Search

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES As global food security issues become increasingly challenging, reliable estimates of crop yields are becoming more imperative than ever for the scientific community. Today, with greater ease of accessing remote sensing data from satellite-embedded sensors, this source of information has become very promising for developing crop yield forecast models. Nevertheless, the use of such models is still limited in most operational efforts to monitor crop yield at different geographic scales. In general, satellite-based yield forecast models can be evaluated by considering three aspects: i) the accuracy of the predictions; ii) the date when the yield forecast is released in relation to the crop harvest date; and iii) the spatial scale of the forecasting unit, (e.g. country, state, county, field, etc.). The main objectives of this study were: i) to develop a complete model based on satellite images capable of predicting corn (in the US Corn Belt) and soybean (in the state of Rio Grande do Sul – Brazil) in county and municipality levels, respectively; ii) evaluate the performance of the model after the inclusion of weather variables along with satellite derived vegetation indices; iii) test different machine learning algorithms to predict yield at the regional level; and iv) evaluate the generalization capacity of predictive models developed at field level when applied to fields in different regions from which they were parameterized. The main results were: i) satellite-based predictive models and weather variables can anticipate corn yield by up to 122 days (approximately 16 days prior to the first USDA/NASS state-level corn yield report) with an mean absolute error of less than 1 Mg ha-1, and soybean yield by up to 70 days with an mean absolute error of 0.42 Mg ha-1; ii) air temperature, canopy surface temperature and vapor pressure deficit improved model performance in relation to models based only on vegetation indices (NDVI and EVI); iii) the Long Short Term Memory Neural Network algorithm performed better compared to the other algorithms tested (e.g. random forest and ordinary least squares regression); and iv) the models parameterized at field level presented limited generalization capacity outside the limits where they were adjusted, but similarities in the data distribution used for model parameterization can provide guidance on how they can be extrapolated. The results presented in this study have potential to assist farmers and policy makers in the decision making process. Future studies on this topic should explore the fusion of mechanistic (process-based) with empirical models in order to increase the spatio-temporal limits of predictability and make models less dependent on third party data. À medida que as questões relacionadas à segurança alimentar global se tornam cada vez mais desafiadores, estimativas confiáveis da produtividade de culturas agrícolas passam a ser mais imperativas do que nunca para a comunidade científica. Atualmente, com a maior facilidade de acesso a dados provenientes de sensores embarcados em satélites, essa fonte de informação tem se tornado muito promissora para o desenvolvimento de modelos de previsão de produtividade de culturas agrícolas. Apesar disso, seu uso ainda é limitado na maioria dos esforços operacionais para monitorar produtividade em diferentes escalas geográficas. De maneira geral, os modelos de previsão de produtividade baseados em imagens de satélite podem ser avaliados considerando três aspectos: i) a acurácia das previsões; ii) a antecedência com que a previsão é realizada em relação à data de colheita; e iii) a escala espacial da unidade de previsão, (e.g. país, estado, município, área agrícola, etc.). Os principais objetivos desse estudo foram: i) desenvolver um modelo de previsão de produtividade com base em imagens de satélite capazes de predizer a produtividade da cultura do milho (no Corn Belt dos Estados Unidos) e da soja (no estado do Rio Grande do Sul- Brasil) nos níveis de condado e município, respectivamente; ii) avaliar o desempenho do modelo após a inclusão de variáveis meteorológicas juntamente aos índices de vegetação derivados de satélite; iii) testar diferentes algoritmos de aprendizado de máquina para prever a produtividade em nível regional; e iv) avaliar a capacidade de generalização dos modelos preditivos desenvolvidos em nível de área agrícola quando aplicados para áreas localizadas em diferentes regiões em relação à onde eles foram parametrizados. Os principais resultados foram: i) modelos preditivos baseados em imagens de satélite e variáveis meteorológicas podem antecipar a produtividade da cultura do milho em até 122 dias (aproximadamente 16 dias antes do primeiro relatório de produtividade de milho em nível estadual da USDA/NASS) com um erro médio absoluto menor que 1 Mg ha-1, e em até 70 dias para a soja com erro médio absoluto de 0,42 Mg ha-1; ii) temperatura do ar, temperatura da superfície do dossel e deficit de pressão de vapor melhoraram o desempenho dos modelos em relação aos modelos baseados apenas em índices de vegetação (NDVI e EVI); iii) o algoritmo Long Short Term Neural Network apresentou desempenho superior em comparação com os outros algoritmos testados (e.g. random forest e regressão ordinária de mínimos quadrados); iv) os modelos de previsão de produtividade parametrizados em nível de área agrícola apresentaram capacidade de generalização limitada fora dos limites onde foram ajustados, mas as semelhanças nos dados usados para parametrização do modelo podem fornecer diretrizes de como eles podem ser extrapolados. Os resultados apresentados nesse estudo têm potencial para auxiliar agricultores e agentes formuladores de políticas durante o processo de tomada de decisão. Estudos futuros sobre esse tópico devem explorar a fusão de modelos mecanísticos (baseados em processos) com modelos empíricos, a fim de aumentar os limites espaçotemporais de predicabilidade e tornar os modelos menos dependente de dados oriundos de terceiros.

Resumo O objetivo deste trabalho foi avaliar as relações da condutividade elétrica aparente (CEa), determinada por sensoriamento em tempo real, com os atributos do solo e com a produção vegetal, além de espacializar de forma indireta e em alta resolução os componentes da acidez de um Latossolo Vermelho distrófico no Sul do Brasil. O sensoriamento do solo foi realizado em duas áreas agrícolas, com o sensor Veris 3100. O solo foi amostrado à profundidade de 0,00-0,15 m, com trado calador. Avaliou-se o índice de vigor do milho (IV) com um sensor óptico, e a produtividade com sensores de produtividade e umidade. A associação dos atributos da acidez do solo com a produtividade do milho e com a CEa foi determinada por meio de análises de correlação e de componentes principais. A CEa relacionou-se ao IV e à produtividade de milho. Além disso, na área com qualidade química inferior, a CEa apresentou relação positiva com os conteúdos de Ca2+, Mg2+, com pH em água, saturação e soma de bases, e com a capacidade de troca catiônica; e negativa com os valores de Al3+, saturação por alumínio e de H+Al3+. Na área com melhor qualidade química, a CEa apresentou relação com Ca2+, Mg2+, matéria orgânica do solo e teor de argila. Abstract The objective of this work was to evaluate the relationships between the apparent electric conductivity (ECa), measured by on-the-go sensing, with soil attributes and plant production, besides indirectly mapping with high resolution, the main acidity attributes of an Oxisol in South Brazil. Soil sensing was performed in two crop fields using the Veris 3100 sensor. Soil was sampled at the 0.00-0.15-m soil depth using a hand auger. The corn vigor index (VI) was measured with an optical sensor, and yield was determined using grain yield and moisture sensors. The association of soil acidity attributes with corn yield and ECa was determined with correlation and principal component analyses. ECa was associated with the VI and corn yield. Moreover, in the area with low chemical quality, ECa had a positive relationship with Ca2+ and Mg2+ contents, pH in water, base saturation, sum of bases, and cation exchange capacity; and a negative relationship with Al3+, aluminum saturation, and H+Al3+ values. In the area with better chemical quality, ECa was related to Ca2+ and Mg2+ contents, soil organic matter, and clay content.

There are basically two approaches for variable rate of nitrogen prescription, the first one based on management zones (predictive) and the second one based on remote sensing (reactive). These approaches have complementary characteristics and when they are integrated can result in a more efficient N prescription. The main of this study was to delimitate management zones with different nitrogen responses in relation to the nitrogen fertilization and then to compare the different strategies for N prescription, including approaches based on management zones, remote sensing and the integration of both. Management zones were delineated using yield maps, topographic features and soil apparent electric conductivity and were classified as low, medium and high yield potential zone. There was significant interaction between nitrogen rates and management zones for N uptake (p