PIDAP (PROGRAMA INTEGRADO DE DIAGNÓSTICOS PARA O AUMENTO DA PRODUTIVIDADE) NO MONITORAMENTO NUTRICIONAL DO ALGODOEIRO Orlando Carlos Martins 1, 3, Rodrigo de Oliveira Lima 2, 3,Carlos Alberto Viviani 2, 3, Fábio Garcia Borges 2, 3, Douglas Franco 2, 3, Alves Alexandre Alovisi 2, 3 1 Engenheiro Agrônomo, M. S. em Solos e Nutrição de Plantas 2 Engenheiro Agrônomo 3 SNP Consultoria Solos e Nutrição de Plantas Consultoria Av. P. H. Rolfs, 375/1004 Viçosa, MG - Cep: 36570-000 Pabx: (031) 3891 4756 snp@snpconsultoria.eng.br INTRODUÇÃO A produção vegetal é determinada pela interação de vários fatores. Esse processo se assemelha a uma corrente, em que cada fator de produção pode ser considerado um elo, cuja interação de cada elemento é que determina a sua resistência ou, no caso do presente estudo, o potencial de produção da cultura. Segundo Tisdale et al. (1993), existem 52 fatores que determinam a produção vegetal, sendo possível o controle sobre 45 deles. Somente quando esses 52 fatores estão atuando de maneira adequada e conjunta é possível atingir produções ótimas. Cooke, G. W., citado por Tisdale et al. (1993), relatou que, em uma agricultura altamente desenvolvida, grandes aumentos no potencial de produção virão freqüentemente pela interação dos efeitos de dois ou mais fatores de produção. Na maior parte da região dos cerrados, os sete fatores que não podem ser controlados (altitude, precipitação, temperatura, intensidade luminosa, concentração de CO 2, tempestades, inundação) encontram-se em condições que permitem atingir altas produtividades de soja e algodão, provavelmente entre as melhores do mundo. No entanto, os fatores relativos à fertilidade dos solos encontram-se em níveis muito baixos, estando entre os piores do mundo. Cada um dos 13 elementos essenciais à nutrição das plantas representa um fator de produção e, como os solos do cerrado são naturalmente muito pobres com relação a esses elementos, é necessária uma correção equilibrada de tais fatores para que se atinjam as altas produtividades que as condições da região permitem. Naturalmente, a importância de cada fator é diferenciada. De acordo com Resina et al. (1992), citado por Creste et al. (1999), a adubação é uma das mais importantes técnicas culturais para obtenção de plantas com melhores condições vegetativas e produtivas. Aplicações inadequadas de fertilizantes podem causar deficiências minerais, toxidez, desequilíbrio nutricional e poluição ambiental. Outros fatores de produção vegetal, não menos importantes, que merecem destaque são: o manejo do solo, o controle fitossanitário, a utilização de recursos genéticos adequados, a avaliação das características climáticas etc. A aplicação desses recursos de maneira ordenada e sistematizada é prática desde 1980, quando Flannery, R. L. obteve produtividades da ordem de 115 sacas de soja por hectare e 318 sacas de milho por hectare (média de 4 anos). D. W. Dibb, comentou os resultados obtidos por R. L. Flannery da seguinte maneira: A importância desta realização não é de fato nada superior, nenhuma nova tecnologia foi desenvolvida. De fato, Dr. Flannery apenas agrupou as tecnologias disponíveis. A importância se apoia no fato de que a tecnologia foi agrupada de maneira que permitiu a interação positiva dos fatores de produção, resultando em altas produtividades de milho e soja. Os próximos desafios na pesquisa de produtividade máxima são: identificar, caracterizar e aprender a manejar as interações específicas positivas e então, mais adiante, refinar o sistema para a obtenção de altas produtividades em nível comercial. Com o objetivo de implantar no campo toda a teoria exposta acima, criou-se um sistema denominado PIDAP (Programa Integrado de Diagnósticos para Aumento da Produtividade), em que se avaliam os fatores de ordem nutricional e não-nutricional que afetaram a produtividade das lavouras na safra em estudo. Este programa objetiva identificar os fatores que afetaram a produtividade, em cada talhão na safra em estudo, objetivando efetuar as mudanças necessárias para melhorar a produtividade na safra seguinte. Com isso, a produtividade de cada área participante do programa tende a ser maior a cada ano e engrena-se, então num ritmo crescente e contínuo de aumento de produtividade, sendo esse o objetivo do PIDAP.
O Princípio do PIDAP O Programa Integrado de Diagnósticos para o Aumento da Produtividade (PIDAP) foi desenvolvido, utilizando-se como base os conceitos de modelagem. As informações necessárias à atribuição de padrões de referência (condição desejada) para a safra analisada são obtidos através de análises foliares, de solos e outras, obtidas na mesma safra em estudo. Permitindo avaliar o estado atual e definir padrões a serem seguidos na safra seguinte. As áreas participantes do PIDAP são intensivamente monitoradas quanto aos fatores que influenciam a produção, sendo todos os dados analisados e utilizados na avaliação dos fatores que se mostraram mais importantes no processo produtivo. Com isso, há condições de determinar, com um alto nível de precisão, em determinada área de uma fazenda, quais os fatores nutricionais e não-nutricionais que deverão ser melhorados para aumentar a produtividade nessa área específica, na próxima safra, mesmo que a produtividade já tenha sido alta na safra em estudo. Com a correção dos fatores que estão limitando a produtividade em cada área da fazenda, obter-se-á um aumento de produtividade de toda a fazenda e por consequência de toda a área participante do programa na próxima safra. A produtividade das áreas de alta produtividade da próxima safra tende a ser maior que a da safra anterior, permitindo novamente o diagnóstico dos fatores limitantes da produtividade para que possam ser corrigidos, o que aumentará a produtividade geral da safra seguinte. Tem-se, então, um programa de automonitoramento que permite o aumento contínuo da produtividade ao longo dos anos de trabalho. As diferenças principais do PIDAP em relação aos outros sistemas de diagnóstico existentes (Sistema de Faixas, DRIS, PASS, etc) são as seguintes: 1 o O PIDAP permite determinar qualquer um dos 52 fatores que estejam limitando a produção e não apenas os fatores nutricionais, como ocorre com os demais sistemas de diagnóstico. 2 o As informações usadas na elaboração do programa são oriundas das próprias áreas a serem diagnosticadas, no mesmo ano agrícola, estando então sujeitas as mesmas condições climáticas e sistemas de manejo adotado pelos agricultores. Aliando isso a um grande número de informações é possível visualizar estatisticamente variações de produção de até 1%, contrastando muito nesse ponto do sistema de pesquisa por experimentação, o qual geralmente não permite visualizar estatisticamente variações de produção inferiores a 10%. O que na maioria dos casos impede a melhoria da produtividade, uma vez que nas condições atuais os aumentos obtidos na melhoria de cada fator isolado, geralmente são da ordem de 1 a 4%. 3 o O PIDAP permite visualizar estatisticamente qual ou quais fatores podem ser melhorados em áreas de alta produtividade como soja de 65 sacas/ha ou algodão de 330@/ha. O que é impossível em outros sistemas de diagnóstico. FATORES DE ORDEM NÃO-NUTRICIONAL As perdas de potencial de produção por fatores de ordem não-nutricional podem ser separadas em dois grupos: 1 o - Quando a redução na produtividade é direta, proveniente de fatores como ervas daninhas, pragas, stand, seca, perdas na colheita etc. Neste caso, a quantificação da perda de produtividade em arrobas/ha deverá ser feita dentro da propriedade, utilizando-se em muitos casos a amostragem comparativa no momento da colheita. 2 o - Quando a redução na produtividade é indireta, originada por fatores como variedade, população, espaçamento, data de plantio, fase da lua etc. Neste caso, a quantificação da perda de produtividade em arrobas/ha será feita em um grande grupo de propriedades, para que a informação seja mais confiável, pois se sabe que, quanto maior o número de repetições, maior representatividade tem a informação. Então, quando se deseja saber, por exemplo, se a variedade A é mais produtiva que a B, compara-se a produtividade média de todas as áreas onde foi plantada a variedade A (por exemplo 20.000 ha) com todas as áreas onde foi plantada a variedade B (por exemplo 15.000 ha); a diferença de produtividade ocorrida é muito confiável, uma vez que as áreas são muito grandes e as variações oriundas dos outros fatores seguem uma distribuição normal, não interferindo na comparação das diferentes variedades. Um caso prático ocorrido com a cultura da soja é apresentado no Quadro 1, no qual se observa que a variedade EMGOPA 313 produziu 58,3 sc/ha na safra 96/97 em 9.531 ha, na região Norte do Mato Grosso, e a variedade Paiaguás, 51,3 sc/ha em 6.762 ha, tendo esta sido cultivada nas mesmas condições daquela. Fica claro a relativa superioridade da variedade EMGOPA 313 sobre a Paiaguás, o que auxilia na seleção de material para a próxima safra. Outra aplicação é a influência da lua na produtividade da soja. A Figura 1 mostra que, dentro da época ideal de plantio, a
produtividade foi idêntica nas quatro fases da lua (57,0 sc/ha). Observou-se também claramente uma redução de produtividade quando ocorreu um atraso no plantio. Conclui-se, então, que na safra 98/99 não houve nenhuma variação na produtividade da soja relacionada com influências das fases da lua, contrariando as crenças de muitos agricultores da região Norte Mato-grossense, que não plantavam na lua minguante. Com a definição das perdas de produção por determinado fator não-nutricional se faz o balanço de quanto do potencial foi perdido por X ou Y fator não-nutricional, sendo o total subtraído do potencial projetado. A maior parte das informações extraídas dos fatores não-nutricionais tem aplicabilidade direta nas fazendas, por orientar nos processos diretos de plantio e manejo da cultura. Quadro 1 Relação das produtividades obtidas com as variedades de soja, EMGOPA 313 e Paiaguás na Safra 96/97, na região Norte do Mato Grosso EMGOPA 313 Paiaguás Sc/ha n o ha Sc/ha n o ha 72,9 90 68,2 120 65,8 550 57,7 425 64,0 1272 55,6 991 60,9 2229 53,8 1488 58,4 1672 51,4 887 56,3 1236 50,6 578 54,2 780 48,6 891 50,6 721 46,4 645 48,2 981 42,8 737 Média 58,3 9.531 51,3 6.762 Figura 1 Influência da lua na produtividade de soja safra 98/99 - região Norte do MT relativa a 48.000 ha. área Época Recom. Época Não Recom. 57,0 57,7 57,0 57,0 57,3 55,5 55,6 55,5 54,1 Data Média nº Pontos 12/10 13 19/10 36 Nova 26/10 74 Cresc. 2/11 118 Cheia 9/11 153 16/11 150 Nova 23/11 83 Cresc. 30/11 44 Cheia 7/12 19 FATORES DE ORDEM NUTRICIONAL O monitoramento nutricional objetiva o acompanhamento sistemático dos fatores de produção que afetam a produtividade vegetal, com vistas a orientar o processo de diagnose nutricional e de recomendação de nutrientes e o estabelecimento de padrões nutricionais (Oliveira, S. A., 1999). Os sistemas de diagnóstico nutricional de melhores resultados se baseiam em tecidos foliares, por serem estes o centro das atividades fisiológicas e por ser a planta o próprio extrator (Leite, R. A., 1993). No PIDAP, os teores foliares são comparados a padrões definidos por curvas que representam o comportamento da produtividade ou outro fator de interesse em função da variação de um fator de influência na safra analisada. Estes estudos são feitos anualmente, de maneira que a população de referência seja obtida na mesma safra das amostras a serem analisadas. Os gráficos 1e 2 ilustram o descrito acima. Para a obtenção dessas curvas, o fator ou relação analisada (x) é ordenado de forma crescente, formando blocos de pontos, de onde são retiradas a média, o desvio padrão e o coeficiente de variação, não só do fator diretamente envolvido e analisado, como também dos demais fatores que poderão estar relacionados ao comportamento analisado. As médias de x são usadas como pontos do gráfico e posteriormente são
correlacionadas com o comportamento dos demais fatores envolvidos. Do conjunto dos gráficos e das correlações são definidos os fatores de maior influência sob o fator requerido, bem como a curva que melhor representa esse fator, na faixa ideal. Com estas curvas definidas e sistematizadas em um formulário, iniciam se os trabalhos de análise dos resultados foliares, em função do descrito acima. As perdas de produtividade ocorridas em função de determinado nutriente são expressas em arrobas/ha no PIDAP. Tal resultado é obtido ao se comparar, como dito anteriormente, o teor da amostra foliar com o comportamento apontado pela curva em seu ponto ou faixa ótima, para a produtividade desejada. Gráfico 1 - Produção Relativa de Algodão em Função da Relação N/S Foliar e Comportamento de N e S Safra 98/99 % 95,0 90,0 95,2 99,3 99,8 98,2 94,8 92,5 88,8 85,0 Rel. N/S N (g/kg) S (g/kg) 5,40 47,3 8,9 6,59 47,6 7,2 7,31 45,9 6,3 8,00 46,5 5,8 8,57 47,1 5,5 9,37 47,2 5,0 10,58 46,8 4,4 13,19 47,0 3,6 Gráfico 2 - Produção Relativa de Algodão em Função do teor de Mg no solo Prof. 0 a 15cm - Safra 98/99 99,7 99,5 99,8 97,7 % 95,0 90,0 94,9 93,2 90,8 85,0 Produtividade: Safra 98/99 Amostragem de Solo: Maio/99 4,1 6,1 7,4 8,6 9,6 10,9 13,4 24,4 Mg (mmolc/dm3) Os Quadros 1 e 2 apresentam respectivamente os resultados de análise foliar de algodoeiro na fazenda Cachoeira (Norte MT) e o formulário de fatores nutricionais do PIDAP para essas amostras. Neste último, pode-se observar que mesmo em altos níveis de produtividade, o PIDAP ainda apresenta fatores indicativos de onde se pode trabalhar para promover resultados ainda melhores. Está característica faz do PIDAP um sistema de diagnóstico que permite identificar problemas nutricionais em áreas com desequilíbrios responsáveis por baixas produções e também permite identificar os fatores responsáveis pelo crescente aumento de produtividade em áreas de produtividade já elevadas. Com essa característica imprime-se um aumento de produtividade contínuo nas áreas participantes do programa.
Quadro 1 Resultados Foliares de Algodoeiro - SAFRA 99/00 Fazenda Cachoeira - Campo Novo do Parecis-MT Área Pos ------------- TEORES (g/kg) --------------- ------------------ TEORES (mg/kg) ------------------ Prod. (ha) Data N P K Ca Mg S Fe Zn Cu Mn B (@/ha) Plantio 8 B1 45,4 2,9 17,8 15,5 4,4 6,0 103 27,0 7,0 45,0 46,0 309 76,7 5/12/99 8 B2 49,3 3,1 19,2 16,7 5,1 5,9 100 29,0 6,0 44,0 41,0 309 76,7 5/12/99 8 B3 42,5 2,8 17,9 13,2 4,3 4,2 181 24,0 5,0 37,0 35,0 309 76,7 5/12/99 9 B1 39,9 2,8 18,6 13,9 3,9 5,6 113 19,0 7,0 29,0 61,0 310 53,7 14/12/99 9 B2 41,8 2,7 17,1 13,8 5,0 4,0 151 19,0 6,0 35,0 44,0 310 53,7 14/12/99 9 B3 43,1 2,8 19,2 14,7 3,5 5,4 112 20,0 7,0 31,0 52,0 310 53,7 14/12/99 13 B1 48,4 3,0 19,0 13,9 5,1 5,3 110 22,0 6,0 38,0 30,0 336 66,7 17/12/99 13 B2 46,4 3,0 19,0 15,4 5,0 6,1 123 25,0 7,0 44,0 30,0 336 66,7 17/12/99 13 B3 48,1 3,3 19,5 14,1 4,4 6,5 110 25,0 7,0 53,0 31,0 336 66,7 17/12/99 14 B1 42,8 2,9 19,2 17,7 5,4 4,9 129 24,0 5,0 34,0 68,0 315 60,8 21/12/99 14 B2 44,2 3,2 18,0 16,0 5,8 4,7 112 27,0 6,0 39,0 59,0 315 60,8 21/12/99 14 B3 44,6 3,2 18,5 16,1 5,3 5,0 132 26,0 8,0 45,0 80,0 315 60,8 21/12/99 14 B4 43,5 3,0 17,3 15,9 5,7 4,3 137 26,0 6,0 34,0 70,0 315 60,8 21/12/99 7 B1 49,3 3,2 14,6 15,7 6,7 5,0 134 23,0 6,0 54,0 64,0 277 63,0 27/12/99 7 B2 48,7 3,1 18,1 15,8 5,9 5,9 131 25,0 10,0 57,0 61,0 277 63,0 27/12/99 7 B3 48,5 3,1 18,5 17,8 6,9 6,1 124 23,0 7,0 49,0 60,0 277 63,0 27/12/99 Quadro 2 - Perdas de Produção em @/ha conforme limitação de Nutrientes - PIDAP Fazenda Cachoeira - Campo Novo do Parecis - Safra 99/00 Produt. Meta: 330,0 Id. Prod Perda de Produtividade (@/ha) com Relação ao Potencial Fat Am. ha Obt N N P P K K S S Ca Ca Mg Mg Fe Fe Zn Zn Cu Cu Mn Mn B B Nut 8B1 77 309 0,2 0,0 20,7 0,0 0,0 0,0 0,0 2,5 3,3 0,0 0,0 0,0 1,8 0,0 0,0 1,3 0,0 0,0 0,0 0,0 0,0 0,0 24,1 8B2 77 309 0,0 1,5 20,1 0,0 0,0 0,0 0,0 1,4 0,0 0,0 0,0 0,0 6,7 0,0 0,0 1,9 0,0 0,0 0,0 0,0 0,0 0,0 20,1 8B3 77 309 11,4 0,0 21,0 0,0 0,0 0,0 3,3 0,0 17,8 0,0 0,0 0,0 0,0 1,5 0,0 0,1 0,0 0,0 0,0 0,0 0,0 0,0 53,5 9B1 54 310 21,5 0,0 17,0 0,0 0,0 0,0 0,0 2,3 11,1 0,0 0,0 0,0 0,0 0,0 1,9 0,0 0,0 0,0 0,0 0,0 0,0 0,0 51,6 9B2 54 310 14,2 0,0 23,6 0,0 0,0 0,0 6,0 0,0 10,3 0,0 0,0 0,0 0,0 0,6 1,6 0,0 0,0 0,0 0,0 0,0 0,0 0,0 55,7 9B3 54 310 9,2 0,0 22,2 0,0 0,0 0,0 0,0 0,7 5,7 0,0 0,0 0,0 0,0 0,0 0,7 0,0 0,0 0,0 0,0 0,0 0,0 0,0 37,8 13B1 67 336 0,0 0,0 21,4 0,0 0,0 0,0 0,0 0,0 19,4 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 40,9 13B2 67 336 0,0 0,0 17,3 0,0 0,0 0,0 0,0 2,9 7,3 0,0 0,0 0,0 0,0 0,0 0,0 0,1 0,0 0,0 0,0 0,0 0,0 0,0 24,6 13B3 67 336 0,0 0,0 10,9 0,0 0,0 0,0 0,0 3,9 23,5 0,0 0,0 0,0 1,9 0,0 0,0 0,0 0,0 0,0 0,0 2,6 0,0 0,0 34,3 14B1 61 315 10,3 0,0 14,4 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 24,7 14B2 61 315 4,7 0,0 7,8 0,0 0,0 0,0 0,0 0,0 6,0 0,0 0,0 1,0 0,0 0,0 0,0 0,8 0,0 0,0 0,0 0,0 0,0 0,0 18,5 14B3 61 315 3,0 0,0 4,6 0,0 0,0 0,0 0,0 0,0 7,3 0,0 0,0 0,0 0,0 0,0 0,0 0,2 0,0 0,0 0,0 0,0 0,0 0,0 14,9 14B4 61 315 7,5 0,0 12,7 0,0 1,4 0,0 2,9 0,0 3,0 0,0 0,0 0,8 0,0 0,0 0,0 0,6 0,0 0,0 0,0 0,0 0,0 0,0 27,5 7B1 63 277 0,0 1,5 17,8 0,0 16,9 0,0 0,0 0,0 8,7 0,0 0,0 4,7 0,0 0,0 0,0 0,0 0,0 0,0 0,0 2,9 0,0 0,0 43,4 7B2 63 277 0,0 0,0 20,2 0,0 0,0 0,0 0,0 1,3 5,7 0,0 0,0 1,6 0,0 0,0 0,0 0,0 0,0 0,0 0,0 4,0 0,0 0,0 25,9 7B3 63 277 0,0 0,0 20,8 0,0 0,0 0,0 0,0 2,3 0,0 0,0 0,0 5,7 0,0 0,0 0,0 0,0 0,0 0,0 0,0 1,1 0,0 0,0 20,8 Média 1023 310 4,7 0,2 17,1 0,0 1,1 0,0 0,7 1,1 8,1 0,0 0,0 0,9 0,8 0,1 0,2 0,3 0,0 0,0 0,0 0,7 0,0 0,0 32,4 Total (1000@) 4,85 0,2 17,5 0,0 1,1 0,0 0,8 1,1 8,32 0,0 0,0 0,9 0,8 0,2 0,2 0,4 0,0 0,0 0,0 0,7 0,0 0,0 Col. Vermelho: Nutrientes em "Deficiência" Col. Azul: Nutrientes em "suficiência/ excesso" CONSIDERAÇÕES FINAIS A aplicação desse novo sistema de diagnóstico faz parte de uma evolução, em que os sistemas tendem a se complementar, a fim de melhorar a eficácia do diagnóstico. Em todos os sistemas existem pontos positivos e negativos que devem ser trabalhados pelo técnico com o objetivo de otimizar o resultado da diagnose, de maneira tal que a visão dos elos da corrente em separado e em conjunto com os demais elos permita alcançar um razoável nível de entendimento do sistema, a fim de manejá-lo da maneira mais adequada aos objetivos agronômicos, econômicos e ecológicos. Esses sistemas nada mais são do que modelos matemáticos, razão pela qual gostaríamos de deixar a idéia apresentada por Resende (1995), mostrando a constante necessidade de aprimoramento dos sistemas existentes com a adição de fatores climáticos, de ordens técnica, econômica, ou qualquer outro de relevância, pois só com essa crescente evolução e adição se acredita alcançar um alto nível de conhecimento do processo produtivo. Os modelos, como idéias aproximadas, vão sendo modificados. Por mais úteis e duradouros que possam parecer, cederão lugar a outros modelos mais fiéis, numa contínua (às vezes episódica) aproximação da verdade. Todo modelo é descartável, está apenas a espera de algo melhor.