O que esperar do uso do NDVI para caracterizar o estado vegetativo de uma cultura agrícola? Que oportunidades existem para mapear diferentes componentes do rendimento
Quando pensamos em deteção remota no contexto agrícola imediatamente associamos o termo ao uso de imagens recolhidas por satélites, e em particular ao uso do famoso ‘índice vegetativo por diferença normalizada’ (NDVI), frequentemente utilizado para caracterizar o estado vegetativo de uma cultura.
Para monitorizar o estado vegetativo de uma cultura por meio de um índice de vegetação, existem diversos índices alternativos ao NDVI. Exemplos comuns são o índice de vegetação ajustado ao solo (SAVI), o índice de vegetação atmosférica resistente (ARVI), o índice de vegetação aprimorado (EVI), o índice de clorofila verde (CIGreen), o índice de clorofila no limite do vermelho (CIRed-edge), o índice de vegetação por diferença ponderada (WDVI). Teoricamente, muitas vantagens podem ser atribuídas a alguns destes índices em comparação com o NDVI que é conhecido pelas suas limitações em lidar com a interferência atribuída à reflectância do solo e aos efeitos atmosféricos sobre a propagação da radiação que captamos com o satélite. No entanto, parece-me inegável o nível de importância alcançado pelo NDVI nos últimos anos, algo que se deve certamente à simplicidade do seu uso e interpretação, à sua popularidade na literatura e ao facto de se tratar de um índice prontamente disponível na maioria dos satélites utilizados ou através de outro tipo de provedores de informação obtida por deteção remota.
Não pretendo aqui discutir as múltiplas vantagens e desvantagens associadas aos diversos índices alternativos. Reconheço que nenhum destes índices foi capaz de conquistar o nível de popularidade do NDVI, razão que considero suficiente para centrar a minha atenção sobre um índice que os agricultores realmente utilizem. Procurámos deste modo compreender com que grau de incerteza lidamos de um modo geral sempre que utilizamos esta ferramenta tecnológica e que potencialidades/limitações derivam do uso da mesma.
O objetivo deste estudo consistiu em quantificar de que forma varia a relação entre o NDVI e o estado vegetativo de uma cultura. O estado vegetativo da cultura foi caracterizado por meio daquele que é porventura o parâmetro “mais direto” de medir no campo, o grau de cobertura do solo (GCS). Este parâmetro é definido como a fração da área de solo, horizontalmente projetada, que se encontra coberta por vegetação fotossinteticamente ativa, funcionando assim como um indicador indirecto do vigor, da capacidade de interceção de radiação e de superfície transpirativa.
É comum a utilização deste parâmetro para diagnosticar zonas problemáticas numa seara, mas o que me parece verdadeiramente revolucionário é o seu uso para determinar de que forma varia o potencial produtivo da mesma no espaço. Sabemos que o GCS permite-nos inferir um conjunto de informação que nos é útil para modelar diversos processos relacionados com o crescimento e desenvolvimento das culturas. Através da relação NDVI-GCS, podemos distribuir espacialmente alguns destes processos. Existem diversas oportunidades futuras que estão por explorar, destacando por exemplo a possibilidade de distribuir a computação do balanço hídrico no espaço e desse modo mapear a produtividade potencial de uma seara de trigo de inverno, de um campo de colza, ou de uma pastagem de sequeiro. Existem igualmente oportunidades de interesse para algumas culturas arvenses de regadio.
Realizámos observações para diversas culturas, durante diferentes estados fenológicos e em múltiplas localizações geográficas. As medições foram realizadas em diversas parcelas comerciais para oito culturas arvenses (trigo, cevada, triticale, centeio, milho, colza, girassol, soja), duas culturas hortícolas (alface e brócolos), diversas consorciações de pastagens e forragens (luzerna, trevos, outros) e quatro culturas frutícolas perenes (vinha, olival, amendoal e pistácios). As distintas parcelas monitorizadas encontram-se distribuídas por três regiões distintas: 1) Alentejo, Portugal; 2) Córdoba, Espanha; 3) Fresno-Califórnia, Estados Unidos.
A metodologia que se seguiu combinou diversas ferramentas de análise de imagens, tratamento semi-automatizado de dados e de análise estatística (…).
Autoria: Tomás Roquette Tenreiro
- Eng. Agrónomo, investigador no CSIC,
- PhD-candidate pela Universidade de Córdoba e jovem agricultor
→ Leia o artigo completo na edição de maio de 2021.
Subscreva a Revista Voz do Campo e mantenha-se atualizado todos os meses:
