Ferramentas para manejo intensivo de pastagem

Texto: Ian Yule

 Este trabalho descreve uma jornada de 17 anos de tentativa de aplicar a agricultura de precisão ao manejo de pastagens. Há algumas possibilidades muito animadoras de podermos medir a quantidade e a qualidade da pastagem através de sensoriamento remoto hiperespectral. Apresentamos aqui os tipos de aplicações que têm sido desenvolvidos, bem como as tendências em tecnologia.

 A pastagem é extremamente importante para a Nova Zelândia, assim como para a agricultura mundial. A produtividade da pastagem é, frequentemente, muito difícil de ser medida, e é uma forma altamente complexa da agricultura para monitorar, medir e manejar, de forma que seja consistente com a agricultura de precisão (AP). Nós não estamos medindo uma monocultura; há muitas espécies diferentes de gramíneas e ervas daninhas para serem identificadas, em diferentes estágios de maturidade, que afetam o valor nutricional dos alimentos e sua produtividade. Também precisamos ser muito claros sobre o que querem os produtores em termos de informação sobre a produtividade da pastagem, visando melhorar seu manejo. Este trabalho descreve uma jornada de 17 anos de tentativa de aplicar a AP ao manejo de pastagens. Foi alcançado um ponto onde há algumas possibilidades muito animadoras de ser capaz de medir a quantidade e a qualidade da pastagem através de sensoriamento remoto hiperespectral. Isso não somente informará sobre o manejo da pastagem, mas também informará e estará diretamente relacionado com aspectos do manejo da pastagem, como aplicação de fertilizantes. Esse trabalho descreve, em um nível relativamente alto, os tipos de aplicações que têm sido desenvolvidos, bem como a tentativa de mostrar tendências de tecnologia.

Manejo de pastagem na pecuária leiteira

O mapeamento do rendimento de pastagem foi completado pela primeira vez na Universidade Massey, entre 1999 e 2001. A massa de pastagem foi medida e mapeada usando um prato ou disco medidor de pastagem com GPS habilitado. As leituras do prato medidor foram feitas em um padrão de grade sobre um grande número de piquetes nas fazendas da universidade. O objetivo era examinar a variação de rendimento. O trabalho indicou um alto nível de variação espacial. Isso levou a uma pesquisa interessante para produzir um dispositivo comercialmente viável para fornecer o mapeamento do rendimento para os produtores de leite. Várias tecnologias foram revisadas, investigadas e testadas; e o resultado da pesquisa foi o que depois se tornou o C-Dax Pasture Meter. O que ficou extremamente claro nesse estágio foi que os produtores de leite tinham pouco interesse em mapas espaciais da variação de rendimento; o que interessava a eles era a variação de piquete a piquete, que permitiria que eles tivessem um planejamento melhor de seus sistemas de rotação de pastagem. Isso para evitar vacas subalimentadas ou desperdício de pastagem que não estava sendo utilizada de forma eficiente. Isso foi expresso através de um “feedwedge”, descrevendo a produtividade da fazenda através da medida da massa de matéria seca do pasto por piquete. O C-DAX Pasture Meter foi intencionalmente voltado a alcançar esses objetivos. A parceria com a C-DAX começou em 2004 e o primeiro Pasture Meter comercial foi oferecido ao mercado em 2006. Para sua operação, o Pasture Meter com GPS habilitado é rebocado ao longo de um piquete, medindo a altura da pastagem 200 vezes por segundo. Isso cria um perfil exato da altura da pastagem no piquete, uma vez que o equipamento foi calibrado para várias equações de massa da pastagem; utilizado para dar uma estimativa da massa da pastagem ao produtor. O produto se desenvolveu significativamente desde então, mas a maioria dos desenvolvimentos foi feita na interface com o usuário, que foi ficando cada vez mais automatizada, coletando dados de forma mais eficiente, processando-as, e com visualização mais fácil e mais eficaz através da integração com outro software. Não se sabe se algum produtor comercial que usa o Pasture Meter tentou mapear o rendimento do pasto dentro de piquetes individuais, apesar de ele ter essa capacidade.

Há um número estimado de 3.000 C-DAX Pasture Meters em 11.000 fazendas leiteiras da Nova Zelândia, e o nível de uso que o Pasture Meter tem muda entre as fazendas. Algumas melhoraram significativamente sua utilização de pastagem através do fornecimento de medidas consistentes para lotação do pasto, evitando subalimentação, principalmente. O Pasture Meter permite uma medida rápida da pastagem de uma fazenda e é muito menos propenso a erro humano associado com medidas pelo olho ou outros métodos, como a placa medidora. Outros produtores usam as informações para reconhecer padrões de produtividade, por exemplo, identificando piquetes de baixa produtividade, usando essas informações para investigar mais problemas, replantar as pastagens ou colocar capital em programas de fertilização, em locais onde se identifica que é necessário.

O estudo de caso desta apresentação obteve resultados espetaculares, melhorando a utilização da pastagem, identificando mais de perto as necessidades de fertilizantes e identificando a variação na produtividade entre os piquetes e implementando novos programas de desenvolvimento. Essa fazenda teve redução significativa nos custos, melhora na produtividade e na rentabilidade. A medida do desempenho é um ingrediente chave que tem permitido que o produtor faça progressos. Se você não mede o desempenho, como pode melhorá-lo?

Interação animal-ambiente

É importante entender o comportamento dos animais na fazenda, visando construir um cenário mais completo e preciso das preferências de pastagem, comportamento no campo e deposição de nutrientes. As tecnologias para rastrear animais estão se tornando mais utilizáveis, com consumo de energia reduzido para os equipamentos de rastreamento e downloads wireless de informações. As melhorias nas tecnologias de rastreamento têm tornado o monitoramento do comportamento das vacas mais fácil, mesmo em sistemas de pastejo extensivo, conforme mostram detalhes de pesquisas (Draganova et al 2016).

Fertilização e amostragem do solo

Muito tem sido feito com uso de sensores para otimizar o uso de fertilizantes nitrogenados no setor de agricultura. Entretanto, experimentos indicam que no setor de lácteos, o melhor resultado pode estar em otimizar as necessidades de fertilizantes e de calcário. Evidências de um forte estudo de caso indicam sucesso em reduzir de forma significativa os custos dos fertilizantes, onde as amostras de solo são reduzidas para o menor denominador comum de um piquete único. Na maioria dos casos onde o sistema de pastejo rotacionado é usado, o tamanho do piquete é de 1 a 2 hectares. A prática tradicional tem sido pegar amostras da fazenda inteira, coletando algumas faixas de solo. Isso foi designado para dar um dado médio da fazenda inteira. Entretanto, mudar para um método onde as amostras são coletadas de piquetes individuais leva em conta mudanças no solo, nas práticas de manejo, bem como o histórico de fertilizantes. Isso tem sido mostrado como sendo extremamente rentável onde algumas áreas têm níveis ótimos de nutrientes do solo, e este podem ser extraídos. Áreas sub-ótimas podem ser focadas e ações apropriadas e mais específicas podem ser tomadas.

Na Nova Zelândia, uma proporção significativa da frota espalhada está equipada com tecnologia de aplicação de taxa variável, o que permitirá que sejam realizados planos mais complexos de aplicações de fertilizantes. Nas fazendas leiteiras, taxa variável é aplicada entre os piquetes, e não dentro.

Medida multiespectral

Nos últimos 15 anos, foram tentadas muitas alternativas para medir a pastagem. Provavelmente, o mais comum é o sensor multiespectral. O grupo de Massey esteve envolvido nesse esforço. Sensores ativos produzidos pela Crop Circle, Topcon e Trimble foram experimentados. Esses sensores proximais são mais bem conhecidos por serem usados em aplicações aráveis e de agricultura, e em monoculturas. A maioria fornecerá um índice que é baseado no Índice de Vegetação por Diferença Normalizada (NDVI, sigla em inglês) e Raza?o Simples (RS). Embora a equipe de Massey tenha conseguido resultados aceitáveis nas colheitas de trigo e milho, os resultados nas pastagens têm sido mais variáveis e esses métodos baseados na reflexão luminosa mostraram ser menos confiáveis do que medir a altura do pasto e estimar a massa do mesmo. Isso é devido a uma série de razões, mas a falta de consistência na pastagem que está sendo medida é um fator. Esses sensores têm sido satisfatoriamente usados para guiar a aplicação de um regulador de crescimento na produção agrícola de sementes de azevém, por exemplo.

Uma importante vantagem do sensoriamento remoto ou proximal é que pode fornecer uma explicação visual muito boa da variação espacial. Entretanto, uma das principais questões é que o nível de precisão e consistência requerido pela medição multi temporal é muito mais exigente. Os produtores estão interessados em como sua pastagem está crescendo e, algumas vezes ao ano, o crescimento pode ser lento e a maturidade da pastagem mudar rapidamente; se o erro do instrumento é muito grande, então, os métodos não ganharão credibilidade com os produtores. Esses tipos de sensores são muito mais caros, cerca de 4 a 8 vezes, comparado com o Pasture Meter e, embora na agricultura eles possam ser usados para informar sobre operações como pulverização e aplicação de fertilizantes em tempo real, isso tem recebido menos atenção no manejo de pastagem.

Destaca-se um experimento que mostrou o potencial de uso do sensor TopCon Cropspec em um caminhão que espalha fertilizantes (McVeagh et al, 2012). Os resultados obtidos parecem razoáveis, embora o trabalho ainda tenha que ser completado para informar quais ações tomar quando diferenças nas pastagens forem detectadas. A vantagem desse sistema é ser em tempo real, e não serem requeridos eventos adicionais de medições para informar o manejo.

É interessante notar que, de acordo com estudos de adoção de tecnologia e pesquisas, principalmente dos Estados Unidos, esses tipos de sensores têm ficado em linha reta em termos de adoção nos últimos dez anos. O que aumentou dramaticamente é o uso de aferição de colheita e aplicações via satélite. Os produtores estão, de forma geral, sem tempo, e parece que não estão interessados em gastar tempo medindo. É também difícil fornecer evidências diretas dos ganhos financeiros aos produtores em suas fazendas. O C-DAX Pasture Meter é usado em uma base semanal ou quinzenal nas fazendas leiteiras, há uma menor barreira econômica e aqueles que usam o sistema podem ver os benefícios. Apesar de haver um apelo no uso desse sistema em sistemas intensivos de pastagem, seu uso não foi projetado para medição de pastagens extensivas.

VANTs ou Drones

O uso de veículos aéreos não tripulados (VANTs) tem obtido muita atenção e criado expectativas nos últimos anos. Tem havido um nível significativo de promoção em torno disso, com muitos vendo a agricultura como uma área óbvia de aplicação. Há uma série de questões que precisam ser trabalhadas, e está claro que há um considerável desenvolvimento nesse campo em termos do tipo e das habilidades do veículo que está sendo usado. A atual tecnologia apresenta uma boa oportunidade de fornecer informações sobre a variabilidade espacial. Onde o período de medida temporal não é muito curto, no setor de colinas da Nova Zelândia, por exemplo, a medida sazonal seria útil. Por razões já dadas, a presente instrumentação disponível para VANTs não é suficientemente precisa para permitir medidas de curto prazo de pastagens (semanais ou quinzenais). Sistemas melhorados e mais utilizáveis estão chegando ao mercado, um sistema como MicaSense, que também fornece dados de processamento que podem fornecer informações em poucos dias. Esse tipo de cenário seria extremamente útil para monitorar a produção de pastagens, à medida que os produtores chegam em condições de seca de verão e fornecem uma indicação do status de umidade do solo. Sistemas baseados em VANTs provavelmente oferecem maior oportunidade para pesquisa do que os sistemas de satélite, por exemplo, por causa da cobertura de nuvens, mas ainda não pode ser usado na chuva. A maioria das áreas de pastagens altamente produtivas do mundo estão em áreas de bastante chuva. Tem havido também muito esforço para tornar os VANTs mais estáveis em condições de vento, que também é um fator importante em países como a Nova Zelândia. Esse é um campo de rápido desenvolvimento que precisa ser observado e suportado; entretanto, isso provavelmente será parte de uma solução potencial. Uma melhor comunicação e sistemas de automação precisam ser desenvolvidos, de forma que as informações possam ser prontamente apresentadas aos produtores.

A proposta de medida de pastagem precisa ser muito clara. Na Nova Zelândia, há um forte e crescente interesse em entender melhor a qualidade da pastagem, bem como a produtividade em termos de kg MS por hectare. Os produtores estão interessados em entender sua capacidade de lotação animal e, então, como isso pode ser melhorado de forma financeira e ambientalmente sustentável. Isso nos leva a um interesse no sensoriamento hiperespectral. Esse trabalho tem sido desenvolvido com fazendas maiores em mente, embora o setor de lácteos também possa se beneficiar.

Sensoriamento hiperespectral e imagem

Durante os últimos dez anos, o volume de literatura científica sobre sensoriamento hiperespectral vem aumentando a uma taxa quase exponencial. O grupo PA da Massey usou isso primeiramente em pastagens de uma fazenda leiteira para estimar uma série de parâmetros de qualidade; fibra em detergente ácido (FDA), fibra em detergente neutro (FDN) e energia metabolizável (EM). Isso foi completado por Pullanagari et al (2012a, 2012b), que indicou claramente o potencial para essa medida. O grupo subsequentemente viu a oportunidade para o setor de bovinos e ovinos de corte na região de colinas da Nova Zelândia, onde a qualidade das pastagens e a produção de biomassa são questões importantes. Um estudo patrocinado por C. Alma Baker Trust permitiu que fossem tomadas medidas em uma icônica propriedade da Nova Zelândia, e as diferenças observadas na qualidade da pastagem foram muito dramáticas, e isso motivou mais estudos. No final das contas, isso levou ao desenvolvimento de um projeto importante com a parceira da indústria, Ravensdown Fertilisers Ltd, que é um dos principais fornecedores de fertilizantes ao mercado neozelandês. Apesar de um estudo anterior ter mostrado promessas significativas, ficou claro que as limitações do uso de um sensor realizado pelo usuário tinham que ser superadas. O projeto foi centrado no uso de tecnologia hiperespectral para informar a colocação dos fertilizantes. O projeto tinha dois componentes; o priemiro, um sistema de distribuição aérea capaz de colocar fertilizante de forma exata e variável nas fazendas da região das colinas. Isso foi feito pela Ravensdown Fertilisers com insumo da Massey University. O segundo componente foi um projeto de parceria em que a Ravensdown e o Ministério de Indústrias Primárias financiaram o esforço para usar imagens hiperespectrais para informar a colocação de fertilizantes. A Massey University é o principal fornecedor científico nesse projeto. As indicações iniciais são de que as imagens hiperespectrais tinham o potencial para oferecer um mapeamento das características da planta, como concentrações de nutrientes e valor nutricional, bem como estimativas de matéria seca. Informações adicionais, como as espécies presentes, podem ser adicionadas para enriquecer as camadas de informações em um modelo digital do terreno. Todas essas medidas adicionais permitem a construção de um ambiente de dados incrivelmente rico, que fornecerá uma plataforma para uma modelagem mais detalhada.

Um campo experimental de larga escala está sendo conduzido e relata informações com sensoriamento e imagens hiperespectrais para propriedades do solo e das plantas. Imagens hiperespectrais estão sendo usadas porque foi reconhecido que grandes propriedades, tipicamente com 2.000 a 3.000 hectares, com uma densidade populacional de cerca de 10 unidades por hectare, não podem ser cobertas usando uma plataforma de sensoriamento que foi carregada por uma pessoa ou veículo através de um terreno grande e variável.

Uma mudança de paradigma

O trabalho descrito no projeto de imagem hiperespectral foi criado com claros objetivos comerciais em mente, mas o que se tornou muito claro é que essa tecnologia é mais do que um passo iterativo ao longo da via do desenvolvimento aqui apresentada. Isso representa uma importante mudança na forma pela qual podemos atuar como uma indústria; é uma mudança significativa de paradigmas. Anteriormente, nós usávamos dados comparativamente escassos e caros de produzir. A ciência dependia de métodos de testes de campo com relativamente poucas medidas, e interpolava resultados para áreas mais amplas com graus variados de explicação. Isso progrediu para um ambiente de “dados ricos” ou “dados abundantes”, onde ao invés de 0,1 item de dados por hectare mudamos para 4,5 mil. Essa rica gama de dados pode fornecer uma plataforma mais confiável, em que são incorporadas informações temporais que, por sua vez, levam a uma fase de “dados superabundantes”, onde mais informações temporais são incluídas.

Isso apresenta não somente uma enorme oportunidade; apresenta alguns problemas sobre como a pesquisa é organizada, desenvolvida e realizada por meio da extensão. O sensoriamento tem se movido a uma área onde os métodos de análises têm que mudar, e a forma como a informação é apresentada aos produtores e usuários finais também precisa mudar. A maioria das organizações de pesquisa agrícola não considerou essa mudança dramática dos eventos, e há um perigo de que sua base de conhecimentos anteriores, considerados fortes, atue como uma barreira para mudanças, caso se agarrarem às metodologias antigas. Isso poderia levar a uma ruptura significativa dentro da indústria.

Agradecimentos

Gostaria de agradecer à Equipe de Agricultura de Precisão da Massey University, que inclui o Dr Reddy Pullanagari, Dr Miles Grafton e Dr Brennon Wood, Dr Ina Draganova, Dr Gabor Kerestzuri, Eduardo Sandoval, Pip McVeagh, Megan Cushnahan, Tommy Cushnahan, Sue Chok e Istvan Hajdu.