Remote Sensing in the assessment of Brachiaria decumbens

A Zootecnia de Precisão tem sido amplamente utilizada para gerar informações no campo, assim como auxiliar na tomada de decisão em diversas áreas, inclusive no manejo das pastagens. Neste contexto, um dos maiores entraves do pecuarista para gestão adequada da produção animal baseada em pastagens é determinar a quantidade e o valor nutritivo da forragem ofertada aos animais. Geralmente, essas informações são geradas por meio de amostragem e secagem da forragem, seguida de análises laboratoriais, sendo trabalhoso e oneroso para o produtor. Assim, foi proposto este experimento com os objetivos de determinar e testar possíveis correlações entre os Índices de Vegetação (IVs) gerados a partir de imagens aéreas multiespectrais e de Sensores Proximais, com as variáveis massa de forragem (MF), altura (ALT) e proteína bruta (PB) do capim-braquiária. Para gerar variação estrutural e química no capim-braquiária foram aplicadas 5 doses de nitrogênio (0; 50; 100; 150 e 200 kg ha -1 ) após cada colheita de forragens nas parcelas. O delineamento utilizado foi em blocos ao acaso com 5 repetições, totalizando 25 parcelas de 12 m2 cada. Foram realizados quatro voos com o VANT Matrice 100 DJI, com a câmera multiespectral MicaSense RedEdge a bordo, a cada 21 dias, no período de setembro a dezembro de 2019. Antecedendo cada voo, foram realizadas em cada parcela, aferições da ALT do capim-braquiária, bem como quantificação da clorofila via SPAD e NDVI (Normalized Difference Vegetation Index) com o sensor GreenSeeker. Após cada voo, amostras foram colhidas em cada parcela para quantificar a MF e o teor de PB da planta. As imagens obtidas foram calibradas utilizando o software Agisoft Photoscan e processadas para determinação dos IVs no software QGIS 3.2. Foram calculados os seguintes índices: NDVI, NDRE (Red Edge Normalized Difference Vegetation Index), GNDVI (Green Normalized Difference Vegetation Index), SR Red Edge (Red Edge Simple Ratio), SR (Simple Ratio), CI Green (Green Chlorophyll Index), CI Red Edge (Red Edge Chlorophyll Index) e MTCI (MERIS Terrestrial Chlorophyll Index). Todos os IVs gerados foram correlacionados com as variáveis: MF, PB (% MS), e ALT pelo Teste t-student, a 5% de significância. Em geral, foram observadas fortescorrelações entre IVs e variáveis determinadas no capim-braquiária. Os resultados sugerem potencial de utilização do Sensoriamento Remoto utilizando câmeras multiespectrais, bem como do sensor GreenSeeker em modelos de predição da massa de forragem, altura e teor de PB de pastos de B. decumbens (syn. U. decumbens). Índices que utilizam a banda espectral Red Edge em substituição a banda do vermelho visível possuem melhor correlação com MF e teor de PB e podem melhorar o desempenho preditivo das variáveis de interesse, embora mais pesquisas sejam necessárias para escolha do melhor índice a ser utilizado, bem como desenvolvimento de modelos de predição acurados para pastagens tropicais. Palavras-chave: Índices de Vegetação. Sensoriamento remoto. Biomassa. VANT. Nitrogênio.Precision livestock has been widely used to generate accurate information in the field, as well as assist in decision-making in several areas, including pasture management. In this context, one of the biggest obstacles of the cattle rancher for the adequate management of animal production based on pastures is to determine the quantity and the nutritional value of the forage offered to the animals. Generally, this information is generated by the cutting and drying of the forage followed by laboratory analysis, a laborious and costly process. Thus, an experiment was carried out with the objectives of determining and testing possible correlations between vegetation indices (IVs) generated from multispectral aerial images and Proximal Sensors, with the forage mass (FM), canopy height (CH), and crude protein content (CP) of signalgrass. To generate structural and chemical variation in the signalgrass, 5 nitrogen doses (0; 50; 100; 150 and 200 kg ha - 1) were applied after each cut. The design used was in randomized blocks with 5 replications, totaling 25 plots of 12 m2 each. Four flights were performed with the UAV Matrice 100 DJI, with the MicaSense RedEdge multispectral camera on board, every 21 days from September to December 2019. In advance of each flight, IAF, IL and canopy height measurements were performed at each plot, as well as quantification of the chlorophyll SPAD and NDVI (Normalized Difference Vegetation Index) with the GreenSeeker sensor. After each flight, samples were taken from each plot to quantify the forage mass and the protein content of the plant. The images obtained were calibrated using the Agisoft PhotoScan software and processed to determine the IVs using the QGIS 3.2 software. The following indices were calculated: NDVI, NDRE (Normalized Difference Red Edge), GNDVI (Green Normalized Difference Vegetation Index), SR Red Edge (Red Edge Simple Ratio), SR (Simple Ratio), CI Green (Green Chlorophyll Index), CI Red Edge (Red Edge Chlorophyll Index) and MTCI (MERIS Terrestrial Chlorophyll Index). All the IVs generated were correlated with the variables (MF, PB [% MS], and canopy height through the t-student test) at a 5% significance level. In general, strong correlations were observed between IVs and pasture variables. The results suggest potential use of aerophotogrammetryusing multispectral cameras and the Proximal Sensors in prediction models of forage mass, CH and CP of B. decumbens (syn. U. decumbens) pastures. Indices that use the Red-Edge spectral band to replace the visible red band have a better correlation with FM and CP content and can improve the predictive performance of the variables of interest, although more research is needed to choose the best index to be used, as well as to spur development of accurate prediction models for tropical pastures. Keywords: Vegetation Index. Remote Sensing. Biomass. UAV. Nitrogen.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES