📄 agriculture

Rice evapotranspiration estimation and irrigation optimization based on coupling UAV multispectral and thermal infrared imagery with the FAO-56 model

Este estudo propõe uma nova estrutura que integra imagens multiespectrais e de infravermelho térmico de UAV com o modelo FAO-56 e a otimização NSGA-II para estimar com precisão a evapotranspiração do arroz e identificar estratégias ideais de gestão de água e nitrogênio que equilibrem alto rendimento, eficiência de recursos e baixas emissões de gases de efeito estufa na região de solo negro frio do Nordeste da China.

Autores originais: Yan Sha, Tianyang Gao, Aizheng Yang, Xiaofang Wang, Shengbo Li, Lei Ma, Nan Chai, Mo Li

Publicado 2026-08-13

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yan Sha, Tianyang Gao, Aizheng Yang, Xiaofang Wang, Shengbo Li, Lei Ma, Nan Chai, Mo Li

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um chef tentando cozinhar a tigela de arroz perfeita. Você sabe que a água e o fertilizante são os ingredientes secretos, mas acertar o equilíbrio é complicado. Água demais, e o arroz fica encharcado; água de menos, e ele fica crocante e triste. Fertilizante demais, e você desperdiça dinheiro e polui o ar; de menos, e o arroz continua pequeno. Por décadas, os agricultores tentaram adivinhar as quantidades certas baseando-se em velhos hábitos e no clima, mas é como tentar acertar um alvo móvel com uma venda nos olhos. Isso é especialmente difícil em lugares frios, onde a estação de cultivo é curta e o clima é imprevisível.

Cientistas têm tentado resolver esse quebra-cabeça usando um conceito chamado "evapotranspiração". Pense nisso como a taxa de suor pessoal da planta de arroz. Assim como você sua quando corre ou quando está calor, as plantas "suam" água através de suas folhas para se resfriar e crescer. Se você souber exatamente quanta água uma planta está suando a cada dia, pode dar a ela apenas o suficiente para mantê-la feliz sem desperdiçar uma gota. A grande questão é: como medir esse suor invisível por todo um campo sem caminhar por cada planta individualmente? É aqui que a história da agricultura de alta tecnologia começa, transformando campos em parquinhos ricos em dados, onde drones atuam como os olhos do agricultor.

O Detetive Drone e o Suor do Arroz

Neste estudo, uma equipe de pesquisadores nas regiões de solo negro e clima frio do Nordeste da China decidiu elevar a agricultura de arroz do nível de "jogo de adivinhação" para a "ciência de precisão". Eles queriam descobrir exatamente quanta água e fertilizante o arroz precisa para crescer grande, economizar água e manter o planeta fresco, tudo ao mesmo tempo. Para fazer isso, construíram um sistema de alta tecnologia que combina robôs voadores (drones), matemática avançada e um livro de regras clássico da agricultura.

Os Olhos Voadores
Os pesquisadores enviaram dois tipos de drones sobre seus campos de arroz. Um drone carregava uma câmera "multiespectral", que vê cores que os humanos não conseguem ver, como os tons específicos de verde que nos dizem quão saudáveis estão as folhas. O outro drone carregava uma câmera "térmica", que vê o calor. Isso é crucial porque uma planta sedenta fica mais quente, assim como sua pele fica quente quando você está com febre. Ao observar o calor e o verdor do arroz, os drones podiam dizer exatamente quanto as plantas estavam "suando" (evapotranspiração) em qualquer dia dado.

O Livro de Regras Antigo vs. Novos Dados
Normalmente, os agricultores usam um guia famoso chamado modelo FAO-56 para adivinhar as necessidades de água. Pense neste modelo como um livro de receitas padrão. Mas receitas padrão não levam em conta o fato de que hoje pode estar mais quente do que ontem, ou que um pedaço de arroz pode estar com mais sede que o próximo. Os pesquisadores perceberam que, em vez de apenas seguir a receita cegamente, poderiam usar os dados dos drones para atualizar a receita em tempo real. Eles usaram as leituras de "verdor" dos drones para descobrir quanto do solo estava coberto por folhas, e as leituras de "calor" para ver se as plantas estavam estressadas. Isso permitiu calcular as necessidades diárias de água com uma precisão muito maior do que antes.

O Equilíbrio Delicado
Uma vez que sabiam exatamente quanta água o arroz estava usando, enfrentaram um problema matemático complexo. Eles queriam encontrar o "Meio Termo de Ouro" que resultasse em:

Cultivar a maior colheita.
Usar a menor quantidade de água.
Usar a menor quantidade de fertilizante.
Produzir a menor quantidade de gases de efeito estufa (que aquecem o planeta).

O problema é que esses objetivos muitas vezes conflitam entre si. Para obter a maior colheita, você geralmente precisa de mais água e fertilizante, o que gera mais poluição. Para economizar água, você pode ter uma colheita menor. Para resolver isso, os pesquisadores usaram um algoritmo de computador super inteligente (chamado NSGA-II) que agia como um árbitro, testando milhares de combinações diferentes para encontrar o melhor compromisso possível.

O Que Eles Descobriram
O estudo confirmou que a água e o fertilizante trabalham juntos como uma dupla de dança; se um sai do ritmo, toda a performance sofre. Eles descobriram que:

A Melhor Combinação para o Rendimento: Dar ao arroz 80% da água máxima e 155 kg/ha de fertilizante nitrogenado produziu o máximo de arroz (cerca de 11.883 kg por hectare).
O Melhor Equilibrado: No entanto, a solução "perfeita" não foi aquela com o máximo de arroz. O computador encontrou um "Cenário S5" que era o melhor equilíbrio geral. Este plano recomendava 669,94 mm de irrigação e 117,48 kg/ha de nitrogênio.
O Resultado: Este plano equilibrado produziu um enorme 11.473,43 kg/ha de arroz (quase tanto quanto o máximo!), mas utilizou menos água e fertilizante, e manteve o impacto ambiental mais baixo.

Por Que Isso Importa
Os pesquisadores descobriram que seu sistema baseado em drones era incrivelmente preciso. Quando compararam os cálculos dos drones com a água real medida no solo, os números coincidiram com uma correlação de 0,89 (um match muito forte). Isso significa que os drones podiam prever o "suor" do arroz quase perfeitamente.

Eles também provaram que você não precisa escolher entre uma grande colheita e um planeta limpo. Ao usar dados em tempo real de drones para guiar a água e o fertilizante, os agricultores podem parar de adivinhar e começar a otimizar. Em vez de despejar água e fertilizante em um cronograma que pode estar errado, eles podem dar ao arroz exatamente o que ele precisa, exatamente quando precisa.

No fim, este estudo sugere que o futuro da agricultura em regiões frias não é trabalhar mais duro; é observar de forma mais inteligente. Ao deixar os drones serem os olhos e os computadores serem o cérebro, os agricultores podem cultivar mais alimentos, economizar água preciosa e manter o ar mais limpo, tudo isso sem sacrificar o tamanho de sua colheita. É um ganha-ganha-ganha para o arroz, para o agricultor e para o planeta.

Resumo Técnico: Estimativa da Evapotranspiração do Arroz e Otimização da Irrigação via Acoplamento UAV-FAO-56

Problema
A produção de arroz nas regiões de solo negro frio do Nordeste da China enfrenta um desafio crítico: equilibrar a segurança alimentar com a sustentabilidade ambiental. As práticas atuais de gestão de água e nitrogênio dependem fortemente de decisões empíricas, baseadas em experiência, e de insumos uniformes. Essas abordagens estáticas não conseguem considerar as variações espaciais e temporais altamente dinâmicas das condições do solo, do crescimento da cultura e dos requisitos de água e nitrogênio, particularmente em regiões frias onde o calor do solo no estágio inicial é insuficiente e os fatores meteorológicos flutuam. Esse descompasso leva ao desperdício de água, baixa eficiência no uso de nitrogênio e elevadas emissões de gases de efeito estufa (GEE). Além disso, os métodos existentes de estimativa de evapotranspiração (ET) frequentemente enfrentam dificuldades de precisão em ecossistemas de várzea devido à complexa interação entre a evaporação do solo, a transpiração da cultura e a água superficial, e muitos estudos falham em estabelecer a ponte entre a recuperação de dados de sensoriamento remoto e a otimização da irrigação multiobjetivo acionável.

Metodologia
Este estudo propõe uma estrutura inovadora que integra o sensoriamento remoto por Veículo Aéreo Não Tripulado (VANT/UAV) com o modelo de duplo coeficiente de cultura FAO-56 e o algoritmo de otimização multiobjetivo NSGA-II.

Desenho Experimental: Experimentos de campo foram conduzidos na Fazenda 856, em Heilongjiang, Província de Heilongjiang (2025), utilizando um delineamento de parcelas subdivididas. As parcelas principais envolveram quatro limiares de controle de irrigação de limite inferior (60%, 70%, 80%, 90% da umidade do solo), e as subparcelas envolveram quatro taxas de aplicação de nitrogênio (0, 110, 155 e 200 kg/ha).
Aquisição de Dados: VANTs (DJI Mavic 3 Multispectral e DJI Matrice 30T) capturaram imagens multiespectrais e de infravermelho térmico de alta resolução a uma altitude de 30 m durante os estágios de crescimento chave. Dados de verdade de campo, incluindo umidade do solo, índice de área foliar (IAF) e fluxos de gases de efeito estufa, foram coletados de forma síncrona.
Estrutura de Estimativa de ETc: O estudo utilizou a abordagem de duplo coeficiente de cultura FAO-56 ( $ET_c = K_s \times K_{cb} \times ET_0$ $E T_{c} = K_{s} \times K_{c b} \times E T_{0}$ ).
- Coeficiente Basal da Cultura ( $K_{cb}$ ): Recuperado usando índices de vegetação multiespectrais (NDVI, SAVI, EVI) para estimar a fração de cobertura vegetal.
- Coeficiente de Estresse Hídrico ( $K_s$ ): Quantificado usando o Índice de Estresse Hídrico da Cultura (CWSI) derivado das temperaturas do dossel por infravermelho térmico.
- Validação: A $ET_c$ diária estimada foi validada contra a evapotranspiração real ( $ET_a$ ) calculada via equação do balanço hídrico do solo.
Otimização Multiobjetivo: Um modelo NSGA-II foi desenvolvido para otimizar a gestão de água e nitrogênio. O modelo visava simultaneamente:
- Maximizar o rendimento do grão.
- Maximizar a Eficiência do Uso da Água de Irrigação (IWUE).
- Maximizar a Produtividade Parcial do Fator de Nitrogênio (PFPN).
- Minimizar o Potencial de Aquecimento Global (GWP).
  As variáveis de decisão incluíram quantidades de irrigação líquida diária e taxas de aplicação de nitrogênio, limitadas pelos requisitos hídricos da cultura, recursos hídicos disponíveis e limites locais de fertilizantes.

Principais Resultados

Desempenho do Modelo: O acoplamento de dados multiespectrais e térmicos de VANT melhorou significativamente a precisão da estimativa de ET. O modelo acoplado NDVI-CWSI alcançou o maior desempenho com um $R^2$ de 0,89 e um Erro Quadrático Médio (RMSE) de 0,39 mm/dia, representando uma redução de 10,3% no RMSE em comparação com os métodos tradicionais. O NDVI apresentou a correlação mais forte com o coeficiente basal da cultura ( $R^2 = 0,85$ ).
Efeitos do Tratamento: A água, o nitrogênio e suas interações afetaram significavelmente o rendimento, a IWUE, a PFPN e o GWP. Embora os tratamentos W3N2 (80% de umidade + 155 kg N/ha) e W3N3 (80% de umidade + 200 kg N/ha) tenham produzido os maiores rendimentos (~11.883 e ~11.436 kg/ha, respectivamente), o tratamento W2N1 (70% de umidade + 110 kg N/ha) demonstrou o melhor desempenho abrangente com um valor de TCQ de 0,65.
Resultados da Otimização: A otimização multiobjetivo revelou compensações distintas entre rendimento, eficiência e emissões. O cenário S5 foi identificado como a solução ideal, oferecendo o maior grau de coordenação (0,86). Este cenário recomendou uma quantidade de irrigação de 669,94 mm e uma taxa de nitrogênio de 117,48 kg/ha, prevendo um rendimento de 11.473,43 kg/ha com uma IWUE de 1,71 kg/m³ e um GWP de 12.473,54 kg CO₂-eq/ha.

Significância e Alegações
Os autores afirmam que este estudo fornece uma estrutura metodológica robusta para mudar a gestão do arroz de cronogramas estáticos e empíricos para uma agricultura de precisão dinâmica e baseada em dados. Ao acoplar a evapotranspiração derivada de VANT com a otimização multiobjetivo, o estudo demonstra que é possível conciliar objetivos concorrentes de alto rendimento, eficiência de recursos e redução de emissões na produção de arroz em regiões frias.

Especificamente, o artigo afirma que:

Melhoria da Precisão: A abordagem acoplada NDVI-CWSI supera efetivamente as limitações dos modelos tradicionais em campos de arroz, forneando a precisão em escala diária necessária para a regulação dinâmica de água e nitrogênio.
Suporte à Decisão: A integração de dados em tempo real de consumo de água da cultura no modelo NSGA-II permite a geração de cronogramas de irrigação acionáveis que equilibram benefícios econômicos e ambientais, evitando as armadilhas da otimização de objetivo único.
Aplicabilidade Regional: A estrutura oferece um caminho viável para melhorar a coordenação água-nitrogênio em regiões frias, onde as curtas temporadas de crescimento e as restrições climáticas específicas tornam a gestão precisa crítica para a produção sustentável.

O estudo conclui que, embora persistam incertezas quanto à transferibilidade de parâmetros e ao particionamento da evaporação do solo, a estrutura proposta UAV-FAO-56-NSGA-II fornece suporte de dados confiável para o desenvolvimento de estratégias de irrigação verdes, de alto rendimento e precisas para a produção de arroz em regiões frias.

O Detetive Drone e o Suor do Arroz

Mais como este