Zootecnia de precisão no manejo de pastagens

Vamos falar sobre Zootecnia de Precisão?
A nutriNews Brasil realizou uma Live, que está disponível no Instagram e canal do Youtube, com dois especialistas no assunto:
Domingos Sárvio M. Valente, possui graduação, mestrado e doutorado em Engenharia Agrícola e Ambiental pela Universidade Federal de Viçosa, Pós-doutorado na University of Illinois (Urbana-Champaign) nos Estados Unidos. Atualmente é Professor Associado da Universidade Federal de Viçosa, no Departamento de Engenharia Agrícola, atuando nas Áreas de Mecanização Agrícola, e Agricultura de Precisão e Digital.
Doutorando em zootecnia Igor L. Brêtas, zootecnista e mestre pela Universidade Federal de Viçosa (2016), atua nas linhas de pesquisas de manejo e avaliação de plantas forrageiras e pastagens, e emissões de gases de efeito estufa por bovinos em pastejo. Atualmente é Doutorando em Zootecnia pela UFV na área de Forragicultura e Pastagens, com ênfase em Zootecnia de precisão aplicada ao manejo de pastagens.

A seguir, algumas das perguntas e respostas feitas durante a Live – Zootecnia de Precisão no Manejo de Pastagens

Primeiramente, gostaria que definissem o que é Zootecnia de Precisão e como ela está mudando o cenário da produção animal?
MSc. Igor: Essa definição é complexa pois a literatura apresenta diferentes definições.

Eu diria que Zootecnia de Precisão é todo o uso de tecnologias que permitem o monitoramento dos animais e do ambiente no qual eles estão inseridos, de forma rápida, a baixo custo. Esse monitoramento pode ser realizado em tempo real e em larga escala, de forma auxiliar a tomada de decisão.
Atualmente, temos diversas ferramentas disponíveis que são aplicadas tanto na pecuária de leite/corte, quanto na suinocultura, e até mesmo nas pastagens, que são relacionadas a zootecnia de precisão.

O impacto da zootecnia de precisão no cenário da produção animal é o aumento da eficiência de produção. Para atendermos a demanda da população, que está crescendo, a demanda por produtos de origem animal é cada vez maior. Porém, não basta apenas produzir, temos que produzir com eficiência. Atualmente, a produção ainda apresenta baixos índices, por exemplo, a média de produção de leite por vaca ainda é muito baixa, nossa taxa de abate é baixa, em temos de índices produtivos.
Desse modo, precisamos aumentar a eficiência e a base para que se aumente a eficiência de produção é coleta de dados. Muito se diz que “que quem não mede não gerência”, o que é um fato, hoje precisamos de dados para embasar a tomada de decisão. Porém, atualmente, temos disponível um grande volume de informações que impossibilita sua coleta e processamento de forma manual, então, toda tecnologia que podemos usar para automatizar a coleta de dados pode também ser entendida como zootecnia de precisão.
Prof. Sárvio: Para complementar eu só irei ampliar um pouco mais esse conceito, que pode ser aplicado para agricultura de precisão assim como para floresta de precisão e irrigação de precisão.  Na agricultura, a ideia é fazer o manejo da variabilidade espacial de forma diferenciada. No caso da zootecnia de precisão podemos pensar na variabilidade entre os animais. Sabemos que os animais apresentam genética diferente, mesmo em rebanhos uniformes, então porque não tratar esses animais de forma diferenciada?

As vacas, por exemplo, apresentam potenciais de produção de leite diferentes entre si, então devemos manejá-las de acordo com seu potencial individual. Para fazer o manejo individual, precisamos de coletar dados de cada animal ao longo do tempo.      
  
 Um ponto que merece destaque, e que está na fala do Igor é relativo ao custo, é um mito falar que a zootecnia de precisão é necessariamente uma coisa muito cara e que necessita de alto investimento? 
MSc. Igor: Exato, atualmente nós temos sensores como os satélites que disponibilizam imagens gratuitas! Assim como tem alguns softwares gratuitos para processamento. Com avanço da Ciência da Computação é possível processar os dados coletados totalmente nuvem. Com isso, não é necessário tanto recurso computacional ou maquinário tão caro.
O caminho não é limitar o uso da zootecnia de precisão por questão de custo, o objetivo é justamente, coleta maciça de dados a baixo custo.
Poderiam falar do uso de zootecnia de precisão especificamente para o manejo de pastagens?
MSc. Igor: Quando falamos de manejo de pastagens dois pontos são cruciais, o ajuste de taxas de lotação e o manejo do pastejo. O ajuste da carga animal corresponde a quantas unidades animais é possível colocar em determinada área. Já o manejo do pastejo seria o momento, por exemplo, de entrada e de saída dos animais em determinado piquete.

Tradicionalmente, para ajuste de taxa de lotação, primeiro estima-se o consumo dos animais calculando qual é a sua demanda. A demanda varia de acordo com as categorias animais, por exemplo, vacas de leite, animais adultos, animais mais jovens. Juntamente com a demanda dos animais é necessário ter informações sobre de pasto, quanto de forragem ele possui para atender a demanda desses animais. A forma que temos de mensurar o ajuste da taxa de lotação em campo, é a forma direta.

Na forma direta é necessário ir a campo, cortar e pesar a forragem, é um manejo muito trabalhoso. Basicamente o método direto consiste em uma moldura de área conhecida, essa moldura é lançada em diferentes pontos aleatórios da pastagem. Após o lançamento, faz-se o corte de toda a forragem dentro da área delimitada, a forragem cortada e então pesada. Se eu sei o quanto de massa eu tenho, por exemplo, dentro de um metro quadrado eu consigo extrapolar isso para um hectare. Assim, eu saberia quanto de pasto eu tenho.
Só que em condições de campo principalmente na nossa região, relevo montanhoso da zona da mata, por exemplo, esse procedimento se torna muito trabalhoso e demorado, com isso a amostragem acaba não sendo representativa, pois não se percorre a área inteira para fazer a coleta e pesagem das amostras.
Por isso, o uso do sensoriamento remoto é interessante. Com ele, podemos utilizar, por exemplo, imagens de satélites ou drones para estimar a massa de forragem de forma indireta, sem precisar ir a campo.

Outra aplicação seria no manejo do pastejo para determinar as alturas de entrada e saída dos animais nos piquetes. Usamos as imagens para tentar predizer altura das gramíneas e então sabemos qual é o momento de entrada e de saída dos animais. Em condição de campo pelo método direto teríamos que percorrer toda a fazenda realizando leituras com régua graduada, o que é um complicador.
Outras aplicações pode ser a identificação de plantas daninhas utilizando algoritmos para classificação. Outro uso é a estimativa de valor nutritivo da pastagem. Já existem trabalhos publicados na literatura em que se faz a estimativa de valor nutritivo, composição bromatológica, principalmente teor de proteína bruta, utilizando imagens de satélites.

Isso é possível porque que a concentração de nitrogênio das plantas está muito associada com teor de clorofila da planta. Assim, conseguimos associar alguns índices, por meio das imagens captados por satélite, com o conteúdo de clorofila.
Como ocorre o processo de transformação de imagens de satélite para informações de pastejo?
Prof. Sárvio: A ideia básica é usar as imagens de satélites, hoje temos uma série de imagens que são geradas por satélites que passam na nossa cabeça diariamente. Então nós temos, por exemplo, o satélite brasileiro em operação, CBERS-04A, que fornece imagens com resolução de até 8m. Nesse caso a resolução temporal, ou seja, o tempo de revisita é de 31 dias, então os 31 dias de revisita às vezes não seriam adequados, para trabalhos como os citados pelo Igor.
Para o manejo de pastagens, seria interessante ter um período de revisita menor. Então, nesse caso a gente poderia usar outro sensor do CBERS-04A com resolução de 55m e período de revisita a cada 5 dias. Outra opção seria utilizar o satélite SENTINEL 2 com resolução de 10m e período de revisita de 5 dias.

Esses satélites possuem sensores multiespectrais. Na verdade, os sensores são câmeras, que tem capacidade de enxergar coisas que a gente não enxerga naturalmente. A câmera vai ver os comprimentos de onda, energia eletromagnética, que nosso olho não capta. Então usando essas bandas nós podemos calcular índices de vegetação, um índice de vegetação muito utilizado é NDVI. Ele é bastante utilizado para medir como está a saúde da cultura.
Então, no caso do uso em pastagens, quanto maior o NDVI, maior será a quantidade de biomassa nas pastagens. Então podemos usar o NDVI como fonte de informação para criar um modelo de Machine Learning, de Inteligência Artificial.
Então no caso do uso em pastagens, quanto maior o NDVI, ou seja, mais próximo de 1, maior será a quantidade de biomassa nas pastagens. Então podemos usar o NDVI como fonte de informação para criar um modelo de Machine Learning, de Inteligência Artificial.
No caso do Igor, ele usou vários índices de vegetação, e dados de pastagens de algumas regiões.  Foram coletados dados de biomassa e de massa seca. Casando esses dados de campo com as imagens de satélite e climatológicas nós desenvolvemos um modelo de Machine Learning, que faz a predição de biomassa. Nesse estudo, os resultados foram bastante satisfatórios.

O maior problema, quando se usa as imagens de satélite, é a presença de nuvens. As vezes no momento que o satélite passa tem a presença de nuvens que atrapalham/interferem a captura de uma imagem adequada.
O uso das imagens de satélite pode servir para auxiliar na tomada de decisão para o manejo dos animais, pode auxiliar na identificação de pastagens degradadas, identificação de áreas em que é necessária a reforma das pastagens.
Atualmente, com todas as informações disponíveis, imagens de satélite e softwares gratuitos, os produtores já consegue predizer a produção de biomassa exclusivamente com imagens de satélite, ou ainda é necessário uma contra prova a campo? Ou o padrão ouro ainda é ir a campo e fazer a pesagem e medição com régua da altura do capim?
Igor: Essa tecnologia já pode sim ser utilizada. Já existem empresas prestando consultoria e assistência ao produtor com o uso de imagens de satélites. Mas temos algumas dificuldades, como a diversiade de sensores e satélites, é preciso conhecer o sensores para fazer uma boa escolha. Para áreas menores é possível usar também o drone. Outro ponto importante a ser considerado é a heterogeneidade termos de forrageiras.
Temos alguns modelos para predição de biomassa começando a ser calibrados. Por exemplo, esse trabalho citado pelo Sárvio foi feito utilizando-se exclusivamente braquiárias. Coletamos dados de braquiárias no Mato Grosso, São Paulo e Minas Gerais, porém, apesar do banco de dados grande, são dados de apenas uma forrageira específica, na verdade de um gênero específico, que fazem parte de um mesmo modelo.
Nós conseguimos ajustar um bom modelo, com acurácia bastante significativa para pastagens, em torno de 85%. O modelo foi feito utilizado o satélite Sentinel e o Landsat e para braquiária.
Então existe a necessidade de gerar modelos para outros tipos de forrageiras e/ou adequar várias varias forrageiras em um mesmo modelo. Antes de usar um determinado modelo é necessário saber se ele foi calibrado para ser utilizado daquela forma ou para aquela forrageira. Essa é uma grande dificuldade que ainda temos.

É necessário ter em mente como que os modelos foram calibrados, a partir do momento que a calibração tiver ok aí sim o modelo é confiável e pode ser utilizado. Temos uma série de métricas para avaliação dos modelos e que passam a confiabilidade desses modelos.
Nós temos outros trabalhos em andamento para, por exemplo, ajustar manejo rotacionado, com determinação de altura de entrada e saída dos animais.
Prof. Sarvio: Se tivermos que utilizar uma outra cultura, provavelmente temos que fazer um novo modelo, o que não é nada complicado. O produtor pode ter seu próprio modelo.
Uma coisa que eu gostaria destacar é que quando a gente desenvolve um modelo, a gente pega uma parte daqueles dados coletados, de forma aleatória, e “guarda”. Esses dados guardados não serão utilizados durante o desenvolvimento do modelo. Após o desenvolvimento do modelo, quando ele estiver pronto, aí sim nós usamos os dados “guardados” para testar o modelo. Então essa acurácia de 85% foi exatamente utilizando os dados que ficaram de fora da calibração.
O terreno, sua altimetria, interfere na utilização dos satélites no manejo de pastagens?
MSc. Igor: Existem algumas interferências sim, embora a maioria das imagens de satélites já sejam ortorretificadas. Por exemplo o Sentinel-2 disponibiliza imagens que já passaram por uma correção geométrica para esse tipo de distorções do terreno.
Existem também alguns índices com fatores de correção.
Então, por exemplo, nesse nosso trabalho, o modelo que foi gerado com os dados da braquiária, e talvez 50% dos dados ou a maior parte dos dados, são provenientes do setor de gado de corte da Universidade Federal de Viçosa, para quem não conhece, o setor possui declividade elevada.
Estamos falando muito de satélite, quais são os outros tipos de sensores/tecnologias que podem ser usados para fazer o manejo de pastagens?
Prof. Sárvio: São diversos os sensores que podem ser utilizados. Os satélites apresentam diferentes tipos de sensores (câmeras) que fornecem diferentes tipos de dados. Podemos também utilizar outras plataformas, como os drones, que carregam câmeras. Essas câmeras podem fornecer diferentes tipos de informações, com diferentes resoluções espacial e temporal.
No caso dos drones, o grande problema seria em relação a iluminação, se você utilizar uma câmera que não é muito boa, e coletar imagens em dias nublados e também em dias ensolarados, os diferentes tipos de iluminação podem prejudicar o sensor e atrapalhar o desenvolvimento e utilização do modelo.
Então, a qualidade da câmera que será utilizada no drone é muito importante. Existem no mercado câmeras que captam os dados necessários com melhor qualidade. Essas câmeras normalmente têm um sensor para cada banda. Com essas bandas é possível elaborar índices muito interessantes. Porém, são câmeras mais caras, para resolver essa questão usa-se as imagens de satélites.

Além disso, tem sensores proximais, com eles é necessário que um profissional caminhe pela área e vá fazendo a medição, daí é mais complexo e envolve mais tempo no campo. Também, existem sensores proximais que podem ser acoplados também em máquinas para agilizar a coleta de dados.
MSc. Igor: Com o drone é possível escapar do problema da insolação/nuvem, pois o usuário pode escolher o dia e a condição de insolação para fazer a coleta dos dados e realizar o voo. Outra vantagem que é a resolução espacial e nível de detalhes. Como o drone está sobrevoando muito mais perto, comparado a distância de um satélite, a resolução espacial e o nível de detalhamento, como o tamanho do Pixel,  é muito melhor.
Por outro lado, o drone tem problema de autonomia, ele cobre uma a uma área muito menor. Com o satélite é possível cobrir áreas bem maiores. Além disso, com o drone é necessário ir no campo para realizar o voo, não é possível fazer a coleta de imagens de forma totalmente remota.
Prof. Sárvio: A resolução é importante em alguns casos, como por exemplo, na identificar plantas daninhas na pastagem e até mesmo plantas tóxicas que podem prejudicar o animal. E isso pode ser feito de forma automática, mesmo que o algoritmo não indique com 100% de certeza, só dele indicar os pontos que são potencialmente problemáticos, o produtor pode, com uso de GPS, ir até o local e ver qual é a planta daninha/toxica e resolver a questão.
MSc. Igor: Nesse sentindo pode-se até combinar duas informações, com o uso do satélite podemos estimar a biomassa acima do solo. Deste modo podemos estimar o quanto dessa biomassa é proveniente de forrageiras destinadas a alimentação animal e o quanto é componente não forrageiro. Ou ainda utilizar o drone pulverizador para combater de forma pontual a planta daninha que foi identificada.
Quais são as maneiras de identificar uma planta daninha ou toxica, é sempre pela coloração, em relação a clorofila?
MSc. Igor: Nem sempre, por exemplo, a proteína bruta possui uma alta correlação e/ou associação com a clorofila. Mas no caso de identificação de plantas daninhas, o reconhecimento por parte do algoritmo é semelhante ao reconhecimento facial, aquele que temos em um sistema prisional ou de identificação nos aeroportos. Isso também pode ser feito para reconhecimento de animais sem utilizar nenhum tipo de marcação neles.
Então, não necessariamente usa-se correlação com a clorofila para todas as necessidades.
Como ajustar o tempo de rotação de pastagens com o tempo de revisita dos satélites?
MSc. Igor: É possível sim fazer esse ajuste. Para contextualizar, o manejo de pastagem hoje deve ser feito com base em altura, no sistema rotacionado nós determinamos a altura de entrada dos animais, e quando o pasto é rebaixado até a metade da altura inicial os animais saem.
Por muitos anos esse manejo foi feito com dias fixos, por exemplo, se trabalho com Mombaça, na saída dos animais o pasto fica em descanso durante 28 dias e os animais vão realizar o pastejo durante dois dias.
Porém, isso não funciona tão bem pelo fato de que a planta responde a condições climáticas, como temperatura e precipitação. Por isso ao longo do ano ela apresenta variações no seu crescimento, a planta não responde a dias fixos.
Então para manejar por altura, que é o ideal, usar a imagem de satélite para fazer uma regressão e predizer a altura do pasto, por exemplo.
Em relação especificamente ao período de revisita, existem satélites com visita no mesmo local diariamente, mas são satélites pagos. Talvez a melhor resolução temporal dentre os satelites gratuitos seja do Sentinel, que é a cada 5 dias. Porém, corre o risco de após o intervalo de 5 dias quando o satélite voltar, o céu estar recoberto de nuvens, então a resolução passa a ser de 10 dias e assim por diante. Essa seria uma limitação durante o período de maior crescimento da planta, quando se tem temperatura e precipitação favoráveis para o crescimento da forrageira.
Se usarmos como exemplo uma forrageira com capacidade de produção muito alta como o Mombaça, no intervalo de 2-3 dias já pode ocorrer um crescimento expressivo, e uma diferença muito grande entre a data da imagem e do dado real.
Para tentar contornar esse problema podemos, em função da altura, predizer a taxa de crescimento do pasto. Podemos inserir no modelo a luminosidade, taxa de precipitação, temperatura do local e assim predizer a taxa de crescimento no pasto. Deste modo, independente se o satélite vai passar em 5 – 10 dias eu tenho um modelo que irá me permitir predizer a altura.
Outra alternativa, com o uso de drones, e saindo um pouco dos índices de vegetação, seria gerar um modelo digital de elevação. É gerado calculado a elevação da superfície e elevação do terreno, e por diferença, entre altitude da superfície e do terreno, é possível estimar a altura das pastagens.
Temos em andamento um trabalho com Mombaça sendo feito nesse sentido, mas com satélite. Nesse trabalho, a sugestão do Sárvio inclusive é não fazermos uma predição e sim uma classificação. Então o algoritmo vai determinar o momento de entrada e saída dos animais, ele não vai me informar se a pastagem está com 80 cm ou 70cm, ele vai fazer a classificação e dizer o momento pré-pastejo e pós-pastejo, o próprio algoritmo fará a tomada de decisão.

Em relação as medidas de altura de cultura, produtividade e densidade de plantas, podemos extrapolar essas analises além do pasto e usa-las para outras culturas como soja e milho?
Prof. Sárvio: Sim, claro, isso já tem sido feito, e é comum na agricultura. Utilizamos Machine Learning para predição da produtividade das culturas agrícolas.
Mas a qualidade dos modelos depende da cultura, no caso da soja, a correlação não é tão boa quanto a do milho. Mas só de identificar as “manchas” de alta e baixa produtividade, pode-se tomar decisões importantes. Pode-se, por exemplo, definir zonas de manejo, e deste modo, ajudar na recomendação de fertilizantes.
No caso de pastagens não é muito diferente disso, se fizermos uma avaliação da área de pastagens é possível fazer o manejo da área, com correções diferenciadas ao longo da área. É possível verificar se a pastagem precisa ser reformada, se é necessário fazer adubação. Muitos produtores não fazem a adubação de pastagem, porém a pastagem deve ser tratada como qualquer outra cultura, assim como milho e soja. Deste modo, é possível fazer uma adubação das pastagens a taxa variável, podendo haver economia de insumos. E as imagens de satélite podem ajudar muito nesse contexto de identificação de zonas de alta e baixa produtividade.
 
É possível utilizar esses modelos para determinar a densidade de animais a pasto?
MSc. Igor: Sim, é possível usar os modelos para estimar a quantidade de massa disponível no campo. Você realiza um cálculo de qual é a demanda por parte dos animais e calcula a taxa de lotação. Se sei o quanto de alimento eu preciso de fornecer e sei o quanto eu tenho de pasto, eu calculo quantos animais eu posso colocar em determinada área, que seria a taxa de lotação da área.
É possível usar o sensoriamento remoto também para contar esses animais se for uma área de pastejo muito grande.

Também é possível identificar problemas, eu poderia usar sensoriamento remoto para classificar a área de pastagem em áreas degradadas e áreas mais produtivas. É possível identificar o que é solo descoberto e o que é solo coberto por vegetação.