Análise da variabilidade espacial da produtividade na cafeicultura de montanha com uso de técnicas de sensoriamento remoto.

Abstract

A adoção da agricultura de precisão tem, como ponto de partida, uma linha de procedimentos, que geralmente começam com a elaboração de um mapa de produtividade durante a colheita. Para a cultura de alguns grãos, como o milho e a soja, já existem dispositivos disponíveis no mercado, que acoplados às colhedoras combinadas, geram esses mapas de produtividade. No caso de culturas perenes, os sistemas de mapeamento de produtividade estão menos desenvolvidos devido à menor utilização da colheita mecanizada. Grande parte da colheita do café no Brasil é, ainda, feita manualmente. Nas áreas de produção de café de montanha, como é o caso da Zona da Mata, é difícil obter o mapeamento da produtividade uma vez que não se utilizam colhedoras automotrizes. Assim para o mapeamento da variabilidade da produtividade do café de montanha, há necessidade da geração de tecnologias específicas. O objetivo principal deste trabalho foi estudar a variabilidade espacial da produtividade na cafeicultura de montanha, por meio de técnicas desensoriamento remoto. Foram selecionadas seis áreas para implantação das parcelas experimentais, sendo que, dentro de cada área, as plantas possuíam mesma idade, variedade e espaçamento. Três subáreas foram instaladas no campo, dentro de cada área, por meio de estacas de madeira georreferenciadas com uso de um GPS diferencial Trimble Pro XRS. Foi obtida a produtividade corrigida para a umidade padrão de 12% de cada subárea. As imagens aéreas foram obtidas a 2.000 metros de altura, nos dias nove de setembro e 27 de novembro de 2003. Identificadas nas imagens georreferenciadas, as subáreas foram recortadas e processadas, usando-se os índices espectrais Vdn, Vmn, IVn, RVm, RVd, NDVI, GNDVI e SAVI. Para efeito de análises estatísticas, foi utilizado um delineamento inteiramente casualizado, em que as diferentes áreas foram consideradas como um fator primário designado às parcelas e as diferentes avaliações mensais (épocas de tomadas de imagens) como sendo um fator secundário designado às subparcelas, caracterizando, assim, um experimento em parcelas subdivididas no tempo. Foram realizadas análises de variância para cada índice espectral, nas diferentes épocas de tomada de imagens. Selecionaram-se os índices, que resultaram em teste F não-significativo para interação e significativo para área e época. Para cada uma das duas épocas, foram ajustados modelos lineares de regressão de primeiro e segundo grau da produtividade, pelo método dos mínimos quadrados, em função dos valores do índice selecionado. O modelo selecionado foi de segundo grau referente ao índice banda verde normalizada (Vdn) para o conjunto de imagens obtidas no dia nove de setembro de 2003, que apresentou significância de 7,91% na análise de variância da regressão. O modelo e as imagens, adquiridas no dia nove de setembro de 2003, foram utilizados na geração de mapas de produtividade estimada com uso do programa MATLAB. Nas condições em que o trabalho foi realizado, concluiu- se que, entre os índices espectrais avaliados, apenas o índice Vdn em imagens aéreas falsa-cor satisfez os critérios estabelecidos para seleção de índices. Imagens aéreas falsa-cor, obtidas logo após a colheita da safra anterior, produziram um modelo de regressão com melhor ajuste para estabelecer a relação funcional entre produtividade e índice espectral Vdn. A discriminação da variabilidade espacial da produtividade a partir de índices espectrais obtidos a partir de imagens aéreas falsa-cor é possível, mas ajustes são necessários.The precision farming technique is composed by a set of management practices that generally starts by the elaboration of a yield map. For some crops, such as corn, soybeans, wheat, cotton, yield monitors that generate yield maps are commercially available. For perennial crops, the systems for yield mapping are less developed, due to the complexity of the harvesting systems. Great part of the coffee harvesting in Brazil is still made manually. In the mountain areas that produce coffee, such as Zona da Mata Mineira, the development of yield monitor is even more difficult and there is a lack of technology for these areas. The objective of this work was to study the coffee yield variability in mountain areas using remote sensing. Six areas were chosen for doing the experimental work, in each area the plants had same age, variety and density. Three sub-areas were delimited in each area by using a DGPS Trimble Pro-XRS. The yield in each sub-area was corrected to 12% of moisture wet basis. The aerial images had been taken at the 2000 meters of height on September, 9 and on November, 27 of 2003. After identifying the sub-areas in the georeferenced images, then they were isolated and processed with use of Vdn, Vmn, IVn, RVm, RVd, NDVI, GNDVI and SAVI spectral indices. For doing the statistical analyses, the statistical model of a randomized completely design was used, where the different areas had been considered as the primary factor assigned to the plots and the different monthly evaluations (times of taking of images) as being the secondary factor assigned to the subplots, thus characterizing an split-plot experiment on time. Analyses of variance for each spectral index at the different times of taking of images had been carried out. For each one of the two images, linear models of regression of first and second degree had been adjusted, by using the least square method, relating the yield as a function of the values of the selected index. The best model was the second degree polynomial of the normalized green band index (Vdn) for the set of images taken on September, 9th of 2003 which showed significance at 7.91% level. Therefore, the model and the images acquired in September, 9th of 2003 were used for generating the yield maps. In the conditions where the work was carried out it was concluded that among the evaluated spectral indices, only the Vdn index in aerial images false-color satisfied the established criteria for selection of indices. Aerial false-color images taken just after the harvesting of the previous season produced a model of regression with better adjustment to establish the functional relationship between yield and the Vdn spectral index. The discrimination of the spatial variability of the yield from spectral indices obtained from aerial false-color images is possible, however adjustments are necessary.