As práticas de agricultura de precisão envolvem semeadura, irrigação, fertilização e uso de pesticidas mais precisos, a fim de otimizar a produção agrícola com o objetivo de aumentar a receita do produtor e reduzir o impacto da agricultura no meio ambiente simultaneamente. Neste artigo, discutiremos o uso de práticas de AP, como irrigação de taxa variável e sensoriamento remoto, na produção de batata.
De acordo com a Sociedade Internacional de Agricultura de Precisão, “a agricultura de precisão (AP) é uma estratégia de gestão que reúne, processa e analisa dados temporais, espaciais e individuais e os combina com outras informações para apoiar as decisões de gestão de acordo com a variabilidade estimada para melhorar a eficiência do uso de recursos , produtividade, qualidade, rentabilidade e sustentabilidade da produção agrícola”.
Em outras palavras, a AP oferece a possibilidade de fazer a coisa certa, no lugar certo, na hora certa e da maneira certa. Culturas de alto valor como a batata são reconhecidas como boas candidatas à adoção da AP devido ao alto custo dos insumos. Além disso, a sensibilidade do rendimento e qualidade dos tubérculos de batata às práticas de produção e às condições ambientais torna o gerenciamento de precisão economicamente crítico.
Irrigação de taxa variável
A tecnologia de irrigação de taxa variável (VRI) aplica água a taxas variáveis em vez de uma taxa uniforme ao longo do comprimento do pivô central. Existem duas etapas para aplicar o VRI: primeiro, com base na condutividade elétrica do solo (EC) ou mapeamento de elevação, o campo é dividido em diferentes zonas de manejo; em segundo lugar, o sistema aplica uma quantidade específica de água em diferentes zonas de gerenciamento, ligando e desligando bicos individuais (controle de bicos VRI) ou controlando a velocidade de movimento do pivô (controle de velocidade VRI).
A VRI pode aplicar água em diferentes taxas para diferentes culturas ou cultivares, diferentes tipos de solo, áreas de alto escoamento ou áreas baixas propensas a ficarem molhadas e saturadas e áreas ambientalmente sensíveis dentro do campo. O objetivo geral do VRI é evitar irrigação excessiva e insuficiente, de modo que não haja desperdício de água e nenhum estresse hídrico, enquanto o rendimento e a qualidade das culturas são mantidos ou aumentados.
No verão de 2018, realizamos um estudo para quantificar os benefícios do uso de VRI em batata comercial (Russet Burbank) produção em Wisconsin. Selecionamos dois campos irrigados com VRI com controle de bico e VRI com controle de velocidade, respectivamente.
Em cada campo, havia cerca de 15 pés de diferença de elevação entre as áreas mais altas e mais baixas. Na colheita, avaliamos a produtividade e qualidade de tubérculos da área mais seca, da área mais representativa/média e da área mais úmida de cada campo. Sob controle de bocal VRI (Figura 1a), houve uma redução significativa do rendimento (cerca de 140 cwt/a, p<0.05) na área mais úmida em comparação com a área média. A produção da área mais seca foi ligeiramente superior (cerca de 20 cwt/a, p>0.05) do que a da área média. Sob controle de velocidade VRI (Figura 1b), não houve diferença significativa de produtividade entre os três locais, embora o número na área mais seca tenha sido maior do que nas áreas média e mais úmida.
Nossos dados sugeriram que:
- Um grande benefício de usar o VRI é melhorar o rendimento e a qualidade, portanto, potencialmente melhorar a lucratividade na área mais difícil (ou de alto escoamento) de um campo que é mais vulnerável à sub-irrigação. O VRI é capaz de manter a umidade do solo dentro da zona de enraizamento das plantas;
- O VRI pode economizar água de irrigação e melhorar a eficiência da irrigação na área baixa de um campo que tende a ser úmido ou saturado. No entanto, mesmo sob VRI, o manejo da produtividade e qualidade da batata na área baixa ainda é um desafio, uma vez que as plantas tendem a ter mais problemas de podridão e defeitos;
- O VRI é um sistema promissor para economizar água enquanto melhora a lucratividade da batata, mas é necessário um ajuste mais fino para melhor gerenciá-lo em campos com variabilidade.
Sensoriamento remoto e aprendizado de máquina
Para manter o rendimento e a lucratividade, os produtores de batata devem satisfazer a necessidade de nitrogênio das culturas. Para minimizar a degradação ambiental e diminuir os riscos financeiros associados à incerteza regulatória e legal em torno do nitrato nas águas subterrâneas, os produtores de batata precisam de novas ferramentas de gestão para ajudá-los a aplicar a quantidade certa de nitrogênio no momento certo durante a estação de crescimento.
Os métodos comumente usados para monitorar o status de nitrogênio da planta de batata na estação são trabalhosos, demorados, às vezes enganosos e são apenas específicos do local dentro do campo. Além disso, não há ferramentas disponíveis publicamente que gerem mapas de campo inteiros para prever o status do nitrogênio da planta na estação e a produção de tubérculos no final da estação usando imagens de sensoriamento remoto.
O sensoriamento remoto é uma abordagem inovadora, oportuna, não destrutiva e espacialmente abrangente para melhorar as práticas existentes de manejo da produção agrícola na estação. O sensoriamento remoto normalmente fornece várias bandas espectrais estreitas (~ 3-10 nm), que podem capturar características de absorção fina dos nutrientes das culturas. Até agora, muitos estudos indicaram que o sensoriamento remoto pode ser aplicado de forma eficaz para prever parâmetros/variáveis da cultura, como índice de área foliar, biomassa, concentração foliar de N, etc.
Os métodos usados para prever/modelar características de culturas se concentram principalmente na construção de algoritmos de previsão entre sinais espectrais e medições de campo. Um modelo típico de previsão são os índices de vegetação (VI), que são combinações matemáticas de refletância em duas ou mais bandas espectrais. Por exemplo, o índice de vegetação por diferença normalizada (NDVI) tem sido amplamente utilizado em estudos anteriores devido à sua simples aplicação no monitoramento da dinâmica da vegetação em escalas regional e global.
Estudamos três modelos de aprendizado de máquina (árvore de decisão (DT), suporte vector máquina (SVM) e floresta aleatória (RF)) que usou NDVI para prever o status de N e o rendimento final de quatro cultivares de batata (dois russets incluindo Silverton e Lakeview Russet, dois picadores incluindo Snowden e Hodag) ao longo de duas temporadas de cultivo em 2018 e 2019 .
Nossos resultados preliminares indicaram que o NDVI tem grande potencial de prever o status de N da batata indicado pelo pecíolo NO3-N, N total da folha inteira ou N total da videira inteira, bem como a produtividade total no final da safra (Tabela 4). Usamos R2 que varia de 0 a 1 para medir a qualidade de ajuste dos modelos. Quanto maior o R2, melhor a previsão. É considerada uma previsão muito boa se R2 for superior a 0.75.
Em ambos os sistemas VRI, os tubérculos da área mais úmida apresentaram menor gravidade específica em relação aos das áreas mais seca e média, e a diferença sob o sistema de controle de bocal foi significativa (Tabela 1).
A Figura 2 mostrou que os tubérculos da área mais úmida de cada campo apresentaram relação comprimento/largura significativamente maior. Da mesma forma, houve maior incidência de
coração oco em tubérculos das áreas mais úmidas de ambos os campos, sendo a diferença significativa sob o sistema de controle de velocidade (Tabela 2).
Durante o armazenamento abaixo de 48°F, observamos maior incidência de podridões nos tubérculos das áreas mais úmidas de ambos os campos (Figura 3). Acredita-se que os tubérculos cultivados em solos saturados apresentavam lenticelas aumentadas na superfície, o que criava pontos de entrada perfeitos para patógenos em campo e durante o armazenamento.
Além disso, calculou-se a eficiência de irrigação (IE) do sistema VRI de controle de velocidade (os números do VRI de controle de bicos não estavam disponíveis), e mostrou que houve uma melhora significativa do IE na área mais úmida em comparação com a área média do campo. A IE na área mais seca foi ligeiramente superior à média (Tabela 3).
Para o status de nitrogênio, o uso de NDVI para prever nitrato de pecíolo-N gerou os melhores resultados de R2 para ambos os tipos de batata, em comparação com N total de folha inteira e N total de videira inteira. Para previsão de rendimento total, DT e RF foram melhores que SVM, e os resultados para 2019 foram melhores que 2018 (Tabela 4, acima).
Até agora descobrimos que:
- 1) árvore de decisão e floresta aleatória são melhores que suporte vector máquina para prever o status de N na temporada e o rendimento no final da temporada para batatas;
- 2) o nitrato de pecíolo-N pode ser melhor previsto usando NDVI e modelos de aprendizado de máquina em comparação com o N total em folhas ou trepadeiras. Vamos validar os modelos e expandir este trabalho usando mais anos de dados em mais variedades de batata.
O autor gostaria de agradecer à Associação de Produtores de Batata e Vegetais de Wisconsin, ao Departamento de Agricultura, Comércio e Proteção ao Consumidor de Wisconsin, ao Conselho de Pesquisa de Fertilizantes de Wisconsin e à Faculdade de Ciências Agrícolas e da Vida da Universidade de Wisconsin-Madison por financiar nossa pesquisa.
— Yi Wang é professor assistente no Departamento de Horticultura da Universidade de Wisconsin-Madison. Ela é uma ex-vencedora do Prêmio de Líder Emergente da Spudman.
