Palabras clave
CO2
Cómo citar
Resumen
Os impactos das alterações climáticas estão a colocar pressão sobre muitos sectores económicos em todo o mundo, incluindo a agricultura, dificultando cada vez mais os esforços para satisfazer as necessidades humanas. O dióxido de carbono é um dos principais gases de efeito estufa e afeta diretamente a produção agrícola. O objetivo deste estudo foi avaliar se os índices de sensoriamento remoto estabelecidos poderiam detectar os efeitos do elevado dióxido de carbono (CO2) atmosférico nas folhas da plantação de café (Coffea arabica L.) cultivada em condições de campo. Parcelas de cafeeiros foram expostas ao ar ambiente (~390 µmol CO2 mol-1) e CO2 elevado (~550 µmol CO2 mol-1) no experimento de enriquecimento de CO2 ao ar livre (FACE). O delineamento estatístico foi o de blocos inteiramente casualizados com seis repetições por tratamento (CO2 ambiente e CO2 elevado), com parcelas de 10m de diâmetro. Folhas de café foram caracterizadas espectralmente por espectros de refletância em suas superfícies adaxiais e sete índices de vegetação foram calculados a partir de dados de refletância: índice de diferença normalizada de clorofila (Chl NDI), índice de nitrogênio por diferença normalizada (NDVI), índice de vegetação por diferença normalizada (NDVI), índice de refletância fotoquímica (PRI), índices de razão simples específicos de pigmento para clorofila a (PSSRa) e clorofila b (PSSRb) e índice de pigmento independente estrutural (SIPI). O NDNI foi um indicador sensível dos efeitos do CO2 atmosférico nas folhas do café. NDVI, PSSRa e PSSRb foram sensíveis para estimar o efeito do CO2 elevado apenas em condições de seca. Esses índices identificam o efeito do CO2 quando ocorreu um longo período com alto déficit de precipitação estressando as folhas. Chl NDI, PRI e SIPI não foram sensíveis ao CO2 atmosférico.
Citas
Ainsworth, E. A., & Long, S. P. (2021). 30 years of free-air carbon dioxide enrichment (FACE): What have we learned about future crop productivity and its potential for adaptation? Global Change Biology, 27(1), 27-49.
Bishop, K. A., Leakey, A. D. B., & Ainsworth, E. A. (2014). How seasonal temperature or water inputs affect the relative response of C3 crops to elevated [CO2]: a global analysis of open top chamber and free air CO2 enrichment studies. Food Energy Security, 3(1), 33-45.
Blackburn, G. A. (1998). Spectral indices for estimating photosynthetic pigment concentrations: a test using senescent tree leaves. International Journal of Remote Sensing, 19, 657-675.
Camargo, A. P., & Camargo, M. B. P. (2001). Definição e esquematização das fases fenológicas do cafeeiro arábica nas condições tropicais do Brasil. Bragantia, 60, 65-68.
Campbell, P. K. E., Middleton, E. M., McMurtrey, J. E., Corp, L. A., & Chappelle, E. W. (2007). Assessment of vegetation stress using reflectance or fluorescence measurements. Journal of Environmental Quality, 36, 832-845.
Carter, G. A., Bahadur, R., & Norby, R. J. (2000). Effects of elevated atmospheric CO2 and temperature on leaf optical properties in Acer saccharum. Environmental and Experimental Botany, 43, 267-273.
Coelho, C. A. S., Cardoso, D. H. F., & Firpo, M. A. F. (2015). Precipitation diagnostics of an exceptionally dry event in São Paulo, Brazil. Theoretical and Applied Climatology, 125, 769–784.
Daughtry, C. S. T., Walthall, C. L., Kim, M. S., Brown de Colstoun, E., & McMurtrey, J. E. (2000). Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sensing of Environment, 74, 229-239.
Fox, J., & Weisberg, S. (2011). Robust regression in R. In: J. Fox & S. Weisberg (Eds.). An R companion to applied regression. Thousand Oaks, CA: SAGE Publications.
Gamon, J. A., Peñuelas, J., & Field, C. B. (1992). A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency. Remote Sensing of Environment, 41, 35-44.
Ghini, R., Torre-Neto, A., Dentzien, A. F. M., Guerreiro-Filho, O., Iost, R., Patrício, F. R. A., Prado, J. S. M., Thomaziello, R. A., Bettiol, W., & Damatta, F. M. (2015). Coffee growth, pest and yield responses to free-air CO2 enrichment. Climate Change, 132, 307-320.
Gray, S. B., Dermody, O., & DeLucia, E. H. (2010). Spectral reflectance from a soybean canopy exposed to elevated CO2 and O3. Journal of Experimental Botany, 61(15), 4413-4422.
Intergovernmental Panel on Climate Change – IPCC. (2021). Summary for policymakers. In: Climate change 2021: the physical science basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. 40 p.
Iost, R., Ghini, R., Nechet, K. L., & Bettiol, W. (2022). Effect of elevated atmospheric CO2 concentration on the incidence of rust and leaf miners, and growth of coffee. Australasian Plant Pathology, 51, 507–517.
Kumar, R. (1974). Radiation from plants-reflection and emission: a review. Purdue Research Foundation, Lafayette.
Lakkaraju, V. R., Zhou, X., Apple, M. E., Cunningham, A., Dobeck, L. M., Gullickson, K., & Spangler, L. H. (2010). Studying the vegetation response to simulated leakage of sequestered CO2 using spectral vegetation indices. Ecological Informatics, 5, 379-389.
Peñuelas, J., Filella, I., & Gamon, J. A. (1995). Assessment of photosynthetic radiation-use efficiency with spectral reflectance. New Phytologist, 131(3), 291-296.
Peñuelas, J., & Filella, I. (1998). Visible and near-infrared reflectance techniques for diagnosing plant physiological status. Trends in Plant Science, 3, 151-156.
Peñuelas, J., & Inoue, Y. (1999). Reflectance indices indicative of changes in water and pigments contents of peanut and wheat leaves. Photosynthetica, 36, 355-360.
Pinheiro, J., & Bates, D. (2000). Mixed-effects models in S and S-Plu. New York, NY: Springer-Verlag.
Pinheiro, J., Bates, D., Debroyu, S., & Sarkar, D. (2016). R Core Team - nlme: linear and nonlinear mixed effects models. R package version 3.1-128, Recovered from https://CRAN.R-project.org/package=nlme.
Porter, J. R., Xie, L., Challinor, A. J., Cochrane, K., Howden, S. M., Iqbal, M. M., Lobell, D. B., & Travasso, M. I. (2014). Climate change 2014: food security and food production systems. In: IPCC. Climate change 2014: impacts, adaptation, and vulnerability. Part A: global and sectoral aspects. Contribution of working group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press, pp. 485-533.
R Core Team. (2016). R: a language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing.
Richardson, A. D., Duigan, S. P., & Berlyn, G. P. (2002). An evaluation of noninvasive methods to estimate foliar chlorophyll content. New Phytologist, 153, 185-194.
Serrano, L., Peñuelas, J., & Ustin, S. L. (2002). Remote sensing of nitrogen and lignin in Mediterranean vegetation from AVIRIS data: decomposing biochemical from structural signals. Remote Sensing of Environment, 81, 355-364.
Smith, M. R., & Myers, S. S. (2018). Impact of anthropogenic CO2 emissions on global human nutrition. Nature Climate Change, 8(9), 834-839.
Thomas, S. C. (2005). Increased leaf reflectance in tropical trees under elevated CO2. Global Change Biology, 11, 197-202.
Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8, 127-150.
Zarco-Tejada, P. J., Berjón, A., López-Lozano, R., Miller, J. R., Martin, P., Cachorro, V., González, M. R., & Frutos, A. (2005). Assessing vineyard condition with hyperspectral indices: leaf and canopy reflectance simulation in a row-structured discontinuous canopy. Remote Sensing of Environment, 99, 271-287.
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de autor 2023 Flávio Jorge Ponzoni, Emilia Hamada, Renata Ribeiro do Valle Ribeiro do Valle Gonçalves, Ricardo Antônio Almeida
Descargas
