose de maior potencial produtivo da cultura (180 kg ha-1).

Figura 13. Curva de suficiência de N baseado em referência virtual para algodão em sistema de produção comercial.

Fazendo a diferença da dose de N que maximizou a produtividade do algodão

(180 kg ha-1) com o teor de N estimado na planta pelo sensor, tem-se a curva de

recomendação de N para determinação da dose de N a ser aplicada em cobertura

(Figura 14), sendo um gráfico o inverso do outro. Em resumo, o ISN lido pelo sensor

prediz o status nutricional de N da cultura e por diferença pede o restante de N a ser

aplicado para atingir 180 kg ha-1.

48

Figura 14. Curva de recomendação de N baseado em referência virtual para algodão em sistema de produção comercial.

Os modelos matemáticos que apresentaram melhor ajuste para descrever a

correlação entre as varáveis avaliadas são apresentados na Tabela 2, todos

apresentaram efeito significativo a 5 % de probabilidade. O comportamento quadrático

que descreve a correlação entre dose de N e ISN corrobora com os resultados obtidos

por Varvel et al., (2007) e Shiratsuchi et al., (2014) para a cultura do milho em sistema

de produção comercial.

Tabela 2. Modelos matemáticos de correlação entre produtividade média e doses de N, e correlação entre suficiência de N e recomendação N em função do Índice de Suficiência de N (ISN).

Atributo Equação R²

Produtividade * Doses de N y = -0,0011x2 + 0,3986x + 143,78 0,99**

Suficiência de N * ISN y = 174,73x2 + 107,21x – 126,78 0,94**

Recomendação de N* ISN y = -174,73x2 – 107,21x + 306,78 0,94** R2 - coeficiente de determinação do modelo; ** - significativo ao nível de 0,05 de probabilidade;

Para a validação da curva de recomendação de N proposta para talhões

comerciais, aplicou-se a equação de recomendação de N na metade restante das

leituras sensoriadas normalizadas pelo valor de referência virtual e transformadas em

ISN. Em média, a curva de recomendação de N para talhões comerciais subestima a

dose em – 1,45 kg ha-1 (Figura 15).

49

Figura 15. Erro de validação da equação de recomendação de N para algodão em sistema de produção comercial.

Estudos futuros à nível de produtor serão necessários, buscando o máximo de

variabilidade de leituras em condições reais de produção de algodão para um maior

refinamento da curva de recomendação de N proposta. Porém, é importante ressaltar

que o procedimento proposto e de fácil adoção e pode ser desenvolvido em condições

especificas de variabilidade espacial e sistema de produção adotado pelo produtor.

3.3. Curva de recomendação de N para área experimental

Para a geração da curva recomendação de N em parcelas experimentais da

Embrapa Agrossilvipastoril foram consideradas as leituras coletadas durante os 3

anos de experimento.

A partir do histograma de distribuição de frequência (Figura 16) gerado com

os valores de CIRE coletados em sistema "drive-first", extraiu-se o valor de 0,70

correspondente a 95% da frequência acumulada, sendo determinado via interpolação

linear.

O valor de referência virtual extraído do histograma foi utilizado para a

normalização das leituras sensoriadas, assim transformando os valores em ISN.

Para a parametrização da curva de recomendação de N foi utilizada a dose que obteve

o maior potencial produtivo médio do algodão durante os 3 anos de experimento. A

Figura 17 mostra a correlação entre doses de N e produtividade para os diferentes

anos. As safras 2016 e 2017 apresentaram baixo potencial produtivo, isso explica-se

devido a semeadura tardia da cultura obtendo baixo volume hídrico somado a

50

períodos de estiagem registrados durante o estádio de frutificação e enchimento das

maças no algodoeiro (Figura 6 e Figura 7).

Figura 16. Distribuição de frequência e frequência acumulada do índice de vegetação de clorofila usando a banda Red Edge (CIRE) sensoriado em parcelas experimentais em 2015, 2016 e 2017.

Ajustou-se uma curva de resposta de produtividade média baseada em doses

de N, indicando que a dose de maior produtividade média (178 @ ha-1) ocorreu na

maior dose 180 kg ha-1 (Figura 17).

Figura 17. Produtividade do algodão em caroço em resposta a doses de N durante os 3 anos de experimento (2015, 2016, 2017) em parcelas experimentais da Embrapa Agrossilvipastoril.

80

110

140

170

200

230

260

0 50 100 150 200

Pro

dutivid

ade (

@ h

a-1

)

Dose de N (kg ha-1)

2015 2016 2017 Média

51

Novamente, fazendo-se uma analogia com faixa rica em N extraiu-se o valor

de índice de vegetação médio sensoriado nas faixas de maior dose 180 kg ha-1,

considerado estas como faixas ricas em N. O valor obtido corresponde a 0,68, sendo

2,8 % menor que o valor obtido utilizando o conceito de referência virtual, o que

corrobora com Holland e Schepers (2013) que encontraram valores de índice de

vegetação derivados de uma faixa rica em N menores que 5% quando comparados

com valores obtidos utilizando referência virtual, indicando que o valor que

corresponde a 95% da frequência acumulada resulta de plantas com condição de

suficiência de N no talhão, mesmo sem receberem o aporte do mesmo.

Baseado nas leituras do sensor transformadas em ISN e parametrizadas pela

dose que maximizou a produtividade do algodão foi gerada a curva de resposta de

suficiência de N da cultura (Figura 18). Interpreta-se esta curva de suficiência de N

como sendo o quanto de N a planta está suprida no momento da leitura do sensor em

relação a de maior potencial produtivo da cultura (180 kg ha-1).

Figura 18. Curva de suficiência de N baseado em referência virtual para algodão em parcelas experimentais da Embrapa Agrossilvipastoril.

Fazendo a diferença da dose de N que maximizou a produtividade do algodão

(180 kg ha-1) com o teor de N estimado na planta pelo sensor, tem-se a curva de

recomendação de N para determinação da dose de N a ser aplicada em cobertura

(Figura 19), sendo um gráfico o inverso do outro. Em resumo, o ISN lido pelo sensor

prediz o status nutricional de N da cultura e por diferença pede o restante de N a ser

aplicado para atingir 180 kg ha-1.

52

Figura 19. Curva de recomendação de N baseado em referência virtual para algodão em parcelas experimentais da Embrapa Agrossilvipastoril.

Os modelos matemáticos que apresentaram melhor ajuste para descrever a

correlação entre as variáveis avaliadas são apresentados na Tabela 3, todos

apresentaram efeito significativo a 5 % de probabilidade. O comportamento quadrático

que descreve a correlação entre dose de N e ISN para algodão em nível de parcelas

experimentais corrobora com os resultados obtidos neste estudo para algodão em

áreas comerciais e com Varvel et al. (2007) e Shiratsuchi et al. (2014) para a cultura

do milho em sistema de produção comercial.

Tabela 3. Modelos matemáticos de correlação entre produtividade média e doses de N, e correlação entre suficiência de N e recomendação N em função do Índice de Suficiência de N (ISN).

Atributo Equação R²

Produtividade * Doses de N y = -0,0024x2 + 0,7373x + 124,57 0,99**

Suficiência de N * ISN y = 234,79x2 - 49,879x - 15,151 0,97**

Recomendação de N* ISN y = -234,79x2 + 49,879x + 195,15 0,97** R2 - coeficiente de determinação do modelo; ** - significativo ao nível de 0,05 de probabilidade;

Deve-se ressaltar que uma das grandes vantagens desta abordagem é a

facilidade de adoção prática, pois sabe-se que não existe fórmula universal que

funcione para todas condições de cultivo, por isso é importante ter uma formulação

simples que possa ser traduzida e implementada pelos consultores ou produtores.

53

Para a validação da curva de recomendação de N proposta neste trabalho para

parcelas experimentais da Embrapa Agrossilvipastoril, aplicou-se a equação de

recomendação de N na metade restante das leituras sensoriadas normalizadas pelo

valor de referência virtual e transformadas em ISN. Em média, a curva de

recomendação de N para parcelas experimentais superestima a dose em 9,40 kg ha-

1 (Figura 20).

As curvas de resposta propostas neste trabalho são sensíveis ao potencial

produtivo almejado para a dose estabelecida de 180 kg ha-1, portanto para doses de

N maiores deve-se gerar novas formulações seguindo as mesmas metodologias deste

estudo.

É importante frisar que estas formulações calculam o N total a ser aplicado na

cultura, portanto se for utilizado N na base durante o plantio, esta dose deve ser

subtraída da dose total. Por exemplo: foram aplicados 30kgN ha-1 no plantio e a

equação pede a dose de 120 kgN ha-1 deve-se então ser aplicada uma dose de 90

kgN ha-1.

Figura 20. Erro de validação da equação de recomendação de N para algodão em parcelas experimentais da Embrapa Agrossilvipastoril.

3.1. Equação gerada em parcelas aplicada em dados de produtor

A maioria das abordagens comercias de aplicação de N em taxa variável

orientam a utilizar abordagens locais montadas normalmente em parcelas

experimentais, utilizando o valor médio sensoriado como valor de referência para

geração das formulações de recomendação N para lavouras comerciais. Visando

54

avaliar este desempenho, aplicou-se a equação de recomendação de N gerado em

parcelas experimentais nos dados sensoriados em talhões comerciais em 2014 para

estimar a dose de N a ser aplicada, superestimando em média 24,34 kg ha-1 (Figura

21).

Figura 21. Erro de validação da equação de recomendação de N para algodão em parcelas experimentais aplicado em dados sensoriados em lavouras comerciais.

A curva de recomendação de N gerada em parcelas experimentais superestima

a dose quando aplicada em dados coletados em lavouras comerciais, neste caso

podendo chegar até 91,61 kg ha-1.

Isso ocorre devido à baixa representatividade do local escolhido como

referência em relação a área comercial a ser aplicada, dada pela diferença de região,

clima, manejo, solo, variedade, pressão de pragas, doenças, entre outros.

55

4. Conclusões

1. O índice de vegetação de clorofila baseado na banda Red Edge (CIRE)

apresentou-se mais responsivo para diferenciar doses de N ao longo do

desenvolvimento do algodoeiro, sendo utilizado para a geração das curvas de

recomendação de N propostas.

2. A abordagem explorada neste trabalho se mostrou facilitada em termos de

adoção prática, o que permite o produtor gerar sua própria curva de

recomendação de N para suas condições de cultivo, dispensando a

necessidade em estabelecer faixas de referência de N, visto que sem um

conhecimento prévio da variabilidade do talhão, o local selecionado para

implantação da faixa de referência pode ser pouco representativo em relação

ao restante da área.

3. Foram desenvolvidas duas curvas de recomendação de N utilizando a

metodologia de suficiência de N baseada em referência virtual para algodoeiro,

sendo uma para produção comercial (R² = 0,97) e outra para área experimental

(R² = 0,94).

4. A equação gerada em parcelas experimentais quando aplicada em áreas

comerciais pode superestimar a dose de N a ser aplicada em até 91,61 kg ha-

1, ressaltando a importância em gerar formulações representativas às

condições de cultivo da fazenda.

56

5. Referências

ANSELMO, J. L.; HOLANDA, H. V.; KANEKO, F. H.; ALVES, L. A.; LOURENÇO, P. H. F. N.; LEAL, A. J. F.; RICIERI, A. D. Estimativa do custo de produção do algodão em caroço, na região dos chapadões - Safra 2010/11. In: CONGRESSO BRASILEIRO DO ALGODÃO, 8.; COTTON EXPO, 1., 2011, São Paulo. Evolução da cadeia para construção de um setor forte: Anais. Campina Grande, PB: Embrapa Algodão, 2011. p 1774 -1781. BLACKMER, T. M.; SCHEPERS. J. S.; VARVEL, G. E.; WALTER-SHEA, E. A. Nitrogen deficiency detection using reflected shortwave radiation from irrigated corn canopies. Agronomy Journal, Madison, v. 88, p. 1-5, 1996. CANTARELLA, H. Nitrogênio. In: NOVAIS, R. F.; ALVAREZ, V. H.; BARROS, N. F.; FONTES, R. L. F.; CANTARUTTI, R. B.; NEVES, J. C. L. (Ed). Fertilidade do solo. Viçosa: SBCS, 2007. p. 375-470. CLAY, D. R.; KIM, K.; CHANG, J.; CLAY, S. A.; DALSTED, K. Characterizing water and nitrogen stress in corn using remote sensing. Agronomy Journal. 98; 579-587, 2006. DEBAEKE, P.; ROUET, P.; JUSTES, E. Relationship between the normalized SPAD index and the nitrogen nutrition index: Application to durum wheat. Journal Plant nutrition. 29:75-92, 2006.

EMBRAPA – Empresa Brasileira de Pesquisa Agropecuária. Algodão: Tecnologia de produção. Dourados: Embrapa Agropecuária Oeste, 2001. 296p.

GITELSON, A. A. Wide Dynamic Range Vegetation Index for Remote Quantification of Crop Biophysical Characteristics. Journal of plant physiology, Vol. 161, 165-173. 2004.

GITELSON, A. A.; GRITZ, U.; MERZLYAK, M. N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for no-destructive chlorophyll assessment in higher plant leaves. Journal of plant physiology, 160, 271-282. 2003.

GITELSON, A. A.; KAUFMAN, Y.; MERZLYAK, M. N. Use of green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, v. 58, p. 289-298, 1996a. http://dx.doi.org/10.1016/S0034-4257(96)00072-7.

GITELSON, A. A.; MERZLVAK, M. N.; LICHTENTHALER, H. K. Detection of red edge position and chlorophyll content by reflectance measurements near 700 nm. Journal of Plant Physiology, 148(3-4), 501-508. 1996b.

57

GITELSON, A. A.; VINA, A.; CIGANDA, V.; RUNDQUIST, D. C.; ARKEBAUER, T.J. Remote estimation of canopy chlorophyll content in crops. Geophysical Research Letters. 32: 4-7. 2005.

GUTIERREZ, M.; NORTON, R.; THORP, K. R.; WANG, G. Association of spectral reflectance indices with plant growth and lint yield in upland cotton. Crop Science, 52(2), 849-857. 2012.

HOLLAND, K. H. Sensor-based chemical management for agricultural landscapes. U.S. Patent #7,723,660. Issue May 25, 2009. HOLLAND, K. H.; SCHEPPERS, J. S. Use of a virtual reference concept to interpret active crop canopy sensor data. Precision Agriculture, v. 14, p. 71-85, 2013. HOLLAND, K. H; SCHEPERS, J. S. Derivation of a variable rate nitrogen application model for in-season fertilization of corn. Agronomy Journal. 102; 1415-1424, 2010. HONG, N.; WHITE, J. G; WEISZ, R.; CROZIER, C. R.; GUMPERTZ, M. L.; CASSEL, D. K. Remote Sensing-Informed Variable-Rate Nitrogen Management of Wheat and Corn. Agronomy Journal. 98, 327-338. 2006. HUSSAIN, F.; BRONSON, K. F.; YADVINDER, S.; BIJAY, S.; PENG, S. Use of chlorophyll meter sufficiency indices for nitrogen management of irrigated rice in Asia. Agronomy Journal. 92:875-879, 2000. KITCHEN, N. R.; SUDDUTH, K. A.; DRUMMOND, S. T. Is a nitrogen-rich reference needed for canopy sensor-based corn nitrogen applications? In: INTERNATIONAL CONFERENCE ON PRECISION AGRICULTURE, 10., 2010, Denver. Proceedings... Monticello: ISPA, 2010. 1 CD-ROM. LI, Y.; CHEN, D.; WALKER, C.N. & ANGUS, J.F. Estimating the nitrogen status of crops using a digital camera. Field Crops Residual, 118:221-227, 2010. MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologia de aplicação. São Jose dos Campos: INPE, 2001. 250 p. MYNENI, R. B.; NEMANI, R. R.; RUNNING, S. W. Estimation of global leaf area index and absorbed PAR using radiative transfer models. IEEE Trans. Geosci. Remote Sensing. 33: 1380-1393. 1997. PETERSON, T.A.; BLACKMER, T. M.; FRANCIS, D. D.; SCHEPERS, J. S. Using a chlorophyll meter to improve N management. NebGuide G93-1171-A. University of Nebraska Ext., Lincoln, 1993. R DEVELOPMENT CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. 2011.

58

RAUN, W. R.; SOLIE, J. B.; MAY, J.; ZHANG, H.; KELLY, J.; TAYLOR, R. K.; ARNALL, D. B.; MONASTERIO, I. O. Nitrogen rich strips for wheat, corn and other crops. Publications E-1022. Stillwater: Oklahoma State University Extension. 2010. RAUN, W. R.; SOLIE, J. B.; TAYLOR, R. K.; ARNALL, D. B.; MACK, C. J.; EDMONDS, D. E. Ramp calibration strip technology for determining midseason nitrogen rates in corn and wheat. Agronomy Journal, Madison, v. 100, n. 4, p. 1088-1093, 2008. RESENDE, A. V.; HURTADO, S. M. C.; VILELA, M. F.; CORAZZA, E. J.; SHIRATSUCHI, L. S. Aplicações da agricultura de precisão em sistemas de produção de grãos no Brasil. In: BERNARDI, A. C. C.; NAIME, J. M.; RESENDE, A. V.; BASSOI, L. H.; INAMASU, R. Y. Agricultura de precisão: um novo olhar. Brasília, DF: Embrapa Instrumentação, 2014. p. 196-210. ROSOLEM, C. A. Problemas em nutrição mineral, calagem e adubação do algodoeiro. Informações Agronômicas, Piracicaba-SP, n. 95, 2001. 17 p. (Encarte Técnico). ROUSE, J. W.; HAAS, R. H.; SCHELL, J. A.; DEERING, D. W.; HARLAN, J. C. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation, Texas: Texas A&M University, 1974. (Type III final. NASA/GSFC). SANTOS, H. G.; JACOMINE, P. K. T.; ANJOS, L. H. C.; OLIVEIRA, V. A.; LUMBRERAS, J. F.; COELHO, M. R.; ALMEIDA, J. A.; CUNHA, T. J. F.; OLIVEIRA, J. B. Sistema brasileiro de classificação de solos. 3ª.ed. rev. Brasília, DF: Embrapa, 2013. SCHEPERS, J. S.; FRANCIS, D. D.; VIGIL, M.; BELOW, F. E. Camparison of corn leaf nitrogen concentration and chlorophyll meter readings. Communications in Soil Science and Plant Analysis. v. 23, n. 17-20, p. 2173-2187, 1992. SCHRODER, J. J.; NEETESON, J. J.; OENEMA, O.; STRUIK, P.C.; “Does the crop or the soil indicate how to save nitrogen in maize production?: Reviewing the state of the art,” Field Crops Research, vol. 66(2), pp.151–164, 2000. SHANAHAN, J. F.; KITCHEN, N. R.; RAUN, W. R.; SCHEPERS, J. S. Responsive in-season nitrogen management for cereals. Computers and Electronics in Agriculture 61(1): 51-62, 2008. SHIRATSUCHI, L. S.; VALE, W. G.; MALACARNE, T. J.; SCHUCK, C. M.; SILVA, R. G.; JUNIOR, O. L. O. Algoritmos para aplicações de doses de variáveis de nitrogênio em tempo real para produção de milho safra e safrinha no Cerrado. In: BERNARDI, A. C. C.; NAIME, J. M.; RESENDE, A. V.; BASSOI, L. H.; INAMASU, R. Y. Agricultura de precisão: um novo olhar. Brasília, DF: Embrapa Instrumentação, 2014. p. 226-232. SINGH, I.; SRIVASTAVA, I.A.; CHANDNA, P. & GUPTA, R. Crop sensors for efficient nitrogen management in sugarcane: Potential and constraints. Sugar Technology, 8:299-302, 2006.

59

TARPLEY, L.; REDDY, K. R.; SASSENRATH-COLE, G. F. Reflectance indices with precision and acurracy in prediction cotton leaf nitrogen concentration. Crop Science, Madison, v. 1. n. 40, p. 1814-1819, 2000. TREMBLAY, N. “Determining nitrogen requirements from crops characteristics. Benefits and challenges,” Recent Res. Devel. Agrononomy & Horticulture, vol. 1, pp. 157–182, 2004. VARVEL, G. E.; WILHELM, W. W.; SHANAHAN, J. F.; SCHEPERS, J. S. Nitrogen fertilizer applications for corn based on sufficiency index calculations. Agronomy Journal, 99, 701-706, 2007. ZARCO-TEJADA, P. S.; USTIN, S. L.; WHITING, M. L. Temporal and spatial relationships between within-field yield variability in cotton and high-spatial hyperspectral remote sensing imagery. Agronomy Journal, Madison, v. 97, p. 89-98, 2005. ZHAO, D. Selection of optimum reflectance ratios for estimating leaf nitrogen and chlorophyll concentrations of field-grown cotton. Agronomy Journal, Madison, v, 97, p. 89-98, 2005. ZHU, J.; TREMBLAY, N.; LIANG, Y. Corn Nitrogen Status Indicator Less Affected by Soil Water Content. Agronomy Journal. 103, 809, 2011