A ecofisiologia digital oferece uma alternativa promissora, permitindo aos agricultores monitorar de perto as condições ambientais e o estado de saúde das plantas. Esses dados são então analisados para identificar padrões e prever potenciais surtos de pragas e doenças.
Com essas informações em mãos, os agricultores podem tomar decisões mais informadas sobre quando e como intervir. Além disso, a ecofisiologia digital também pode ajudar os agricultores a otimizar o uso de recursos, como água e fertilizantes, e a aumentar a resiliência das plantas à medida que enfrentam desafios ambientais cada vez mais complexos, como as mudanças climáticas.
Em suma, a ecofisiologia digital tem o potencial de revolucionar a forma como controlamos pragas e doenças na cultura da soja, oferecendo uma abordagem mais sustentável, eficaz e baseada em dados para a produção agrícola.
O objetivo é determinar a ocorrência de pragas e doenças, medindo o impacto sobre a produtividade. Del Ponte et al. (2006) utilizaram um modelo de estimativa de severidade de ferrugem (Phakopsora pachyrhizi) com um baixo nível de complexidade, em que a severidade da ferrugem asiática foi obtida em função da precipitação acumulada no período de avaliação (Figura 1).
Esse modelo simples teve uma alta eficiência pois o fator de temperatura do ar não se mostrou um fator limitante para o desenvolvimento da doença, e a presença do inóculo da doença não necessitou modelos adicionais para prever seu deslocamento. Por meio desse modelo é possível estimar o momento com maior potencial da doença se estabelecer e com isso realizar o manejo da ferrugem asiática, ou ainda, evitar a aplicação em momento de baixa pressão para sua ocorrência.
Figura 1. Relação entre a precipitação acumulada no ciclo da soja e a severidade da ferrugem asiática. Nessa relação pode se observar um modelo simples, em que a severidade da ferrugem pode ser obtida pelo acumulado de precipitação (CAcum) no ciclo ou no período de interesse, avaliando assim a pressão da doença sob o cultivo, auxiliando na tomada de decisão sobre o controle da mesma.
A Equipe FieldCrops está trabalhando no desenvolvimento de um modelo baseado em processos para auxiliar no manejo de doenças de soja e arroz, visando tornar o manejo de doenças mais preciso, acurado e lucrativo para os produtores.
A construção do modelo partiu de experimentos conduzidos pela Equipe, em que a resposta a aplicação de fungicidas variou entre os locais. A Figura 2 apresenta a resposta a aplicação de fungicidas em soja em Alegrete/ RS na safra 2019/2020, onde a aplicação de fungicidas não alterou a produtividade.
Porém, em Tupanciretã/RS na safra 2018/2019, a aplicação de fungicidas incrementou a produtividade e a lucratividade para o produtor (Figura 3). Os resultados são apresentados como produtividade relativa para facilitar a comparação entre os experimentos, sendo a produtividade referência foi aquela com o maior número de aplicações de fungicidas para ambos os ensaios.
Figura 2. Produtividade de soja relativa ao número de aplicação de fungicidas (produtividade do tratamento com X aplicações / produtividade do tratamento com 3 aplicações), em Alegrete, Rio Grande do Sul, Brasil.
Figura 3. Produtividade de soja relativa ao número de aplicação de fungicidas (produtividade do tratamento com X aplicações / produtividade do tratamento com 6 aplicações), em Tupanciretã, Rio Grande do Sul, Brasil.
O uso de modelos matemáticos de diversas culturas vêm sendo cada vez mais difundidos mundialmente, alcançando o produtor rural para auxiliar no planejamento e tomada de decisão.
Essa geração de informação possui via de mão dupla, em que informações precisam ser geradas na fazenda, por exemplo, o monitoramento de chuvas, para posterior processamento em modelos para geração de informação aplicada à agricultura. Além disso, os modelos são ferramentas adequadas para direcionar investimentos e políticas públicas buscando a sustentabilidade das áreas agrícolas de uma região.
Referências Bibliográficas
Ecofisiologia da soja: visando altas produtividades / Eduardo Lago Tagliapietra… [Et Al.]. 2. Ed. Santa Maria: [S. N.], 2022.
