Português (pdf)
Artigo em XML
Referências do artigo
Tradução automática
Enviar este artigo por email
Citado por SciELO 
Similares em
SciELO 
Permalink
INTRODUÇÃO
Nos sistemas de pecuária extensiva da Península Ibérica, as pastagens são a principal fonte de alimentação dos ruminantes, especialmente dos ovinos e bovinos de carne (Efe Serrano, 2006). A disponibilidade de pastagem, expressa em termos de matéria seca por unidade de área (MS, em kg ha-1), e a qualidade da pastagem, expressa em termos de proteína bruta (PB, em %), são dois parâmetros fundamentais para os decisores nos sistemas de produção animal, nomeadamente nas estratégias de pastoreio em termos de gestão do encabeçamento, suplementação ou rotação de animais entre parques de pastoreio (Chapa et al., 2023).
Medições ou estimativas frequentes e exatas da disponibilidade e da qualidade das pastagens são fundamentais para otimizar as decisões de gestão (Murphy et al., 2021a). Existe um potencial significativo para melhorar a informação através de tecnologias de agricultura de precisão (AP). No entanto, a aplicação de tecnologias às pastagens é um desafio de grande complexidade, especialmente devido à elevada diversidade e variação espacial, acentuada por forte dinâmica temporal (Schellberg et al., 2008).
Existem muitos estudos publicados nos últimos vinte anos sobre a avaliação de tecnologias para estimar e monitorizar a disponibilidade das pastagens (Sanderson et al., 2001; Serrano et al., 2018; Cárdenas et al., 2020; Lawson et al., 2022; Chapa et al., 2023), alguns dos quais utilizam sensores próximos ou de contacto. O medidor de prato ascendente (RPM) é o sensor mais utilizado em vários países, como o Chile e a Nova Zelândia (Cárdenas et al., 2020), a Austrália (Gargiulo et al., 2020; Lawson et al., 2022), ou a Irlanda (O’Donovan et al., 2002; Murphy et al., 2021a). O RPM regista uma medida combinada da altura e da densidade da pastagem, designada por altura comprimida (HRPM), utilizando um disco ligado a um bastão graduado (Murphy et al., 2021a) e, com base nessa medição, estima a MS (Palma-Molina et al., 2023). O fabricante deste equipamento (RPM “Jenquip EC20”), por exemplo, propõe uma equação genérica (anual) (Equação (1)), ajustável à evolução do ciclo vegetativo (variação sazonal) numa base mensal (Gargiulo et al., 2020). Estão disponíveis comercialmente equipamentos com tecnologia sem fios de curto alcance (“Bluetooth”), a qual permite transferir dados do medidor para o telemóvel. Esta tecnologia simplifica e automatiza a recolha de dados, podendo associar-se a ferramentas de apoio à decisão de gestão baseadas na internet (Palma-Molina et al., 2023).
(1)
Onde MS é a produtividade em termos de matéria seca (em kg ha-1) e HRPM é a altura comprimida (em cm) medida pelo RPM.
De acordo com Murphy et al. (2021b), os parâmetros importantes para avaliar a qualidade da pastagem em sistemas de pastoreio são a MS, a digestibilidade da matéria seca, a energia metabolizável, a digestibilidade da matéria orgânica, a PB e os hidratos de carbono solúveis em água. Para Lugassi et al. (2019), a composição química, o teor de água e a concentração de nutrientes são amplamente utilizados como indicadores do valor nutritivo das pastagens. O teor de PB e de fibra em detergente neutro (NDF) destacam-se entre os parâmetros químicos mais comuns para efeitos de avaliação da qualidade das pastagens (Lugassi et al., 2019; Serrano et al., 2021a). Um elevado teor de PB e um baixo teor de fibra são caraterísticas de pastagens de elevada qualidade (Lugassi et al., 2019; Fernández-Habas et al., 2021; Serrano et al., 2021a).
Os métodos convencionais de medição para a determinação da qualidade das pastagens requerem o corte de amostras de pastagem e o seu processamento em laboratório, com custos elevados e podendo demorar vários dias a concluir (Murphy et al., 2021a), o que pode limitar a oportunidade de intervir (Fernández-Habas et al., 2021). A necessidade de reduzir o custo e o tempo associado a estas determinações laboratoriais levou ao desenvolvimento de muitos estudos para avaliar tecnologias que permitam a estimativa rápida da qualidade das pastagens. As tecnologias mais comuns baseiam-se na espetroscopia de infravermelhos próximos (NIRS) ou em sensores óticos.
A aplicação da espetroscopia NIR em pastagens teve lugar tanto em determinações convencionais em laboratório, com equipamento de bancada e pré-processamento físico das amostras (Danieli et al., 2004; Parrini et al., 2019; Serrano et al., 2020, 2021b), como em determinações in situ (no campo) e não destrutivas, com espectrómetros NIR portáteis (“Micro-NIR”) (Berzaghi et al., 2021; Feng et al., 2023; Tacoma-Forgal et al., 2024). Este equipamento NIR (de bancada ou portátil) é, no entanto, dispendioso e requer uma análise complexa de dados multivariados e de modelação (quimiometria) (Murphy et al., 2021b), inacessível aos agricultores como meio de apoio à produção animal extensiva (Serrano et al., 2020; 2021b).
O acesso à informação sobre a qualidade das pastagens através de sensores óticos hiperespectrais e multiespectrais tem sido muito desenvolvido na última década através da deteção remota (DR) suportada por plataformas instaladas principalmente em veículos aéreos não tripulados (drones) (Karunaratne et al., 2020) e satélites (Punalekar et al., 2021). Estes avanços baseados em DR podem oferecer a cartografia das pastagens de alta a moderada resolução e previsão altamente precisa da qualidade das pastagens, mas apresentam algumas limitações. A frequente ocorrência de nuvens (Lawson et al., 2022) durante o período vegetativo das pastagens de sequeiro na região Mediterrânica (outono, inverno e primavera) e a predominância de sistemas agro-silvo-pastoris, onde as pastagens se desenvolvem sob copas de árvores (Montado de sobreiros e azinheiras, em particular na região do Alentejo, Sul de Portugal), abrem boas perspetivas para sensores próximos ou de contacto, que ultrapassam as dificuldades inerentes à utilização de abordagens de DR (Serrano et al., 2018).
Estão disponíveis tecnologias comerciais de espectros óticos para a medição terrestre da qualidade das pastagens (por exemplo, “GreenSeeker” ou “OptRx”). Estes sensores óticos portáteis são mais acessíveis em termos de custos de aquisição e têm resultados mais fáceis de utilizar do que os sensores NIR portáteis. Os sensores óticos obtêm índices de vegetação através do cálculo do rácio de diferentes espectros de luz (Legg & Bradley, 2020). O NDVI (índice de vegetação por diferença normalizada) é um dos índices mais comuns (Legg & Bradley, 2020; Murphy et al., 2021b; Lawson et al., 2022). O NDVI estima a qualidade da vegetação com base no rácio dos comprimentos de onda da luz vermelha e NIR (Murphy et al., 2021b). O sensor multiespectral “OptRx” (Ag Leader, Ames, IA, EUA), por exemplo, emite radiação numa frequência modulada e recebe de volta a radiância nos diferentes canais. Com este sensor, é possível obter as seguintes bandas de radiância: (i) Vermelho (670 nm); (ii) Red Edge (728 nm); e (iii) NIR (775 nm). O NDVI pode ser calculado com as bandas Red e NIR, utilizando a Equação (2).
(2)
O NDVI é sensível a alterações na maturação das plantas, fator determinante das alterações na concentração de nutrientes e fortemente correlacionado com a PB das pastagens (correlação positiva) e com o NDF (correlação negativa) (Reddy et al., 2004). O estudo de Serrano et al. (2018), efetuado em pastagens no ecossistema do Montado, no Sul de Portugal, mostrou o potencial do sensor “OptRx” com um forte coeficiente de determinação (R2 = 0,75) entre o NDVI e a PB.
A disponibilidade de pastagem é normalmente expressa em termos de kg de MS por unidade de área (MS, em kg ha-1), e a qualidade da pastagem, por exemplo, em termos de teor de PB, é normalmente expressa em percentagem de MS (PB, em % MS). Como já foi referido, estes são dois parâmetros fundamentais para os decisores nos sistemas de produção animal. A disponibilidade e a qualidade das pastagens são parâmetros que apresentam um padrão específico ao longo do ciclo vegetativo das pastagens de sequeiro em condições de clima Mediterrânico, embora com variações interanuais, em função da distribuição da precipitação: (i) a MS tende a aumentar desde as primeiras chuvas (geralmente em setembro/outubro) até ao pico da produção outonal (geralmente em novembro ou início de dezembro); a PB é geralmente máxima nesta fase, quando as plantas são jovens (25-30%, dependendo do tipo de pastagem); (ii) entre meados de dezembro e meados de fevereiro, segue-se um período de relativa dormência vegetativa, que corresponde a um crescimento reduzido das pastagens; a PB tende a diminuir nesta fase; (iii) a partir de março e até meados ou final de maio, o aumento gradual da temperatura do ar, desde que acompanhado de precipitação, conduz a um pico exuberante de produção das pastagens (pico de produção primaveril); nesta fase, a PB apresenta uma quebra mais notória, podendo atingir 10-12% da MS; iv) quando as temperaturas elevadas são acompanhadas de reduzida ocorrência de precipitação, o que acontece frequentemente entre o final de maio e o início de junho, a pastagem seca abruptamente, perdendo disponibilidade (MS) e, fundamentalmente, qualidade; a PB atinge valores mínimos de cerca de 5-6% da MS. No entanto, este padrão varia de ano para ano, devido às irregularidades climáticas.
É neste cenário complexo de imprevisibilidade que o agricultor tem de gerir a carga biótica (encabeçamento) e a alimentação dos animais, pelo que a disponibilidade de ferramentas que permitam o acesso rápido a informação relevante é fundamental para garantir a sustentabilidade económica e ambiental destes sistemas de produção extensivos. Uma boa compreensão da dinâmica do ciclo de crescimento das pastagens, da acumulação de biomassa e do valor nutricional é essencial para a sua gestão eficiente (Cárdenas et al., 2020).
Com base neste pressuposto, este estudo avaliou dois sensores complementares, o medidor de prato ascendente (RPM) e um sensor ótico ativo (AOS), para obter um indicador global, PB em kg ha-1, que integra simultaneamente duas dimensões essenciais, a disponibilidade da pastagem (relacionada com a altura comprimida medida pelo RPM) e a qualidade da pastagem (relacionada com o NDVI medido pelo sensor ótico).
MATERIAL E MÉTODOS
Campo experimental
As determinações (medições com os sensores e recolha de amostras de pastagem) foram efetuadas durante o período vegetativo de 2023/2024 na parcela “Eco-SPAA” (Figura 1), na Herdade da Mitra (Universidade de Évora; 38°53,10 N; 8°01,10 W). Trata-se de uma pastagem de sequeiro plurianual e biodiversa (mistura de várias espécies botânicas: leguminosas, gramíneas, compostas e outras espécies espontâneas), pastoreada por ovinos e integrada no ecossistema Montado (sob azinheiras), melhorada pela aplicação regular (aproximadamente de 2 em 2 anos desde 2015) de calcário dolomítico. Neste campo, constituído por 4 parques de pastoreio, foram georreferenciadas 48 áreas de amostragem (12 em cada parque), no âmbito de um estudo, iniciado em 2021, sobre sistemas de pastoreio de ovinos (contínuo versus diferido). As áreas de amostragem foram definidas por um especialista em botânica, de acordo com a composição florística da pastagem na estação de crescimento anterior (Carreira et al., 2022).
A composição florística é representativa das pastagens de sequeiro típicas da região, onde predominam as espécies Erodium mochatum, Diplotaxis catholica, Trifolium repens e outras espécies espontâneas nativas ou adaptadas ao clima da região. A evolução da pastagem nestas condições de sequeiro é determinada pela distribuição da precipitação e da temperatura, e condicionada pelo pastoreio. A Figura 2 apresenta os dados de temperatura e precipitação (temperatura média mensal e precipitação) da estação meteorológica de Évora (a cerca de 10 km da herdade da Mitra) entre julho de 2023 e junho de 2024.
Equipamento utilizado
Neste trabalho, foram utilizados os seguintes equipamentos:
-Um medidor de prato ascendente (RPM), “Jenquip EC20 (Jenquip, 21 Darragh Road, Feilding, New Zealand; Figura 3a) para medir a altura comprimida da pastagem (HRPM);
-Um sensor ótico próximo ativo “OptRx” fabricado pela Ag Leader (2202 South Riverside Drive, Ames, IA 50010, EUA; Figura 3b);
-Um recetor Trimble GNSS, GeoExplorer série 6000, modelo 88951, com precisão submétrica (GmbH, Am Prime Parc 11, 65479 Raunheim, Alemanha: Figura 3c);
-Aros metálicos de 0,50 m por 0,50 m para delimitar as áreas de amostragem de pastagem;
-Tesouras elétricas portáteis e sacos de plástico para guardar as amostras de pastagem.
Medições, recolha de amostras de pastagem e determinações laboratoriais
As medições foram efetuadas entre dezembro de 2023 e maio de 2024. As medições com os sensores e a recolha das amostras de pastagem nas 48 áreas de amostragem foram realizadas em 3 datas: I-06 de dezembro de 2023 (outono), II-29 de fevereiro de 2024 (inverno), e III-10 de maio de 2024 (primavera).
Foi usado o seguinte procedimento sequencial:
-Um operador efetuou medições dentro da área de amostragem com o sensor “OptRx” (associado ao recetor GNSS da Trimble), colocado a cerca de 0,5 m acima da pastagem. Os valores de NDVI foram registados durante um período de 2 minutos, pelo que, em média, em cada data de amostragem, foram efetuadas 120 medições de NDVI (uma por segundo).
-Depois do operador do sensor ótico ter terminado a medição em cada área de amostragem, um segundo operador colocou três aros de amostragem (0,5 m × 0,5 m) e efetuou uma medição da altura comprimida (HRPM) com o sensor RPM dentro de cada aro.
-Um terceiro operador, após as medições com os sensores, procedeu ao corte da pastagem em cada área de subamostragem (de cada um dos 3 aros). A pastagem foi cortada até 1-2 cm acima do nível do solo, simulando o corte realizado por ovinos em pastoreio e permitindo o recrescimento do material vegetal remanescente. A biomassa cortada foi recolhida num saco de plástico, identificado com o respetivo código da zona de amostragem.
Em cada data, estas 48 amostras compósitas de pastagem foram transportadas para o laboratório onde foram pesadas, secas numa estufa e pesadas novamente para obter, respetivamente, a disponibilidade de pastagem em termos de massa de matéria verde (MV) e de massa de matéria seca (MS) por unidade de área, em kg ha-1, e o teor de humidade (em percentagem). As amostras depois de secas foram analisadas para determinar o teor de PB da pastagem (em % da MS) utilizando métodos de referência (AOAC, 2005).
Análise de dados
Os dados obtidos em cada data foram organizados numa folha de cálculo Excel para determinar parâmetros de estatística descritiva (média, desvio padrão e intervalo de variação).
A proteína bruta (PB), expressa em kg ha-1, foi calculada para cada área de amostragem usando a Equação (3):
PB (kg ha−1) = MS (kg ha−1) × PB (%)/100 (3)
O índice de produtividade e qualidade das pastagens (IPQP) foi calculado com base na Equação (4):
IPQP = HRPM (mm) × NDVI (4)
A análise de regressão foi utilizada para avaliar a relação entre as variáveis IPQPI vs PB (em kg ha-1). O coeficiente de determinação (R2) permitiu avaliar a qualidade dos modelos de regressão. Foi também utilizado o “Coeficiente de Correlação de Concordância de Lin” (conhecido como CCL) como medida da precisão e exatidão de cada modelo. O CCL, ao contrário do coeficiente de correlação de Pearson (que apenas avalia as relações lineares e tem em conta a precisão, ou seja, a forma como os valores se correlacionam), tem em conta a dispersão (desvio-padrão) e a exatidão, ou seja, a proximidade entre os valores previstos e os valores observados em termos das respetivas médias. Consequentemente, o CCL fornece uma informação mais abrangente da concordância global do modelo de estimativa (Lin e Torbeck, 1998). Em cada análise foi selecionado o modelo (linear ou quadrático) que apresentou, simultaneamente, R2 e CCL mais elevados.
A informação georreferenciada recolhida no campo “Eco-SPAA” nas 3 datas (I, II e III) foi processada com recurso ao software SIG ARCGIS v. 10.5. A análise geoestatística com a extensão “Geostatistical Analyst” foi utilizada para obter os respetivos mapas representando a variabilidade espacial das variáveis de interesse no campo experimental.
RESULTADOS
A base de dados deste trabalho encontra-se resumida no Quadro 1. A variabilidade espacial dos vários parâmetros da pastagem medidos por sensores (HRPM, NDVI), calculados a partir destes (IPQP) ou obtidos por análise laboratorial (MV, MS, Hum. e PB) reflete-se no elevado CV, especialmente da MV, da MS, da altura comprimida (HRPM), da PB (em kg ha-1) e do IPQP, da ordem dos 40-70%. Por outro lado, a variabilidade temporal (entre datas de medição) é também muito significativa, com a MS média a aumentar de 571 kg ha-1 em dezembro, para 1834 kg ha-1 em fevereiro e 2353 kg ha-1 em maio, enquanto a Hum. e a PB da pastagem apresentam uma evolução inversa (Hum.: 89%, 85% e 70%; PB: 24%, 16% e 11%; respetivamente, em dezembro, fevereiro e maio).
Quadro 1 Estatística descritiva (média, desvio padrão e intervalo de variação) dos parâmetros da pastagem
| Data | I- 06/12/2023 | II- 29/02/2024 | III- 10/05/2024 | |||||
|---|---|---|---|---|---|---|---|---|
| Parâmetro da pastagem | n | Média ± DP (CV, %) | Inter. Var. | Média ± DP (CV, %) | Inter. Var. | Média ± DP (CV, %) | Inter. Var. | |
| MV (kg ha−1) | 48 | 6254 ± 4274 (68,3) | 1423-21090 | 13256 ± 7054 (53,2) | 3867-27917 | 8245 ± 4759 (57,7) | 2580-25037 | |
| MS (kg ha−1) | 48 | 571 ± 257 (45,0) | 237-1703 | 1834 ± 745 (40,6) | 580-3460 | 2353 ± 1108 (47,1) | 933-5400 | |
| Hum, (%) | 48 | 89,0 ± 3,3 (3,7) | 79,7-93,4 | 84,6 ± 3,2 (3,8) | 75,2-90,5 | 69,9 ± 6,9 (9,8) | 51,9-80,2 | |
| PB (%) | 48 | 24,3 ± 5,3 (21,7) | 13,5-34,8 | 16,4 ± 3,6 (21,9) | 9,0-23,5 | 11,3 ± 1,8 (15,7) | 8,1-15,4 | |
| PB (kg ha−1) | 48 | 140,6 ± 75,7 (53,9) | 38,8-386,1 | 305,0 ± 153,3 (50,2) | 74,0-626,6 | 260,6 ±119,4 (45,8) | 108,2-650,7 | |
| NDVI | 2880 | 0,817 ± 0,057 (7,0) | 0,663-0,898 | 0,762 ± 0,058 (7,6) | 0,605-0,840 | 0,537 ± 0,098 (18,2) | 0,313-0,765 | |
| HRPM (mm) | 144 | 53,1 ± 35,4 (66,7) | 14,0-232,0 | 103,6 ± 55,3 (53,4) | 22,0-244,0 | 77,8 ± 42,2 (54,2) | 22,0-240,0 | |
| IPQP | 144 | 44,8 ± 25,1 (56,1) | 13,7-108,4 | 79,2 ± 38,3 (48,4) | 21,2-154,5 | 41,3 ± 20,9 (50,6) | 9,1-95,0 | |
n - Número de medições; DP - Desvio padrão; CV - Coeficiente de variação; Inter. Var. - Intervalo de variação; MV - Matéria verde; MS - Matéria seca; Hum. - Teor de humidade da pastagem; PB - Proteína bruta; NDVI - Índice de vegetação de diferença normalizada; HRPM - Altura comprimida, medida pelo prato ascendente; IPQP - Índice de produtividade e qualidade da pastagem.
A evolução da disponibilidade e qualidade das pastagens ao longo do ciclo vegetativo é determinada pelas condições meteorológicas (especialmente temperatura e precipitação) e condicionada pelo maneio do pastoreio (contínuo, diferido, encabeçamento, entre outros aspetos). A Figura 2 mostra uma distribuição relativamente equilibrada da precipitação no outono e inverno, o que proporcionou condições para uma elevada produtividade das pastagens.
Na relação entre variáveis, a utilização do IPQP, que combina a componente altura e a componente qualidade da pastagem, mostrou forte correlação na estimativa da PB em termos de kg ha-1 (Figura 4), especialmente na fase inicial (outono; R2 de 0,86) e na fase intermédia (inverno; R2 de 0,74) do ciclo vegetativo da pastagem. O IPQP e a PB representam simultaneamente a disponibilidade e a qualidade da pastagem.
Figura 4 Relação entre a PB da pastagem (em kg ha-1) e o IPQP (=HRPM × NDVI), em dezembro de 2023 (a), em fevereiro de 2024 (b) e em maio de 2024 (c).
A associação de um recetor GNSS a sensores de proximidade ou de contacto permite a georreferenciação da informação de campo. Esta georreferenciação permite a representação em forma de mapa do padrão espacial dos parâmetros da pastagem. A Figuras 5 mostra os mapas que relacionam a PB com o IPQP. Estes mapas captam não só a variabilidade espacial, mas também a evolução temporal da relação entre parâmetros. É ainda evidente que os padrões de variabilidade são mais corretamente captados nas fases inicial (outono) e intermédia (inverno) do ciclo vegetativo da pastagem, com uma quebra significativa na fase final (primavera).
DISCUSSÃO
A variabilidade espacial da produtividade e da qualidade é um padrão comum nas pastagens de sequeiro integradas no ecossistema do Montado (Efe Serrano, 2006). Para além da biodiversidade de espécies e famílias botânicas, a presença de árvores e de animais em pastoreio acentua esta variabilidade (Schellberg et al., 2008). Esta variabilidade deve-se a uma série de fatores, incluindo o solo, o ambiente, as alterações sazonais na morfologia da pastagem e a gestão do pastoreio (por exemplo, taxas de encabeçamento, pastoreio seletivo, etc.) (Murphy et al., 2021b). No nosso estudo, a variabilidade espacial é ainda promovida pela gestão logística do campo experimental no contexto de um projeto de investigação sobre pastoreio de ovinos e correção do pH do solo. O campo foi dividido em quatro parques (P1 a P4, Figura 1) de, aproximadamente, 1 ha cada, com dois tratamentos: (i) aplicação versus não aplicação de calcário dolomítico; e (ii) duas intensidades de pastoreio diferentes (taxas de encabeçamento de 1 CN ha-1 e 2 CN ha-1). Cada um destes fatores tem um impacto significativo na pastagem (Efe Serrano, 2006).
A heterogeneidade aumenta a dificuldade para monitorizar a produtividade e a qualidade da pastagem e exige um grande número de amostras para captar esta variação espacial. Murphy et al. (2021b) sugerem que os locais de amostragem devem ser selecionados aleatoriamente e espacialmente equilibrados. Para efeitos do presente trabalho, o esquema de amostragem foi estabelecido com a georreferenciação de 48 pontos de amostragem (12 em cada um dos quatro parques de pastoreio), definidos por um perito botânico de acordo com a composição florística da pastagem na estação de crescimento anterior. Estes pontos foram mantidos em todas as datas de amostragem das pastagens (outono, inverno e primavera). A fim de minimizar o erro associado às medições de campo (Murphy et al., 2021b), a equipa de amostragem no terreno foi também mantida durante todo o período experimental.
Nas pastagens de sequeiro, a evolução da disponibilidade e da qualidade ao longo do ciclo vegetativo (dinâmica temporal) é determinada pelas condições meteorológicas e condicionada pela gestão do pastoreio (Efe Serrano, 2006). No ano agrícola em estudo (2023/2024) a precipitação ocorreu de forma homogénea durante os meses de outono e inverno (cerca de 300 mm de precipitação acumulada no outono - entre setembro e dezembro, e também no inverno - entre dezembro e março; Figura 2), o que garantiu quer o primeiro pico de produção no final do outono, quer o máximo de produção acumulada na primavera, fases que determinam em muito o potencial produtivo da pastagem (Efe Serrano, 2006). Neste estudo, as medições das pastagens foram efetuadas entre dezembro e maio para garantir a representatividade destas fases determinantes do ciclo vegetativo das pastagens.
A abordagem de estimativa baseada na disponibilidade de pastagem (por exemplo, kg de MS ha-1) ou na qualidade (PB, em %) pode ser considerada incompleta. Na prática, o ideal seria uma abordagem que integrasse simultaneamente as duas componentes (disponibilidade e qualidade). Para o efeito, neste estudo, o RPM foi utilizado para estimar a dimensão disponibilidade (MS) com base na altura comprimida (HRPM), e o sensor ótico “OptRx” foi utilizado para estimar a dimensão qualidade (PB) através do cálculo do NDVI. Vários estudos mostraram uma forte correlação entre o NDVI e a PB (Serrano et al., 2018; Pullanagari et al., 2012). Por exemplo, Pullanagari et al. (2012) obtiveram um R2 entre 0,65 e 0,83 em pastagens na Nova Zelândia.
O IPQP, obtido do produto entre o HRPM e o NDVI (Equação (4)), mostrou uma precisão muito interessante na estimativa da PB em termos de kg ha-1, especialmente na fase inicial (outono; R2 = 0,86; LCC = 0,80) e na fase intermédia (inverno; R2 = 0,74; LCC = 0,81) do ciclo vegetativo da pastagem. Este índice representa simultaneamente a disponibilidade e a qualidade da pastagem, daí o seu potencial prático para utilização na gestão do pastoreio e suplementação em sistemas extensivos de produção animal (Serrano et al., 2024). Existe potencial para aumentar a produção de pastagem de uma forma sustentável através de uma medição mais precisa da quantidade e qualidade da pastagem (Murphy et al., 2021b).
Tendo como referência o trabalho recente de revisão de Murphy et al. (2021b) sobre tecnologias de precisão para a otimização do maneio das pastagens, verifica-se que a avaliação de tecnologias para este efeito tem sido mais intensiva em países com forte vocação para a produção animal, como a Austrália, Nova Zelândia, EUA e, na Europa, a Irlanda, não havendo qualquer referência a trabalhos realizados na Península Ibérica. Relativamente à utilização simultânea dos sensores RPM e “OptRx”, não existe publicado nenhum trabalho científico em que estes equipamentos tenham sido testados em pastagens de sequeiro na região Mediterrânica. Por conseguinte, não existem dados que permitam enquadrar os resultados deste estudo, nomeadamente a relação entre o IPQP e a PB em kg ha-1.
A Figura 5 mostra os mapas que relacionam a PB com o IPQP. Estes mapas captam não só a variabilidade espacial, mas também a sua evolução temporal. Os padrões de variabilidade são captados com maior exatidão nas fases inicial (outono) e intermédia (inverno) do ciclo vegetativo da pastagem, com uma quebra significativa na fase final (primavera). A maior precisão obtida nas fases iniciais do ciclo vegetativo pode ajudar o agricultor a decidir quando parar a suplementação alimentar que ocorre durante todo o período de verão (período sem precipitação e, portanto, sem disponibilidade de pasto). Esta representação espacial reforça o interesse na integração de sensores de medição de pastagens com recetores GNSS, uma abordagem que contribui para a interpretação e gestão da variabilidade espacial das pastagens e do pastoreio, permitindo aos agricultores tomar decisões rápidas e mais informadas (Chapa et al., 2023).
Este estudo foi efetuado apenas durante um ciclo vegetativo da pastagem e envolveu um tipo de pastagem, embora representativa das misturas (gramíneas, leguminosas e outras) de pastagens de sequeiro típicas do Montado. É, por isso, fundamental alargar o estudo a mais pastagens, com diferentes caraterísticas e ao longo de vários ciclos de crescimento das pastagens, para obter mais detalhes e significância sobre os efeitos sazonais (Murphy et al., 2021c).
Para além do interesse em mais estudos de calibração/validação destes sensores na gama diversificada de pastagens heterogéneas que são caraterísticas da região, este trabalho abre perspetivas para estudos que potenciem estas tecnologias próximas associando-as à DR, permitindo aos agricultores monitorizar grandes áreas e determinar em tempo real a disponibilidade e a qualidade das pastagens in situ , e de forma expedita, com pouca ou nenhuma mão de obra (Pullanagari et al., 2012) para apoiar a tomada de decisões dos agricultores.
CONCLUSÕES
Nos sistemas de produção animal extensiva, as pastagens são a base da alimentação dos ruminantes. Nestes sistemas, a disponibilidade e a qualidade das pastagens são dois parâmetros fundamentais para a tomada de decisões e gestão das pastagens e do pastoreio. O potencial de uma abordagem complementar de multisensores, um RPM (Jenquip EC20), que mede a altura comprimida (HRPM), e um sensor ótico ativo (OptRx), que mede o NDVI, é demonstrado neste estudo para a obtenção de um índice (IPQP) que integra simultaneamente a produtividade e a qualidade da pastagem, expressa em termos de kg de PB ha-1.
A melhor correlação entre a PB (em kg ha-1), medida por análises laboratoriais de referência, e o IPQP foi obtida nas fases iniciais da estação de crescimento (outono: R2 = 0,86; LCC = 0,80; e inverno: R2 = 0,74; LCC = 0,81), o que pode ajudar os agricultores a decidir quando parar a suplementação alimentar que ocorre durante todo o período de verão.
Este é o primeiro trabalho científico publicado que apresenta um parâmetro que integra simultaneamente a produtividade e a qualidade da pastagem, obtido de forma expedita, no campo, a partir de sensores. A informação em causa constitui um desenvolvimento que permitirá tomadas de decisão, por exemplo em termos de suplementação dos animais, praticamente em tempo real.
A sazonalidade associada às pastagens de sequeiro afetou decisivamente a precisão da estimativa, tendendo a diminuir drasticamente no final do ciclo vegetativo das pastagens, o que justifica a realização de estudos a longo prazo para recolher mais informações sobre os efeitos sazonais. Estes estudos, para além de incluírem outros tipos de pastagens (composição florística), poderão também substituir os sensores próximos por deteção remota (imagens de satélite), tornando a monitorização das pastagens um processo mais prático e fácil de operar.
A sensibilização para os benefícios da utilização na exploração de tecnologias de AP para a medição frequente e exata da disponibilidade e qualidade das pastagens é uma das principais estratégias para garantir a sustentabilidade económica e ambiental destes sistemas de produção extensivos.
Este é um estudo exploratório, contudo os resultados abrem boas perspetivas para o envolvimento de ferramentas de análise mais robustas, baseadas em inteligência artificial, que permitam avaliar como diferentes variáveis (espécie botânica, teor de humidade, de proteína ou de fibra, por exemplo) podem influenciar os modelos de estimativa.
