RESUMO

Este trabalho propõe-se a avançar no entendimento de modelos de previsão das principais fenofases de culturas agrícolas perenes (maçã), rendimentos e safras. Para tanto, foram desenvolvidos, testados e comparados modelos de previsão polinomiais contra redes neurais artificiais. Também, a combinação destes modelos pelo uso de programação linear foi testada, buscando minimizar desvios ou erros relativos das previsões.

Paralelamente, desenvolveu-se metodologia de avaliação espacial para a caracterização da propriedade agrícola com o intuito de discriminação de áreas cultivadas, em nível de espécie e cultivares (tipos). Para tanto, utilizaram-se imagens digitais obtidas por scanner aerotransportável (CASI - Compact Airborne Spectrographic Imager) e aerofotos de vôo aerofotogramétrico. A área de estudo abrange 92Oha, Fazenda Bom Futuro, Fraiburgo/SC.

Os modelos têm fundamentação agrometeorológica com combinação de dados do potencial produtivo da espécie (maçã) e cultivares. As variáveis ou estimadores agrometeorológicos considerados levam em conta o conceito de graus-dia, horas de frio e balanço hídrico. Os modelos são polinomiais de várias ordens, ajustados por regressão múltipla. A rede neural artificial empregada foi a back-propagation (Neural Works).

Para a integração e a manipulação dos mapas restituídos e digitalizados e dos dados alfanuméricos foi empregado sistema de informações geográficas - GIS (SPANS - Spatial Analyses System), tendo em vista a dinâmica agrícola e a possibilidade de visualização espacial dos resultados. Foram empregadas 8 bandas espectrais do scanner entre o visível e o infravermelho próximo (465-790 um), com resolução espacial de 3,5m X 3,5m (e 2m X 2m), 6 faixas de vôo de 512 pixels e recobrimento lateral de 30%. O vôo aerofotogramétrico foi realizado, concomitantemente, com o imageamento digital em 5/11/92. Para a classificação supervisionada e automática da área de estudo, utilizou-se a estação de trabalho ARIES 380 e o método de máxima verossimilhança. Como verdade terrestre, empregou-se o inventário detalhado da área de estudo quanto às parcelas e subparcelas cultivadas, restituição aerofotogramétrica digital e aerofotos. O GIS foi empregado, também, para obtenção dos resultados quantitativos (áreas) pela análise cruzada entre o mosaico de imagens classificadas e o mapa restituído contendo parcelas (25) e subparcelas(276 quadras) com pomares.

Os modelos propostos deixam claro que as variáveis climáticas efetivamente decisivas ao desencadeamento da floração são energéticas, representadas simplificadamente pela somatória de horas de frio - HF, somatória de graus-dia - GD, insolação e temperaturas médias mensais. O estimador de graus-dia, isoladamente, teve a maior influência na previsão da data de início de colheita. A maioria dos estimadores dos modelos propostos para plena floração, início de colheita e rendimento, tiveram comportamento linear, eventualmente quadrático, raiz quadrada ou exponencial.

Os modelos neurais apresentaram um desempenho previsivo, de forma genérica, semelhante aos polinomiais, para as fenofases consideradas, rendimentos e safras. O número de neurônios utilizados na camada oculta (hidden 1), na fase de treinamento da rede, variou entre 2 e 10, correspondendo a 1/2 a 1,5 vezes o número de estimadores de entrada (inputs) mais a saída (output). Neste aspecto, concluiu-se que é possível efetuar-se previsões agrícolas com número relativamente pequeno de repetições, <50 anos/safras, ficando claro que o ajuste dos modelos depende mais da qualidade e representatividade dos dados do que da sua quantidade. A utilização de programação linear proporcionou a geração de modelos mistos (polinomiais + neurais) com erro relativo médio das previsões menor do que os modelos individuais.

Dependendo da cultivar e do modelo, boa previsão pode ser feita com até 120 dias de antecedência, cujo acerto, obviamente, melhora à medida em que se aproxima da época do evento.

As imagens CASI , nas condições deste trabalho, foram capazes de discriminar quatro cultivares (Gala, Golden Delicious, Belgolden e Fuji + Granny Smith), em plantios comerciais de baixa densidade (<1.000 plantas/ha), sistema de condução consorciado e em áreas pequenas (<3ha). Este desempenho comprova o potencial deste sensor na discriminação de pequenas áreas cultivadas (pequenas propriedades), sistemas associados de cultivo de espécies ou cultivares diferentes.

A combinação de mapas precisos (restituídos) e em escala adequada para pequenos cultivos (1:5.000), com imagens classificadas do scanner, analisadas de forma cruzada pelo GIS, permitiram segurança e objetividade na análise discriminatória (quantitativa) das áreas cultivadas com macieiras, em nível de cultivares.