Estimativa do conteúdo de nitrogênio na cana-de-açúcar baseado em índices de vegetação derivados de dados Sentinel-2

Jose Neto Soares Filho; Douglas Endrigo Perez Pereira; Amanda Soares Regis Noronha

doi:10.17268/sci.agropecu.2025.006

Autores

Jose Neto Soares Filho Faculdade de Ciências Sociais e Humanas, Universidade Nova de Lisboa, Portugal. https://orcid.org/0000-0003-4247-0812
Douglas Endrigo Perez Pereira Instituto de Fosfato Biológico, Goiânia, Goiás, Brasil. https://orcid.org/0009-0006-2413-6211
Amanda Soares Regis Noronha Instituto de Fosfato Biológico, Goiânia, Goiás, Brasil. https://orcid.org/0000-0002-9227-6973

DOI:

https://doi.org/10.17268/sci.agropecu.2025.006

Palavras-chave:

agro-modelo, cultivares, dossel, sensoriamento remoto, inteligencia artificial

Resumo

A cana-de-açúcar ocupa grande escala territorial no mundo e busca constantemente por mecanismos para monitorar os nutrientes no ciclo de produção da cultura, utilizando métodos não destrutivos. O estudo com objetivo estimar o teor de nitrogênio na folha da cana-de-açúcar foi desenvolvido na safra 2021/2022 sobre dois talhões comerciais de sequeiro cultivares (RB867515 = 50,75 ha) e (CVSP7870 = 48,56 ha) na Usina Energética Serranópolis-Goiás, avaliando a eficiência dos índices bioquímicos de vegetação Fraction of Absorbed Photosynthetically Active Radiation (fAPAR) e Canopy Chlorophyll Content (CCC) processados utilizando modelo de transferência de radiação RTM PROSAIL, comparados aos índices Normalized Difference Vegetation Index (NDVI) e Green Normalized Difference Vegetation Index (GNDVI), processados utilizando modelos matemáticos e razão de bandas. Ambos, baseados em série temporal de dados Sentinel-2 como variáveis de entrada. A validação do Agro-Modelo ocorreu através de análise de tecido foliar coletada em sete avaliações intercaladas durante o período de permanência da cultura no campo. Foi evidenciado a funcionalidade dos quatro índices, destacando o índice bioquímico fAPAR sob a ótica da estatística descritiva (R² = 0,970 e RMSE = 0,46) para o cultivar RB867515 e (R² = 0,940 e RMSE = 0,69) para o cultivar CVSP7870.

Referências

Ali, A.M., Darvishzadeh, R, Skidmore., A, Gara, T. W., O'Connor, B., Roeoesli, C., Heurich, M., & Paganini, M. (2020). Comparing methods for mapping canopy chlorophyll content in a mixed mountain forest using sentinel-2 data. Int. J. Appl. Earth Obs. Geoinf., 87. https://doi.org/10.1016/j.jag.2019.102037

Andrade, J. B., Ferrari Junior, E., & Possenti, R. A. (2003). Seleção de 39 variedades de cana-de-açúcar para alimentação animal. Brazilian of Journal Veterinary Research Animal Science, 40(4), 287-296. https://doi.org/10.1590/S1413-95962003000400008

Barros, P. P. S., Fiorio, P. R., Demattê, J. A. M., Martins, J. A., Montezano, Z. F., & Dias, F. L. F. (2022). Estimation of leaf nitrogen levels in sugarcane using hyperspectral models. Ciência Rural, Santa Maria, 52(7), e20200630. https://doi.org/10.1590/0103-8478cr20200630

Bassi, M., Menossi, M., & Mattiello, L. (2018). Nitrogen supply influences photosynthesis establishment along the sugarcane leaf. Sci. Rep., 8(1) 2327, https://doi.org/10.1038/s41598-018-20653-1

Berger, K., Verrelst, J., Feret, J.-B., Wang, Z., Wocher, M., Strathmann, M., Danner, M., Mauser, W., & Hank, T. (2020). Crop nitrogen monitoring: Recent progress and principal developments in the contexto of imaging spectroscopy missions. Remote Sensing of Environment, 242, 111758. https://doi.org/10.1016/j.rse.2020.111758

Calheiros, A. S., Oliveira, M. W., Ferreira, V., Barbosa, G. V. S., Costa, J. P. V., Lima, G. S., & Aristides, E. V. S. (2011). Acúmulo de nutrientes e produção de sacarose de duas variedades de cana-de-açúcar na primeira rebrota, em função de doses de fósforo. STAB. Tecnologia/Pesquisa, p. 26-29.

Clevers, J. G. P. W., & Kooistra, L. (2012). Using hyperspectral remote sensing data for retrieving canopy chlorophyll and nitrogen content. IEEE J. Sel. Top. Appl. Earth Observ. 5, 574-583.

Coelho, A.P, Rosalen D. L., & Faria, R. T. (2018). Vegetation indices in the prediction of biomass and grain yield of white oat under irrigation levels. Pesquisa Agropecuária Tropical, 48(2), 109-117. https://doi.org/10.1590/1983-40632018v4851523.

Cremonesi, M. V., Ramalho, B., Golfetto, P., Krepki, L. S., & Pauletti, V. (2019). Marcha de absorção, taxa de acúmulo e exportação de micronutrientes e alumínio pelo tabaco (Nicotiana tabacum L.). Revista de Ciências Agroveterinárias, 18(1), 13-23. https://doi.org/10.5965/223811711812019013.

Darvishzadeh, R., Matkan, A. A., & Dashti Ahangar, A. (2012). Inversion of a radiative transfer model for estimation of rice canopy chlorophyll content using a lookup-table approach. IEEE J. Sel. Top. Appl. Earth Observ. Remote Sens, 5, 1222–1230.

Delloye, C., Weiss, M., & Defourny, P. (2018). Retrieval of the canopy chlorophyll content from sentinel-2 spectral bands to estimate nitrogen uptake in intensive winter wheat cropping systems. Remote Sensing of Environment, 216, 245–261. https://doi.org/10.1016/j.rse.2018.06.037

Gitelson, A. A., Kaufman, Y. J., & Merzlyak, M. N. (1996). Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sens. Environ., 58, 289–298. https://doi.org/10.1016/S0034-4257(96)00072-7

Gitelson, A. A., & Merzlyak, M. N. (1998). Remote sensing of chlorophyll concentration in higher plant leaves. Adv. Space Res., 22, 689–692.

Houborg, R., Soegaard, H., & Boegh, E. (2007) Combining vegetation index and model inversion methods for the extraction of key vegetation biophysical parameters using Terra and Aqua MODIS reflectance data. Remote Sens Environ, 106, 39–58. https://doi.org/10.1016/j.rse. 2006.07.016

Houlès, V., Mary, B., Machet, J. M., Guérif, M., & Moulin, S. (2001). Do crop characteristics available from remote sensing allow to determine crop nitrogen status? In G. Grenier, & S. Blackmore (Eds.), 3rd European Conferance on Precision Agriculture (pp. 917-922). Montpellier: Agro Montpellier,

Instituto Nacional de Meteorologia - INMET: Banco de dados meteorológicos. https://tempo.inmet.gov.br/

JASP Team (2024). Version 0.18.3) [Computer software]. https://jasp-stats.org/

Liu, W. T. H. (2006). Aplicações de sensoriamento remoto. Campo Grande: Ed. UNIDERP, 908 p.

Martins, J. A., Fiorio, P. R., Silva Barros, P. P., Demattê, J. A. M., Molin, J. P., Cantarella, H., & Neale, C. M. U. (2021). Potential use of hyperspectral data to monitor sugarcane nitrogen status. Acta Scientiarum. Agronomy, 43, e47632. https://doi.org/10.4025/actasciagron.v43i1.47632

Monteith, J. L. (1977). Climate and Efficiency of Crop Production in Britain. Philosophical Transactions of the Royal Society London B, 281, 277-294.

Prado, R. M. (2021). Introduction to Plant Nutrition. In: Mineral nutrition of tropical plants (pp.1-38) Springer, Cham.. https://doi.org/10.1007/978-3-030-71262-4_1

Quaggio, J. A., Cantarella, H., van Raij B, Otto, R., Penatti, C. P., Rossetto, R., et al. (2022). Cana-de-açúcar. In: Boletim 100: recomendações de adubação e calagem para o Estado de São Paulo. Campinas: IAC.

Reyes-Trujillo, A., Daza-Torres, M. C., Galindez-Jamioy, C. A., Rosero-García, E. E., Muñoz-Arboleda, F., & Solarte-Rodriguez, E. (2021). Estimating canopy nitrogen concen-tration of sugarcane crop using in situ spectroscopy, Heliyon, 7(3) e06566, https://doi.org/10.1016/j.heliyon.2021.e06566

Ribeiro, R. V., Machado, R. S., Machado, E. C., Machado, D. F. S. P., Magalhães Filho, J. R., & Landell, M. G. A. (2013). Revealing drought-resistance and productive patterns in sugarcane genotypes by evaluating both physiological responses and stalk yield. Experimental Agriculture, Cambridge, 49, 212-224. https://doi.org/10.1017/S0014479712001263

Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1973). Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation. https://ntrs.nasa.gov/citations/19750020419

Stamford, J. D., Vialet-Chabrand, S., Cameron, I., & Lawson, T., (2023). Development of an accurate low cost NDVI imaging system for assessing plant health. Plant Methods, 30, 19. https://doi.org/10.1186/s13007-023-00981-8

Verrelst, J., Malenovsky, Z., Van der Tol, C., Camps-Valls, G., Gastellu-Etchegorry, J. P., Lewis, P., North, P., & Moreno, J. (2019). Quantifying vegetation biophysical variables from imaging spectroscopy data: A review on retrieval methods. Surveys in Geophysics, 40(3), 589–629. https://doi.org/10.1007/s10712-018-9478-y

Vitti, G. C., Luz, P. H. C., & Altran, W. S. (2016). Nutrição e Adubação. p. 66-93. In: Santos, F.; Borém A. Cana-de-Açúcar do Plantio à Colheita. Viçosa: UFV.

Weiss, M., Baret, F., & Sylvain, J. (2020). Sentinel2 ToolBox Level2 Products. V2.0. https://step.esa.int/docs/extra/ATBD_S2ToolBox_V2.0.pdf

Zhao, B., Duan, A., Ata-Ul-Karim, S. T., Liu, Z., Gong, Z., Zhang, J., Xiao, J., liu, Z., Qin, A., & Ning, D. (2018). Exploring new spectral bands and vegetation indices for estimating nitrogen nutrition index of summer maize. European Journal of Agronomy, 93, 113-125. https://doi.org/10.1016/j.eja.2017.12.006