Modelagem da dinâmica espaço-temporal da umidade do solo em sistema integrado de produção agropecuária

Abstract

A água é um recurso essencial para a agricultura e a pecuária, sendo sua gestão e uso eficiente fundamentais para assegurar uma produção sustentável. No Rio Grande do Sul, os períodos de estiagem representam o principal problema relacionado à redução da produtividade agropecuária, afetando especialmente as culturas de verão. Assim, o monitoramento da umidade do solo é essencial para permitir um planejamento mais eficiente do uso das áreas produtivas. O objetivo deste trabalho foi compreender o efeito do componente animal sobre a umidade do solo em Sistema Integrado de Produção Agropecuária composto por sucessão soja—azevém pastejado por ovinos; e investigar as aplicações, vantagens e desvantagens do sensoriamento remoto para o monitoramento da umidade do solo em sistemas agropecuários complexos. O estudo foi conduzido na Estação Experimental Agronômica da Universidade Federal do Rio Grande do Sul (EEA/UFRGS), no município de Eldorado do Sul – RS, em uma área destinada ao experimento de longa duração instalado em 2017 em Sistemas Integrados de Produção Agropecuária. Foram instalados 32 sensores de umidade do solo, ligados a um datalogger’s para coleta e armazenamento dos dados. Dados de precipitação pluvial foram adquiridos na estação meteorológica automática da EEA/UFRGS, próxima à área experimental. O sensor MSI/Sentinel-2 foi utilizado para aquisição de imagens orbitais multiespectrais coletadas ao longo de todo o período de duração do experimento, a partir das quais foram calculados os índices espectrais NDVI, MSI, NDWI,NMDI, VSDI, MNDWI, STR, assim como o modelo OPTRAM. A umidade do solo foi estimada usando regressões lineares ajustadas com os índices espectrais, pelo modelo OPTRAM e também por duas redes neurais artificiais MLP, usando o método retropropagação multicamadas. Os sistemas de produção não proporcionaram alteração na umidade do solo durante o período de cultivo de soja, sendo somente a camada de 5 cm de profundidade influenciada em sistema integrado, durante o período de pastejo. O OPTRAM e o MNDWI foram os índices mais sensíveis às variações de umidade do solo, captando a dinâmica da umidade do solo. Os modelos de redes neurais foram superiores aos demais para estimar a umidade do solo, sendo capazes de modelar a distribuição espacial e também obter séries temporais de umidade do solo em todo o período de disponibilidade de dados do sensor MSI/Sentinel-2. Utilizando sensoriamento remoto e modelagem por redes neurais foi possível mapear a umidade do solo com elevada resolução espacial. Os sistemas agrícolas não apresentaram tendencia de redução da umidade do solo.

Water is an essential resource for agriculture and livestock production, with its management and efficient use being fundamental to ensuring sustainable production. In Rio Grande do Sul, drought periods represent the main issue related to reduced agricultural productivity, especially affecting summer crops. Thus, soil moisture monitoring is crucial to enable more efficient planning of productive land use. The objective of this study was to understand the effect of the animal component on soil moisture in an Integrated Crop-Livestock System (ICLS) composed of a soybeanryegrass succession grazed by sheep, and to investigate the applications, advantages, and disadvantages of remote sensing for monitoring soil moisture in complex agricultural systems. The study was conducted at the Agronomic Experimental Station of the Federal University of Rio Grande do Sul (EEA/UFRGS), in Eldorado do Sul – RS, in an area dedicated to a long-term experiment established in 2017 in Integrated Crop-Livestock Systems. A total of 32 soil moisture sensors were installed, connected to a datalogger for data collection and storage. Rainfall data were acquired from the automatic weather station at EEA/UFRGS, located near the experimental area. The MSI/Sentinel-2 sensor was used to acquire multispectral orbital images collected throughout the experiment period, from which the spectral indices NDVI, MSI, NDWI, NMDI, VSDI, MNDWI, and STR were calculated, as well as the OPTRAM model. Soil moisture was estimated using linear regressions adjusted with the spectral indices, the OPTRAM model, and two multilayer perceptron artificial neural networks (MLP) employing the backpropagation method. The production systems did not significantly alter soil moisture during the soybean growing period, with only the 5 cm depth layer being influenced in the integrated system during the grazing period. OPTRAM and MNDWI were the most sensitive indices to soil moisture variations, capturing soil moisture dynamics effectively. Neural network models outperformed other methods for estimating soil moisture, being capable of modeling spatial distribution and obtaining temporal soil moisture series throughout the entire data availability period from the MSI/Sentinel-2 sensor. Remote sensing and neural network modeling allowed for mapping soil moisture with high spatial resolution. The agricultural systems did not show a trend toward soil moisture reduction.