Spectral Response of Wheat Straw Residue and Crop Residue Cover Inversion

No ritmo silencioso da agricultura, o que sucede à colheita é frequentemente tão importante quanto a própria colheita. Quando um campo de trigo é cortado, os talos e folhas restantes não simplesmente desaparecem; eles permanecem na superfície do solo, uma camada de matéria orgânica conhecida como resíduo de cultura. Deixar este material no lugar é uma ferramenta poderosa para a terra. Ele atua como um cobertor protetor, retendo a umidade no solo durante períodos secos, diminuindo a velocidade do vento e da água que, de outra forma, lavariam o solo fértil, e alimentando lentamente a terra com nutrientes à medida que se decompõe. Os agricultores que deixam esses resíduos estão praticando o que é chamado de cultivo de conservação, um método que prioriza a saúde do solo a longo prazo em vez da velocidade de ará-lo. No entanto, para saber se este método está sendo usado corretamente, os cientistas precisam de uma maneira de medir exatamente quanto do solo é coberto por esses talos. Se a cobertura for muito baixa, o solo fica vulnerável; se for alta o suficiente, a terra está sendo protegida.

Por décadas, medir essa cobertura significava enviar pessoas para os campos com câmeras e pranchetas, contando cada pedaço de palha que conseguiam ver em um pequeno quadrado de terra. Embora preciso, esse processo é lento, exige muita mão de obra e é difícil de escalar para cobrir regiões inteiras. Nos últimos anos, o foco mudou para o uso da luz para fazer a contagem. Cada objeto reflete a luz de uma forma única, e o material vegetal seco possui uma assinatura distinta que difere do solo nu. Ao analisar as cores específicas da luz que rebate no campo, os pesquisadores esperam calcular a porcentagem de solo coberto pela palha sem jamais pisar nele. No entanto, essa tarefa é complicada pelo fato de que a palha não repousa plana como um tapete. Dependendo de como o agricultor gerencia o campo — seja deixando os talos em pé, picando-os ou arando-os profundamente na terra — a maneira como a luz rebate muda. Compreender essas diferenças sutis é a chave para transformar uma simples medição de luz em um mapa confiável da saúde do solo.

Um pesquisador, Yang Haolin, da Escola Beijing Bayi, partiu para resolver esse enigma criando um mapa detalhado de como a palha de trigo interage com a luz sob diferentes condições. Eles começaram estabelecendo um experimento controlado em um centro de pesquisa em Xiaotangshan, ao norte de Pequim. Aqui, eles cultivaram trigo de inverno e, após a colheita, aplicaram quatro técnicas de manejo distintas em diferentes seções do campo. Alguns lotes foram deixados com o restolho em pé, outros tiveram a palha picada em pequenos pedaços e espalhada, alguns foram tratados com um cultivador rotativo que misturou o resíduo na camada superficial do solo, e outros foram arados profundamente. Essa variedade permitiu que eles vissem como a disposição física da palha, não apenas a quantidade dela, alterava a aparência do campo para um sensor.

Para capturar essas mudanças, eles percorreram os campos com um espectrômetro portátil, um dispositivo que atua como um olho sofisticado capaz de ver muito mais cores do que o cérebro humano pode processar. Eles mediram a luz refletida pela mistura de solo e palha em centenas de comprimentos de onda diferentes, variando desde o espectro visível que podemos ver até os comprimentos de onda infravermelhos que não podemos. Simultaneamente, tiraram fotografias do solo de cima e usaram um método de grade para contar exatamente quanto do solo estava coberto pela palha, criando uma "verdade de campo" precisa para comparar com as leituras de luz. Eles também coletaram dados semelhantes em campos de trigo reais na Província de Henan para garantir que suas descobertas se sustentariam fora do ambiente controlado da estação de pesquisa.

O pesquisador descobriu que a luz refletida do campo mudava de maneiras previsíveis conforme a quantidade de cobertura de palha aumentava. Eles descobriram que a área mais sensível para detectar essa cobertura estava na parte de infravermelho de ondas curtas do espectro, uma região de luz que interage fortemente com a celulose e a lignina encontradas nas paredes celulares das plantas. Ao analisar os dados, identificaram uma banda específica de luz em 1320 nanômetros que era particularmente boa em sinalizar a presença de palha. Eles também testaram várias fórmulas matemáticas, conhecidas como índices espectrais, que combinam diferentes comprimentos de onda de luz para destacar o resíduo de cultura. Os resultados mostraram que índices projetados para buscar celulose e lignina foram muito mais eficazes na detecção de palha do que as fórmulas padrão usadas para medir plantas verdes e vivas.

Com essas assinaturas de luz em mãos, o pesquisador recorreu a modelos computacionais para construir um sistema que pudesse prever a quantidade de cobertura de palha baseando-se apenas nos dados de luz. Eles testaram cinco tipos diferentes de algoritmos de aprendizado de máquina, que são programas projetados para encontrar padrões em dados. Alguns desses modelos eram simples e lineares, enquanto outros eram complexos e capazes de aprender relações intrincadas. Os resultados foram claros: o modelo mais bem-sucedido foi um método chamado Random Forest (Floresta Aleatória). Esta abordagem, que funciona construindo muitas pequenas árvores de decisão e combinando suas respostas, alcançou uma taxa de precisão onde suas previsões coincidiam com as medições reais em 95 por cento das vezes. Em contraste, um modelo de aprendizado profundo mais complexo, que é frequentemente usado para tarefas avançadas, falhou em performar bem. O pesquisador observou que esse modelo de aprendizado profundo exigia muito mais dados do que eles tinham disponíveis para aprender de forma eficaz, levando a previsões ruins. Essa descoberta sugere que, para esta tarefa específica, um modelo robusto e mais simples é mais confiável do que um complexo quando se trabalha com dados de campo limitados.

Talvez a parte mais significativa do estudo tenha sido testar se um modelo construído em um experimento controlado poderia funcionar no mundo real. O pesquisador pegou seu melhor modelo e o aplicou aos dados dos campos de trigo reais na Província de Henan. Após fazer pequenos ajustes nas configurações, o modelo estimou com sucesso a cobertura de palha nesses cenários do mundo real. Isso demonstrou que a relação entre a luz e a cobertura de palha é forte o suficiente para transitar entre diferentes locais e condições. O estudo confirma que, ao compreender como a estrutura física do campo afeta a luz, os cientistas podem criar ferramentas que monitoram com precisão as práticas de cultivo de conservação em grandes áreas. Embora o trabalho tenha sido feito com sensores terrestres, o pesquisador vê um caminho claro à frente: esses mesmos princípios podem ser aplicados a imagens tiradas por drones e satélites, permitindo, eventualmente, o monitoramento dinâmico e em larga escala da saúde do solo que agricultores e formuladores de políticas precisam para proteger a terra para o futuro.