Customer Success do FERTILE (Dr. Reinaldo Machado, 210 – Rebouças, Curitiba – PR, CEP: 80215-010).

O sensoriamento remoto é a ciência de obter alguma informação sobre um objeto, área ou fenômeno através de uma coleta de dados, por aparelhos denominados sensores, sem que seja necessário o contato direto com o objeto, área ou fenômeno. Funciona através de radiação eletromagnética e se dá por meio da radiação que deixa a superfície terrestre, atravessa a atmosfera, adentra o satélite e atinge seus sensores. 

Diversas técnicas procuram estabelecer relações entre a radiação absorvida pela biomassa da cultura e seus atributos biofísicos. A partir desses valores espectrais e índices de vegetação, é possível realizar o acompanhamento temporal e espacial do desenvolvimento das culturas, determinar o vigor das plantas e realizar previsões futuras de colheita. Ao interagir com a folha a radiação se divide em três frações. Em torno de 50% é absorvida pelos pigmentos das folhas e será usada principalmente na fotossíntese; uma segunda parte é refletida e a terceira será transmitida entre os tecidos adjacentes. Os índices de vegetação são aqueles provenientes de medidas de reflectância da biomassa, comumente nas faixas do vermelho (RED) e infravermelho próximo (NIR) do espectro eletromagnético.

Os índices de vegetação têm sido utilizados, em virtude de possibilitarem prognósticos das características da cobertura vegetal, como a estimativa da área foliar, produção de biomassa e produtividade. 

Dentre os índices de reflectância, o NDVI (Normalized Difference Vegetation Index, ou, em sua tradução, Índice de Vegetação por Diferença Normalizada) é um dos mais conhecidos e utilizados para o monitoramento da vegetação. Esse índice é o resultado da combinação das respostas das bandas espectrais do vermelho e do infravermelho. 

Embora este índice esteja disponível há 40 anos, desde sua criação, somente nos últimos anos que passou a ser amplamente utilizado. 

A fórmula para calcular o NDVI é a seguinte: 

Onde:

IVP = infra vermelho próximo;

V = vermelho.

Isso significa a razão entre as reflectâncias no infra vermelho próximo e no vermelho, sendo que a mesma gera valores que variam entre -1 e 1. 

Esses valores são distribuídos da seguinte maneira: 

• valores negativos correspondem às áreas com corpos d’água, estruturas artificiais, rochas, nuvens e neve. 
• O solo exposto geralmente tem valor NDVI de 0,1 a 0,2. 
• A vegetação sempre terá índices positivos entre 0,2 e 1.

Em tese, a finalidade do NDVI na agricultura hoje está basicamente resumida em:

• Estimar a biomassa e avaliar o estado e a saúde das culturas;
• Identificar ataque de pragas, doenças, fungos ou manchas excessivamente sem respostas espectrais no campo, antes que o dano seja definitivo;
• Analisar a dinâmica da vegetação ao longo de suas fases de desenvolvimento e crescimento;
• Estabelecer condições normais de cultivo para as culturas em Zonas de Manejo por meio de séries temporais de NDVI;
• Apoiar as estimativas de produtividade – nunca sozinha, apenas combinada com outros parâmetros usados para previsão;
• Definir Zoneamentos de maneira rápida, permitindo boas práticas no uso de água, nutrientes nas culturas e agrotóxicos, com eficiência e eficácia;
• Monitorar condições e produtividade das pastagens;
• Monitorar a seca e auxiliar na previsão de áreas de risco de incêndio. 

REFERÊNCIAS

Tudo o que você precisa saber sobre o NDVI: Perguntas & Respostas para a Agricultura 4.0 – parte 1. Geografia das Coisas, Maio de 2020. Disponível em: https://geografiadascoisas.com.br/artigos/tudo-o-que-voce-precisa-saber-sobre-o-ndvi-parte-1/. Acesso em: 9 de Maio de 2022.

NDVI Significado: O Que é e Como Calcular?. Adenilson Giovanini. Disponível em: https://adenilsongiovanini.com.br/blog/ndvi-significado-o-que-e-e-como-calcular/. Acesso em: 11 de Maio de 2022.

O que são mapas NDVI e como utilizá-los na fazenda.  Blog Aegro, 16 de Abril de 2020. Disponível em: https://blog.aegro.com.br/ndvi/. Acesso em: 13 de Maio de 2022. 

Ndvi: o que é e como usar para beneficiar a sua fazenda. CHBAgro, 30 de Março de 2021. Disponível em: https://blog.chbagro.com.br/ndvi-o-que-e-e-como-usar-para-beneficiar-a-sua-fazenda. Acesso em: 13 de Maio de 2022.

The post SENSORIAMENTO REMOTO – NDVI first appeared on Fertile.

Mestre em Ciência do Solo UFPR (Departamento de Solos, Rua dos Funcionários, 1540 – Juvevê, Curitiba – PR, CEP: 80035-050).

² CEO do FERTILE (Rua Reynaldo Mchado, 291 – Rebouças, Curitiba – PR, CEP: 80215-010).

Com o passar dos anos, técnicas vêm sendo aperfeiçoadas para um melhor entendimento do comportamento químico da relação solo:planta. Diante disso, na década de 30, surgiram as primeiras análises foliares, as quais contribuem com a real interação da planta com o meio em que está cultivada. Porém, métodos para interpretação destes dados vêm sendo criados, levando em consideração a relação direta entre os nutrientes absorvidos pelas plantas, e seu rendimento, sendo estes o DRIS e o CND.

Diagnosis and Recommendation Integrated System (DRIS – Sistema Integrado de Diagnose e Recomendação) foi desenvolvido por Beaufils (1973), é um método de diagnose foliar, utilizando análise de folhas, onde considera as relações bivariadas dos teores de um determinado nutriente com os teores dos outros nutrientes analisados (N/P, P/K, K/Ca, Ca/Mg, etc.), obtendo maior precisão nas interpretações dos resultados devido à inter-relação entre todos os elementos analisados.

O DRIS tem o objetivo de classificar/informar a ordem de limitação dos nutrientes, não só por falta, mas também por excesso dos nutrientes para o crescimento e desenvolvimento das plantas, não levando em consideração a idade ou órgão a ser amostrado. De acordo com Serra et al. (2010), analisando os fatores nutricionais que afetam a produtividade através de índices, por meio de um equilíbrio nutricional padrão, o qual é constituído a partir de uma base de dados, sendo elas denominadas normas DRIS.

O tamanho da base de dados para definição da norma é bastante variável entre os trabalhos publicados. De acordo com Walworth et al. (1988) encontraram que normas desenvolvidas a partir de dez banco de dados foram representativas e eficientes se comparadas com normas provenientes de banco de dados maiores. Entretanto Letzsch & Sumner (1984) observaram que as melhores normas tiveram origem em grandes bases de dados, trabalhando com populações de referência de alta produtividade. Em nível local pequenos bancos de dados são suficientes para fornecer a adequada relação dos nutrientes para atingir o rendimento alvo (Walworth et al., 1988; Khiari et al., 2001).

A definição da população de referência é determinada a partir de uma população total (banco de dados), a qual se divide em duas subpopulações, baixa e alta produtividade. Onde as subpopulações de alta produtividade dão origem as normas DRIS (Beaufils, 1973). Porém não existe um parâmetro o qual determina a escolha da população de referência para o DRIS.

Geralmente a divisão entre as populações de alta e baixa produtividade são determinadas por faixas de acordo com cada cultura (Rocha et al., 2007), porém um dos problemas nesta determinação é que o ponto de corte na divisão das populações de referência é realizada de forma arbitrária (Beaufils, 1973). Segundo Malavolta (2006) sugere o rendimento de 80 % do máximo para separar as duas subpopulações.

O potencial de resposta à adubação é dado pelo valor do índice DRIS, onde quanto menor for o índice (valores abaixo de zero) tendendo ao negativo, haverá deficiência nas plantas e terá mais resposta a adubação, sendo o contrário verdadeiro. Quando o índice tem valor igual a zero indica que o nutriente encontra-se em equilíbrio (Walworth & Sumner, 1987).

O DRIS gera um diagnóstico independente da idade da planta, local, cultivar, solo, clima e período de amostragem (Reis Júnior, 2002). Com o DRIS, é possível saber a ordem de limitação dos nutrientes em uma determinada cultura e se a mesma ocorre pela falta ou excesso. Porém, não permite quantificar a necessidade de nutriente a ser aplicada. A avaliação do DRIS é feita utilizando os macronutrientes em g/kg e os micronutrientes em mg/kg.

As equações onde são calculados os IBNm para o DRIS vieram sofrendo alterações com o passar dos anos, sendo no primeiro uso Beaufils (1973) empregava o uso do coeficiente de variação como dispersor das relações da população de referência para o cálculo dos índices DRIS. Já Jones (1981) propôs apenas uma fórmula para as duas condições de maior e menor, e como estimador da dispersão utilizou o desvio padrão.

A base do cálculo DRIS foi modificado por Walworth et al. (1986), sendo denominado M-DRIS, sendo que além das relações duais, os teores dos nutrientes também são considerados junto com a massa seca.

A modificação de maior relevância foi realizada por Beverly (1987), em que o mesmo acrescentou a utilização do log nas relações positivas e negativas, eliminando assim o grau de achatamento de uma distribuição em relação à curva normal (efeito de curtose) no coeficiente de variação.

Compositional Nutrient Diagnosis (CND – Diagnose da Composição Nutricional), método desenvolvido por Parent & Dafir (1992), baseado no método de análise composicional de Aitchison (1982), assemelha-se ao DRIS em relação aos objetivos, porém relaciona os teores dos nutrientes de forma multivariada, cada uma delas ponderada pela média geométrica da composição nutricional (Serra et al., 2010).

A consistência da interpretação das análises de tecido aumenta à medida que o enfoque univariado (o do nível crítico) é ampliado, de modo a considerar as relações entre nutrientes, dois a dois, ou seja, relações duais (enfoque bivariado) e, assim, progressivamente, as relações ternárias até idealmente abranger, mediante enfoque multivariado, toda a estrutura de variação da composição nutricional (Silva et al., 2005).

Diferentemente do DRIS onde a população de referência é determinada de forma arbitrária, Parent & Dafir (1992) apresentaram que a análise multivariada poderia fornecer meios para diferenciação da população de alta e de baixo rendimento. A partir da derivação da equação de terceiro grau, consegue-se encontrar o ponto de inflexão das curvas, sendo que a diferenciação das populações de alta e baixa produção se dividem junto com a inflexão da mesma, assim chegando a população de referência (Khiari et al., 2001)

A proposta de Parent & Dafir (1992) no uso do CND é a inserção do logaritmo neperiano (ln), que representa o comportamento biológico de melhor maneira se comparado ao log na base 10. VN = ln (teor do nutriente (mg dm^-3)/ média geométrica).

Os métodos DRIS e CDN vêm sendo estudados além de espécies frutíferas em diversas culturas, sendo elas soja Urano et al. (2007), eucalipto Silva et al. (2005) algodão Serra et al. (2010).

A escolha das populações de referência para o método DRIS de forma arbitrária, faz com que possíveis recomendações possam ser manipuladas de acordo com determinado interesse, sendo que a forma imparcial de escolha no CND restringe este efeito.

A medida que o enfoque das relações vão sendo aumentadas (univariadas, bivariadas e multivariadas), a consistência dos dados acompanham este aumento, desta maneira o CND apresenta vantagens sobre o DRIS.

LITERATURA CITADA

AITCHISON, J. The statistical analysis of compositional data. J. Royal Stat. Soc., 44:139-177,1982.

BEAUFILS, E.R. 1973. Diagnosis and recommendation integrated system (DRIS). University of Natal, Pietermaritzburg, KwaZulu- Natal, South Africa. 132 pp.

BEVERLY, R.B. Modified DRIS method for simplified nutrient diagnosis of ‘Valencia’ oranges. J. Plant Nutr., 10:1401-1408, 1987.

JONES, M.B. Proposed modifications of the diagnosis and recommendation integrated system (DRIS) for interpreting plant analysis. Soil. Sci. and Plant Anal. 12:785-974, 1981.

KHIARI, L.; PARENT, L.E. & TREMBLAY, N. Critical compositional nutrient indexes for sweet corn at early growth stage. Agron. J., v. 93, p. 809-814, 2001.

LETZSCH, W. S. & SUMNER, M. E. Effect of population size and yield level in selection of diagnosis and recommendation integrad system (DRIS) norms. Communication in Soil Science and Plant Analysis, v. 15, n. 12, p. 1997-1006, 1984.

MALAVOLTA, E.; VITTI, G.C. & OLIVEIRA, S.A. Princípios, métodos e técnicas de avaliação do estado nutricional. In: MALAVOLTA, E., ed. Avaliação do estado nutricional de plantas: Princípios e aplicações. 2.ed. Piracicaba, Potafos, 1997. p.115-230.

MALAVOLTA, E. Manual de nutrição mineral de plantas. 2. ed. São Paulo: Agronômica Ceres, 2006. 638 p.

PARENT, L.E. & DAFIR, M. A theoretical concept of compositional nutrient diagnosis. J. Am. Soc. Hortic. Sci., 117:239-242, 1992.  

ROCHA, A. C da; LEANDRO, W. M.; ROCHA, A. O.; SANTANA, J. das G.; ANDRADE, J. W. de S. Normas DRIS para cultura do milho semeado em espaçamento reduzido na região de Hidrolândia, GO, Brasil. Bioscience Journal, Uberlândia, v. 23, n. 3, p. 50-60, 2007.

SERRA, A.P.; MARCHETTI, M.E.; VITORINO, A.C.T.; NOVELINO, J. O. & CAMACHO, M.A. Desenvolvimento de normas dris e cnd e avaliação do estado nutricional da cultura do algodoeiro. R. Bras. Ci. Solo, 34:97-104, 2010.

SILVA, G.G.C.; NEVES, J.L.N.; VÍCTOR HUGO ALVAREZ V.H. & LEITE, F.P. Avaliação da universalidade das normas DRIS, M-DRIS e CND. R. Bras. Ci. Solo, v. 29, p. 755-761, 2005

URANO, E.O.M.; KURIHARA, C.H.; MAEDA, S.; VITORINO, A.C.T.; GONÇALVES, M. C. & MARCHETTI, M.E. Determinação de teores ótimos de nutrientes em soja pelos métodos chance matemática, sistema Integrado de diagnose e recomendação e diagnose da composição nutricional. R. Bras. Ci. Solo, 31:63-72, 2007.

WALWORTH, J.L.; SUMNER, M.E.; ISAAC, R.A. & PLANK, C.O. Preliminary DRIS norms for alfalfa in the Southeastern United States and a comparison with the Midwest norms. Agron. J., 78:1046-1052, 1986.

WALWORTH, J. L.; WOODDARD, H. J.; SUMNET, M. E. Geration of com tissue norms from a small, high-yield da base. Communications in Soil Science and Plant analysis. v. 19, n. 03, p. 563-577, 1988.

The post DRIS e CND são alternativas para diagnose nutricional das plantas first appeared on Fertile.