Artigo - Atena Editora

Artigo

Baixe agora

Livros

MAPEAMENTO DA CAPACIDADE DE SUPORTE NA PRODUÇÃO DE BOVINOS A PASTO OBTIDA POR SENSORIAMENTO REMOTO

A pecuária brasileira é em sua maioria a pasto, o que torna a avaliação das pastagens algo extremamente necessário. Nesse sentido a análise das imagens obtidas a partir sensores presentes nos satélites, se tornou uma importante ferramenta para a análise das pastagens. Dentre os objetivos desse trabalho estão: coletar dados de produtividade de matéria seca de uma pastagem degradada em um período seco; mapear diferentes índices de refletância da pastagem nas áreas estudadas, como o NDVI, SAVI e CO2-Flux; analisar a correlação entre a matéria seca e os índices mapeados; e mapear a capacidade de suporte na produção de bovinos a pasto obtida por sensoriamento remoto. A correlação entre os índices de reflectância e a matéria seca, obtiveram os seguintes valores: r= 0,54 para CO2-Flux, r=0,67 para SAVI e r= 0,70 para NDVI. O NDVI foi o que apresentou maior correlação entre os índices. Por esse motivo, foi gerado uma regressão linear com o intuito de estimar a capacidade de suporte em função dos valores de NDVI. A regressão apresentou valor de R²= 0,47, o que indica que o modelo explica 47% da variabilidade da variável resposta. A partir da equação gerada pela regressão linear, foi feito um mapa da capacidade de suporte da área. O mapa gerado nos permite ter uma ideia da capacidade de suporte da área analisada, porém apenas a observação do mapa não nos possibilita ter uma visão real da área, pois possui intervalos muito amplos entre os valores de UA por hectare. Dessa forma ao definir o número de animais apenas observando o mapa há chance de faltar ou sobrar forragem, logo definir a capacidade de suporte apenas pelo mapa gerado não seria a melhor forma de manejo possível. Como sugestão para a criação de um modelo que explique melhor a capacidade de suporte em função do NDVI, deve-se realizar o mesmo experimento em uma área mais uniforme, bem manejada, não degradada, e sem a presença de matas. Além disso, atribuir outros fatores para criação do modelo, como o índice de área foliar, dados de precipitação e doses de fertilizantes podem melhorar a funcionalidade do modelo.
Ler mais

MAPEAMENTO DA CAPACIDADE DE SUPORTE NA PRODUÇÃO DE BOVINOS A PASTO OBTIDA POR SENSORIAMENTO REMOTO

  • DOI: https://doi.org/10.22533/at.ed.4422412094

  • Palavras-chave: Agricultura digital; Geoestatística; Pecuária de corte

  • Keywords: Geostatistics; Beef Cattle Farming

  • Abstract: Brazilian livestock farming is predominantly pasture-based, which makes the evaluation of pastures extremely necessary. In this context, the analysis of images obtained from sensors present on satellites has become an important tool for pasture analysis. The objectives of this study include: collecting dry matter productivity data from a degraded pasture during a dry period; mapping different reflectance indices of the pasture in the studied areas, such as NDVI, SAVI, and CO2-Flux; analyzing the correlation between dry matter and the mapped indices; and mapping the carrying capacity for cattle production on pasture obtained by remote sensing. The correlation between the reflectance indices and dry matter yielded the following values: r=0.54 for CO2-Flux, r=0.67 for SAVI, and r=0.70 for NDVI. NDVI showed the highest correlation among the indices. For this reason, a linear regression was generated to estimate the carrying capacity based on NDVI values. The regression presented an R² value of 0.47, indicating that the model explains 47% of the variability of the response variable. Based on the equation generated by the linear regression, a carrying capacity map of the area was created. The generated map allows us to get an idea of the carrying capacity of the analyzed area; however, merely observing the map does not provide a realistic view of the area, as it has very wide intervals between values of AU per hectare. Therefore, defining the number of animals by only observing the map could result in either a shortage or surplus of forage, making it clear that defining carrying capacity based solely on the generated map would not be the best management approach. As a suggestion for creating a model that better explains carrying capacity based on NDVI, the same experiment should be conducted in a more uniform, well-managed, non-degraded area without the presence of forests. Additionally, incorporating other factors into the model, such as leaf area index, precipitation data, and fertilizer doses, may improve the model's functionality.

  • Hadilson Chaves Rodrigues de Miranda
  • LEONARDO FRANÇA DA SILVA
  • João Carlos de Freitas Alves
  • Jessica Mansur Siqueira Crusoé
  • Cristiano Márcio Alves de Souza
  • Luciano José Minette
  • Denis Medina Guedes
Fale conosco Whatsapp