Campo experimental

O estudo foi realizado durante o ciclo vegetativo da pastagem de 2023/2024 numa parcela de 4 ha, denominada “Eco-SPAA” (Figura 1), localizada na herdade da Mitra (Évora, Portugal; 38°53,10 N; 8°01,10 W). Nesta parcela encontra-se instalada uma pastagem permanente biodiversa (mistura de gramíneas, leguminosas, compósitas e outras), pastoreada por ovinos. As espécies predominantes são Erodium mochatum, Diplotaxis catholica, Trifolium repens, e gramíneas espontâneas, representativas das pastagens de sequeiro da região Alentejo.

A parcela experimental integra um projeto de investigação de longo prazo, iniciado em 2015. Encontra-se subdividida em 4 parques de aproximadamente 1 ha cada: os parques P3 e P4 foram sujeitos a várias aplicações de calcário dolomítico entre 2016 e 2023; nos parques P1 e P4 os animais encontram-se em pastoreio contínuo, com baixos encabeçamentos (7 ovinos ha^-1); nos parques P2 e P3 o pastoreio é diferido (alternância de pastoreio e de repouso, em função da altura média da pastagem), com encabeçamentos elevados (17 ovinos ha^-1).

Figura 1 Parcela experimental “Eco-SPAA”: localização das 48 áreas de amostragem da fase de calibração e das 6 áreas de amostragem da fase de validação, com indicação das espécies botânicas predominantes. 

Processo de amostragem

O processo de amostragem da pastagem envolveu a recolha de 192 amostras compósitas, em duas fases: calibração (n = 144) e validação (n = 48). A fase de calibração decorreu em três datas (I, II e III, respetivamente, 6 de dezembro de 2023, 29 de fevereiro de 2024 e 10 de maio de 2024). Em cada uma destas datas foram recolhidas 48 amostras compósitas, sempre nas mesmas áreas (georreferenciadas), 12 em cada um dos quatro parques de pastoreio (P1 a P4; Figura 1). Estas áreas de amostragem foram identificadas num estudo prévio por um especialista em botânica, de acordo com a composição florística da pastagem. O número de amostras da fase de calibração (144 = 3 × 48) foi determinado com base no número de eventos de monitorização (3) e do número de áreas de amostragem georreferenciadas (48). Por sua vez, o número de eventos de amostragem foi estabelecido de acordo com a evolução da pastagem ao longo do ciclo vegetativo, garantindo um evento no Outono (dezembro), outro no Inverno (fevereiro) e outro na Primavera (maio).

A fase de validação consistiu em 6 ensaios e decorreu entre dezembro de 2023 e abril de 2024. Em cada um destes ensaios foi identificada uma área da parcela “Eco-SPAA” com predominância de diversas espécies botânicas (A a F; Figura 1) e consistiu na medição com o sensor e recolha aleatória de 8 amostras compósitas de pastagem.

Medições de campo, recolha de amostras de pastagem e determinações laboratoriais

As determinações de campo iniciaram-se com 3 medições realizadas por um operador com o sensor RPM (“Jenquip EC20 electronic platemeter”; Figura 2a) em cada área de amostragem (3 m × 3 m), procurando capturar a variabilidade espacial de cada uma destas áreas. A altura comprimida (H_RPM) foi registada via “Bluetooth” através de uma aplicação para telemóvel (Figura 2b). Após cada medição realizada com o sensor, outro operador procedeu ao corte da respetiva área de pastagem delimitada por um aro metálico (0,5 m × 0,5 m) com uma tesoura elétrica (Figuras 2c e 2d). A pastagem foi cortada até 1-2 cm acima do nível do solo, permitindo o recrescimento do material vegetal remanescente. A matéria verde recolhida nestes 3 cortes constituiu uma amostra compósita, tendo sido inserida num saco de plástico, identificado com o código da área de amostragem. As amostras compósitas foram transportadas para o laboratório para pesagem, seguida de desidratação em estufa até peso constante. Os resultados destas pesagens permitiram determinar a produtividade em verde (MV, em kg ha^-1) e em seco (MS, em kg ha^-1), para além do teor de humidade da pastagem (HP, em %).

Figura 2 Sensor medidor de prato ascendente em operação na pastagem (a); leitura dos registos da medição do sensor na aplicação no telemóvel (b); corte da pastagem com tesoura elétrica (c); aro delimitador da área de corte (d). 

Análise de dados

Os dados obtidos em cada ensaio de campo (da fase de calibração e da fase de validação) foram organizados em folhas de cálculo do Microsoft Excel (Microsoft 365 version, Microsoft Corporation, Redmond, WA, USA) para calcular os parâmetros de estatística descritiva (média, desvio padrão e intervalo de variação) da MV, MS, HP e H_RPM.

Foi usada análise de regressão para avaliar a relação entre as variáveis MS e H_RPM. A precisão dos modelos lineares de estimativa da MS foi avaliada através dos coeficientes de determinação (R²).

O melhor modelo obtido na fase de calibração foi enquadrado nos resultados obtidos nos seis ensaios da fase de validação. Foi calculada a raiz quadrada do erro médio (Root Mean Square Error, RMSE, em kg ha^-1) entre a MS medida e a MS estimada em cada fase de calibração.

A informação georreferenciada obtida nas 3 datas da fase de calibração, nas 48 áreas georreferenciadas da parcela “Eco-SPAA”, foi processada no software ARCGIS v. 10.5. Foi usada uma análise geoestatística (krigagem) com a extensão “Geo-statistical Analyst” para obter os mapas da variabilidade espacial da MS obtida a partir das determinações laboratoriais (MS medida) e da estimativa baseada na medição da altura comprimida (H_RPM) realizada pelo sensor medidor de prato ascendente (MS estimada).

Variabilidade espacial e temporal da pastagem

Os resultados da estatística descritiva (média ± desvio padrão e intervalo de variação) dos parâmetros da pastagem (MV, MS e HP) e da altura comprimida da pastagem (H_RPM) são apresentados no Quadro 1 (fase de calibração) e no Quadro 2 (fase de validação).

A variabilidade espacial dos dos parâmetros obtidos (MV, MS, HP e H_RPM) é evidente nos coeficientes de variação (CV) respetivos, da ordem dos 30-60%, aspeto referido em vários outros trabalhos envolvendo pastagens de sequeiro (^{Huyghe et al., 2014}; ^{Fernández-Habas et al., 2021}). ^{Murphy et al. (2021b}), em pastagens na Irlanda, encontraram CV para a biomassa entre 15 e 50%. De acordo com os mesmos autores, esta heterogeneidade é típica de pastagens pastoreadas devido ao pastoreio seletivo e à variação sazonal da morfologia das plantas, o que aumenta a dificuldade de estimativa da MS da pastagem. Num trabalho de revisão sobre a aplicação de tecnologias para medição da produtividade em pastagens, Murphy et al. (2021c) indicaram valores de CV da produtividade da pastagem entre 25 e 46%.

Por outro lado, é também notória a variabilidade temporal (entre datas de medições), com a produtividade média (MS, em kg ha^-1) nos ensaios de calibração a variar entre 571 kg ha^-1 em dezembro, 1834 kg ha^-1 em fevereiro e 2353 kg ha^-1 em maio, enquanto a HP apresentou uma tendência inversa (89,9%, 84,6% e 69,95, respetivamente em dezembro, fevereiro e maio).

Esta evolução da produtividade (e também da qualidade), caraterística das pastagens de sequeiro ao longo do ciclo vegetativo é determinado pelas condições meteorológicas (especialmente a temperatura e a precipitação) e condicionada pela gestão do pastoreio (contínuo ou diferido, e diferentes encabeçamentos) (^{Efe Serrano, 2006}). Na Figura 3 é apresentado o diagrama termo-pluviométrico (temperatura média mensal e precipitação mensal acumulada) da estação meteorológica de Évora (a cerca de 10km da herdade da Mitra) referente ao período entre julho de 2023 e junho de 2024. É evidente uma distribuição relativamente equilibrada da precipitação entre o Outono, o Inverno e mesmo o início da Primavera. Aproximadamente 300 mm de precipitação ocorreram no Outono (entre setembro e dezembro) e também no Inverno (entre dezembro e março), o que é uma garantia de boa produtividade da pastagem, assegurando o primeiro pico de produção no final do Outono e o pico máximo de produção acumulada na Primavera, fases reconhecidas como determinantes do potencial produtivo da pastagem (Efe Serrano, 2006). No nosso estudo, as medições na pastagem (fases de calibração e validação) decorreram entre estes dois picos de produção (entre dezembro e maio), para assegurar a representatividade das fases determinantes do ciclo vegetativo da pastagem.

Figura 3 Diagrama termo-pluviométrico da estação meteorológica de Évora, entre julho de 2023 e junho de 2024. 

A aplicação de novas tecnologias à produção de pastagens e forragens é considerado um desafio complexo não só pela elevada variabilidade espacial, mas também pela forte dinâmica temporal da produtividade e da composição florística (^{Schellberg et al., 2008}). Cada espécie botânica, com caraterísticas específicas (morfológicas, prostradas ou de porte erecto, teor de humidade, proporção de caules e folhas, proporção de proteína ou de fibra, etc.) que evoluem ao longo do tempo, reflete diferente comportamento perante sensores com princípios de funcionamento diverso (mecânico, como é o caso do RPM, elétrico, ótico, ou outro). Neste estudo, para além dos fatores de variação inerentes à biodiversidade da composição florística da pastagem (com a presença de mais de 50 espécies botânicas em apenas 4 ha (^{Serrano et al., 2023}) e da sua evolução sazonal, há a considerar um fator determinante como é a gestão do pastoreio (^{Murphy et al., 2021c}). Esta parcela experimental (“Eco-SPAA”) inclui quatro sub-parcelas, com aproximadamente 1 ha cada, sendo que apenas duas delas foram sujeitas a correção do pH, para além de terem sido implementados diferentes sistemas de pastoreio e respetivos encabeçamentos (Serrano et al., 2023), o que tem impacto na altura da pastagem e na sua produtividade, na qualidade e na composição florística (^{Huyghe et al., 2014}; Murphy et al., 2021a).

A consequência imediata da variabilidade espacial é a necessidade de um grande número de áreas de amostragem para conseguir captar esta variabilidade. ^{Murphy et al. (2021a}), por exemplo, sugerem que as áreas de amostragem devam ser aleatoriamente selecionadas, mas de forma equilibrada na pastagem. Neste trabalho, a inclusão de 48 áreas de amostragem (12 por cada parque de pastoreio), georreferenciadas, permitiu medições nos mesmos locais ao longo do tempo (nas três datas de amostragem para a fase de calibração). Para eliminar uma fonte de erro comum, associada ao operador que realiza as medições (Murphy et al., 2021c), neste estudo manteve-se sempre o mesmo operador em cada tarefa (medições com o sensor e corte das amostras de pastagem).

Relação entre variáveis: Fases de calibração e de validação

O facto deste sensor (RPM) não ter sido testado em pastagens de sequeiro da região da Península Ibérica impede o enquadramento com outros estudos em condições semelhantes (caraterísticas das pastagens e condições climáticas).

A estimativa da produtividade da pastagem (MS, em kg ha^-1) a partir da altura comprimida medida pelo sensor RPM foi, neste estudo, significativa para o conjunto de dados dos três ensaios da fase de calibração (R²= 0,5669; Figura 4). Contudo, a estimativa foi mais precisa quando a análise foi realizada de forma separada, para cada data de calibração, neste caso, para cada estação do ano (outono, inverno e primavera). A Figura 5 mostra a vantagem de abordagens temporalmente diferenciadas, sendo que o R² foi especialmente elevado na calibração referente a fevereiro (R² = 0,82), com valores relativamente mais baixos (R² = 0,60-0,61) nas calibrações realizadas na primeira data (dezembro) e na terceira data (maio).

Figura 4 Relação entre a altura comprimida da pastagem (H_RPM) medida pelo sensor medidor de prato ascendente e a matéria seca da pastagem (MS) no conjunto dos ensaios de calibração (dezembro de 2023, fevereiro e maio de 2024). 

Figura 5 Relação entre a altura comprimida da pastagem (H_RPM) medida pelo sensor medidor de prato ascendente e a matéria seca da pastagem (MS) em cada data dos ensaios de calibração (dezembro de 2023, fevereiro e maio de 2024). 

Os valores médios da MS e da altura comprimida da pastagem (H_RPM) obtidos na fase de validação mostram um padrão semelhante ao obtido na fase de calibração realizada em fevereiro, com retas de regressão que praticamente se sobrepõem (Figura 6), qualquer delas muito próximas da equação geral proposta pelo fabricante do sensor RPM (Equação 1). O RMSE foi de 35,1 kg de MS ha^-1 na validação da equação de calibração de fevereiro, confirmando-se menor precisão nas estimativas de dezembro e maio, onde o RMSE atingiu valores de 605,0 e 702,8 kg MS ha^-1, respetivamente.

Figura 6 Relação entre a altura comprimida da pastagem (H_RPM) medida pelo sensor medidor de prato ascendente e a matéria seca da pastagem (MS); enquadramento dos resultados da fase de validação nos resultados dos ensaios de calibração de fevereiro de 2024. 

Um aspeto que este estudo releva é a confirmação do efeito significativo da dinâmica temporal da pastagem na correlação entre medições indiretas (sensor) e medições diretas da MS da pastagem, o que requer a adaptação de equações de calibração às condições específicas de cada pastagem em cada fase do ciclo, aspeto mencionado em vários trabalhos publicados relacionados com a calibração destas ferramentas tecnológicas (^{Gargiulo et al., 2020}; ^{Serrano et al., 2020}; ^{Murphy et al., 2021a}). O nosso estudo revelou menor precisão do modelo de estimativa na calibração realizada numa fase adiantada do ciclo vegetativo (maio), o que se encontra relativamente bem documentado na literatura: modificações morfológicas ocorrem na transição do estado vegetativo para o estado reprodutivo do ciclo vegetativo da pastagem, tornando as plantas mais heterogéneas (em termos de altura e densidade) e com maiores teores de fibra (Murphy et al., 2021b,c), com um claro aumento da proporção de material senescente (^{Moeckel et al., 2017}). A principal diferença entre equações de calibração para estimativa da MS da pastagem está ligada ao tipo e estrutura das plantas (^{Cardenas et al., 2020}), fundamentalmente a composição botânica e o seu estado vegetativo (altura, espécies, homogeneidade, etc.) (^{Chapa et al., 2023}). De acordo com Cardenas et al. (2020), a inclinação da reta de calibração em pastagens com altos teores de fibra (como Stipagrostis amabilis) pode ser o dobro de outras (por exemplo Lolium perenne).

Atendendo ao baixo nível de incorporação tecnológica associado aos sistemas de produção animal extensivos, o sensor avaliado neste estudo representa um “upgrade” no nível de desenvolvimento uma vez que, para além da elevada precisão da estimativa, não requer registo manual dos dados. As leituras da altura comprimida são armazenadas numa aplicação para telemóvel, as quais podem ser associadas às coordenadas geográficas das áreas de amostragem).

De acordo com ^{Murphy et al. (2021a}), a implementação de protocolos de amostragem robustos em associação com tecnologias GNSS permite o uso de procedimentos geoestatísticos, com o desenvolvimento de mapas para análise espacial, com aplicações em AP. ^{Gargiulo et al. (2020}) reforçou o interesse de futuros estudos integrarem as medições com os sensores (neste caso o RPM) em associação com recetores GNSS e ferramentas de informação geográfica (SIGs- Sistemas de Informação Geográfica), permitindo novas oportunidades para recolha e processamento rápido de grandes quantidades de dados. A representação espacial dos padrões de variabilidade são a base para a tomada de decisão e gestão dos agricultores (Murphy et al., 2021b). A Figura 7 exemplifica este desenvolvimento aos dados obtidos neste estudo com base nos ensaios de calibração realizados em fevereiro, apresentando os mapas de MS um padrão semelhante entre os valores medidos e os valores estimados a partir do modelo de estimativa.

Figura 7 Mapas da produtividade da pastagem (MS, em kg ha^-1), medida (após corte e processamento laboratorial) e estimada (baseada nas medições da altura comprimida realizadas pelo sensor medidor de prato ascendente, H_RPM), nos ensaios de calibração de fevereiro de 2024.