Quando falamos em manejo nutricional, uma das questões mais importantes é a identificação do momento mais adequado para aplicar os fertilizantes, sobretudo em razão dos custos elevados desses insumos e da eficiência de absorção das plantas. O desafio é ainda maior quando falamos em grandes áreas efetivas de plantios, comuns em empresas florestais.

Neste contexto, ter uma ferramenta capaz de monitorar frequentemente a condição nutricional das florestas tende a tornar o processo mais estratégico e eficaz para o planejamento de priorização das áreas a serem fertilizadas, e, consequentemente, aumentam as possibilidades de ganhos de produtividade.
 

Uma das formas mais eficientes de ter essa visualização ampla do cultivo é através da reflectância espectral da vegetação, por meio de imagens remotamente obtidas, sejam por satélites, sejam por drones. Dessa forma, pode-se ter uma visão geral em uma única imagem, algo vantajoso para as empresas, e, por isso, são muito utilizadas por serem ferramentas poderosas devido a seu uso múltiplo. 

As imagens de satélites contêm informações precisas e atualizadas (por exemplo, o satélite Sentinel 2 A revisita a área a cada cinco dias), cuja obtenção muitas vezes não implica em custos financeiros.

A imagem espectral capta o que os olhos humanos não conseguem enxergar; nós vemos a folha, mas o espectro eletromagnético é capaz de detectar os pigmentos presentes nos cloroplastos – clorofila, carotenos, xantofilas – na estrutura do mesófilo e demais componentes da estrutura foliar. Percebe-se assim a forte aproximação dessas informações com a Nutrição de Plantas, afinal são os nutrientes que fazem toda essa cadeia fotossintética funcionar. 

Foi a partir desse insight que realizamos os estudos ao longo do meu mestrado e doutorado, sob orientação dos Professores Júlio César Lima Neves e Elpídio Inácio Fernandes Filho, ambos do Departamento de Solos da Universidade Federal de Viçosa, para compreender as interações do sensoriamento remoto com os conceitos clássicos de Fisiologia Vegetal e Nutrição de Plantas, tendo em vista desenvolver novas tecnologias para a realização da Diagnose Nutricional, incorporando inovação, embasamento técnico científico, técnicas de análise numérica e inteligência artificial. 

Quando se realiza a análise química da folha, o resultado laboratorial apresenta a resposta nutricional da planta até o momento da coleta. Ao selecionar as imagens, o comportamento espectral também considera o efeito da nutrição de forma indireta, e isso é mensurado pela reflectância espectral. 

Conforme visto na Figura em destaque, é analisada a absorção das bandas do espectro visível azul, verde e vermelho e da banda NIR (infravermelho). Nota-se que uma planta saudável absorve mais as bandas vermelha e azul do espectro visível, logo sua reflectância no vermelho e azul é baixa. 

Em contrapartida, na banda verde, a sua absorção é menor e, consequentemente, sua resposta é maior, por isso que sua coloração é verde. Já a reflectância do NIR é a mais expressiva, pois uma planta saudável não absorve a banda NIR. Porém, na planta estressada e na planta morta, a resposta da banda NIR é menor, o que quer dizer que a planta está absorvendo essa banda.

COMPORTAMENTO ESPECTRAL DE FOLHAS ESTRESSADAS,  FOLHAS MORTAS E FOLHAS MADURAS.

Em resumo, uma planta saudável absorve as bandas vermelho e azul do espectro visível e não consome a banda infravermelho próximo, e através desses dados são gerados os índices de vegetação. Quanto maior a discrepância entre a reflectância das bandas, mais saudável a planta está; quando essa discrepância começa a diminuir, é sinal de que a planta está estressada; e, se a discrepância for praticamente nula, é sinal de que a planta está morta. O índice de vegetação é uma operação aritmética com as bandas espectrais. 

 

No trabalho de doutorado, após ampla revisão de literatura, mais de 60 índices de vegetação foram selecionados para determinar a área foliar, as variações dos teores de clorofila, carotenoides, antocianinas e até mesmo o teor de água na folha, além de diversas outras substâncias influentes na coloração foliar para, assim, determinar os mais eficientes em monitorar de forma periódica a oscilação dos seus valores. 
 

Uma pergunta rotineiramente feita quando falamos sobre esse assunto é: como diferenciar, na imagem, o aspecto visual ocasionado pela deficiência nutricional daquele causado por um possível ataque de pragas, doenças, déficit hídrico etc.? Para esse nível de refinamento, é primordial o banco de dados de análises foliares ser consistente e bem-estruturado.
 

Esse histórico aliado com as séries temporais de imageamento formam a base para relacionar os padrões espectrais correspondentes com as faixas “deficiente”, “suficiente” e “excessivo” de cada nutriente. Para isso, são utilizadas várias técnicas matemáticas para determinar qual é o melhor índice de vegetação capaz de predizer os teores nutricionais em determinada condição em que o plantio se encontra, dando origem a um modelo metodológico personalizado para cada condição.
 

Nese escopo, todo o processo de validação e treinamento do modelo é realizado por meio de técnicas de machine learning. Nessa etapa, diversos algoritmos nos ajudam a compreender qual ou quais índices de vegetação são os mais adequados para estimar com acurácia os nutrientes Nitrogênio (N), Fósforo (P), Potássio (K), Calcio (Ca), Magnésio (Mg), Enxofre (S), Cobre (Cu), Boro (B), Ferro (Fe), Manganês (Mn) e Zinco (Zn), um processo detalhado treinado em média 100 vezes para termos confiabilidade nas equações e acurácia do modelo. 

Em nossa pesquisa realizada com palma de óleo, obtivemos correlações expressivas, com grau de confiabilidade de 91% para o N, 87% para o P, 94% para o K. No caso dos elementos Ca, Mg e S, os resultados foram de 98%, 89% e 93%, respectivamente. Para os micronutrientes, a performance manteve-se positiva, com 94%, 92%, 95%, 93% para B, Cu, Fe, Zn e Mn, nessa ordem.

Os teores de nutrientes assim estimados são utilizados para a avaliação do grau de balanço e de equilíbrio nutricional dos plantios com base em métodos referenciais, a exemplo dos índices balanceados de Kenworthy e do DRIS. No entanto, a correlação dos índices de vegetação com a produtividade da cultura foi menor (39%), afinal sempre é importante lembrar que produtividade não é só nutrição, embora a nutrição seja essencial para obtenção de altas produtividades.

De posse do modelo estabelecido, a cada nova imagem inserida no modelo é possível avaliar os resultados a nível de talhão e até mesmo predizer a condição nutricional com base nas escalas de valores dos índices de vegetação. 

O monitoramento nutricional assistido por imagens remotamente obtidas, por exemplo, imagens de satélite, é uma valiosa tecnologia para antever as áreas com limitação nutricional, contribuindo para a definição das áreas prioritárias para fertilizações corretivas e otimizando tempo, mão de obra e custos. Contudo, é essencial que sejam feitas calibrações e validações de campo.