Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade Estadual de Campinas Faculdade de Engenharia Agrícola Joaquim Pedro de Lima Desempenho de um sensor de refletância do dossel em estimar parâmetros biométricos da cultura da soja Campinas Dezembro de 2016 Universidade Estadual de Campinas Faculdade de Engenharia Agrícola Joaquim Pedro de Lima Desempenho de um sensor de refletância do dossel em estimar parâmetros biométricos da cultura da soja Trabalho de Conclusão de Curso apresentado como requisito parcial para obtenção do título de Engenheiro Agrícola à Faculdade de Engenharia Agrícola da Universidade Estadual de Campinas. Orientador: Prof. Dr. Lucas Rios do Amaral Co-orientador: Diego Domingos Della Justina (Doutorando) Campinas 2016. Desempenho de um sensor de refletância do dossel em estimar parâmetros biométricos da cultura da soja Joaquim Pedro de Lima BANCA EXAMINADORA .............................................................. Prof. Dr. Lucas Rios do Amaral Orientador ............................................................... Dr. André Freitas Colaço ............................................................... MSc. Rodrigo G. Trevisan 4 Aos meus pais, Josué e Elaine, ao meu irmão, Carlos, e a minha noiva, Franciele, que com muito amor e carinho, não mediram esforços para que eu chegasse até esta etapa da minha vida. Dedico! 5 AGRADECIMENTOS O Deus pelas bênçãos, paz espiritual e saúde eu agradeço. A Faculdade de Engenharia Agrícola da Universidade Estadual de Campinas e ao Grupo Interdisciplinar de Tecnologia em Agricultura de Precisão pela oportunidade de realização deste trabalho, pela infraestrutura e auxílio. Ao Professor Dr. Lucas Rios do Amaral, pela orientação na realização deste trabalho, por todo conhecimento concedido, pelos auxílios prestados. Por confiar na realização do trabalho quando iniciou sua jornada como professor na Faculdade de Engenharia Agrícola. Ao meu co-orientador, o doutorando em Engenharia Agrícola pela Faculdade de Engenharia Agrícola (FEAGRI), Diego Della Justina, pela ajuda nas horas de dificuldade, disponibilizando seu tempo para me auxiliar quando necessário. Ao Professor Dr. José Paulo Molin do Laboratório de Agricultura de Precisão (LAP) da ESALQ por disponibilizar o sensor para realização deste trabalho. A Agrogeo Consultoria Agrômica, em nome dos colaboradores Pedro Jorge Bottene Schineider, Alberto Francisco Cabral Bottene e Diego de Oliveira Rabel, por disponibilizarem toda a infraestrutura necessária para a realização do trabalho de campo. Aos amigos Vinícius Fernandes de Souza, Caroline Cortez Fiamenghi e Ana Paula Lira, pela ajuda integral nos trabalhos de campo. A Fazenda Esplanada do Arinos, São José do Rio Claro – Mato Grosso, por disponibilizarem a área experimental, maquinários e confiarem na iniciativa desde trabalho. A minha noiva Franciele, pelo apoio prestado durante a realização deste trabalho, acreditando nos meus objetivos e fazendo dos meus planos os seus, pela 6 paciência e compreensão. A toda sua família por me receberam de maneira calorosa em sua residência, fornecendo suporte para as tomadas de decisão durante o trabalho de campo. A toda minha família que sempre acreditaram em mim. A todas as pessoas que de alguma forma contribuíram para este trabalho. 7 RESUMO: Atualmente a soja esta entre os produtos agrícolas que mais se destacam na economia brasileira e a utilização de ferramentas para análise espacial da lavoura pode ser um diferencial para os produtores. Nesse contexto, sensores de refletância do dossel apresentam-se como opção para o fornecimento de informações sobre a variabilidade espacial da lavoura. O objetivo deste trabalho é verificar se o sensor de dossel é capaz de estimar alguns dos parâmetros biométricos da cultura de soja e, assim, fornecer subsídios para o manejo localizado da cultura. A coleta de dados foi realizada em um talhão de soja de 27,6 hectares em São José do Rio Claro, Mato Grosso. Leituras com um sensor de dossel foram realizadas aproveitando operações de pulverização em quatro estádios fenológicos (V7, V9, R1 e R3). Pontos amostrais foram alocados de acordo com a variabilidade das leituras, sendo então medida a biomassa aérea da cultura, altura das plantas e clorofila foliar. Foram realizadas análises de correlação e regressão entre as variáveis medidas e a especificação dos modelos foi realizada utilizando a técnica de reamostragem LOOCV (Leave one out cross validation). Os dados do sensor de refletância do dossel apresentou boa relação com biomassa da parte aérea e altura. O sensor se mostrou mais efetivo para determinar a altura das plantas. Devido à alta correlação entre biomassa e NDVI é possível explorar diferentes usos do sensor, entre eles amostragem localizada e aplicação de defensivos em taxas variáveis. PALAVRAS-CHAVE: amostragem dirigida, vigor de plantas, gestão localizada. ABSTRACT: Currently soy is among the agricultural products that stand out most in the Brazilian economy and tools for spatial analysis of the crop can be a difference for the producers. In this context, sensor of reflection are another options for providing information on spatial variability of the crop. The objective of this work is to verify if the sensor dossel is able to estimate some of biometric parameters of the soybean crop providing subsidies for crop management. The data was collected in a soybean plot of 27.6 hectares in São José do Rio Claro, Mato Grosso. Readings with a sensor dossel were made with spraying operations in four phenological stages (V7, V9, R1 and R3). Landmarks were allocated according to the variability of the readings, then 8 reading the crop aerial biomass, plant height and leaf chlorophyll. Correlation and regression analysis between measured variables and specification of models were analized using a LOOCV resampling technique (Leave one out cross validation). The data of the sensor of reflectance dossel presented a good relation with biomass of the aerial part and height. The sensor is shown to be more effective in determining plant height. Due to the high correlation between biomass and NDVI it is possible to explore different ways to use the sensor, among them localized sampling and application of pesticides at variable rates. 9 SUMÁRIO 1. INTRODUÇÃO........................................................................................10 2. REVISÃO DE LITERATURA....................................................................12 2.1 A cultura da soja....................................................................................12 2.2 Agricultura de Precisão..........................................................................14 2.3 Sensores Ativos de Refletância do Dossel............................................15 3. MATERIAIS E MÉTODOS......................................................................17 4. RESULTADOS E DISCUSSÃO..............................................................20 5. CONCLUSÃO.........................................................................................29REFERÊNCIAS............................................................................................30 10 1. INTRODUÇÃO A soja (Glycine max (L.) Merrill) figura entre as principais culturas para a economia agrícola brasileira, uma vez que seus grãos são utilizados pelos mais diversos segmentos agrícolas e industriais. Algumas finalidades podem ser para a produção de óleo vegetal, como parte da composição de rações para animais, alimentação humana e biocombustíveis. O terceiro levantamento de soja realizado pela Companhia Nacional de Abastecimento aponta para uma produção na safra 2016/17 de 102.446 mil toneladas, representando um incremento de 7,3 % em relação ao montante produzido no ano anterior (CONAB, 2016). Para que os cultivos de soja se tornem rentáveis, o agricultor precisa, além de gerenciar suas lavouras, gerenciar a propriedade agrícola como um todo (EMBRAPA et al., 2013). Com isso, a utilização de tecnologias pode auxiliar na redução dos riscos que são inerentes a qualquer atividade agrícola (EMBRAPA et al., 2013). Sendo a agricultura uma atividade de risco, uma vez que é altamente sujeita a fatores de difícil previsão e a intensa produção de soja relacionada às grandes áreas em que a cultura ocupa torna os cuidados com a lavoura um trabalho que desprende mão-de-obra técnica e tempo. Devido às grandes áreas e tempo envolvido na investigação, muitas vezes não é possível agir em tempo hábil para o tratamento dos problemas que impactarão na produção da cultura, como infestação por pragas e deficiências nutricionais. Por esse motivo, é necessário o uso de ferramentas que auxiliem nesse monitoramento da lavoura e permitam os tratamentos no local e momento correto. Nesse sentido a agricultura de precisão é uma abordagem promissora, ao permitir o monitoramento de diversas propriedades da planta e do solo por meio do uso de sensores. A AP utiliza como premissa a riqueza do conhecimento que os pequenos agricultores sempre tiveram de suas áreas, buscando aplicá-los em larga escala nas fazendas, tratando dos detalhes do talhão e levando em conta todo conhecimento adquirido pelas ciências agrárias (MOLIN, 2011). 11 Diversas são as formas de mensurar a variabilidade do solo e dos cultivos, como amostragem do solo, sensoriamento remoto, a utilização de aeronaves remotamente pilotadas e sensores de refletância do dossel (MOLIN et al., 2015). As amostragens de solo podem ser realizadas em grades com a elaboração de mapas de prescrição de fertilizantes em taxa variável, onde são necessários um grande número de amostras (BOLETIM TÉCNICO 02 LAP et. al., 2015). O sensoriamento remoto que tem como principal limitação a resolução temporal e espacial das amostras (MOLIN et al., 2001). As aeronaves remotamente pilotadas, que embora estejam em grande uso, ainda faltam conhecimentos sobre os sensores adequados e as formas de processamento de dados (SILVA et al., 2015), dentre outros. Outra alternativa são os sensores de dossel, que são equipamentos acoplados ao maquinário e, portanto, permitem o aproveitamento das passadas da máquina na lavoura, apresentam tratamento simples dos dados e já se mostraram capazes de identificar a variabilidade em outras culturas (AMARAL, 2014). Segundo POVH et al. (2007), os dados obtidos por sensores de dossel são indicadores que variam de acordo com o vigor em que a planta se encontra. Nesse contexto, sensores de refletância do dossel são uma alternativa nos estudos da variabilidade da lavoura de soja. Os sensores de dossel podem ser uma alternativa para o direcionamento da investigação das causas de variabilidade na lavoura em função dos níveis de biomassa dispostos no talhão. Assim, é possível identificar através de mapas, os locais que demandam investigação sobre os parâmetros de solo e da planta que podem estar afetando o desenvolvimento das plantas. Este fato motiva o estudo dessa tecnologia aplicada a lavouras de soja como alternativa para sua gestão, possibilitando mais uma utilidade desse sensor aos produtores. Portanto, o objetivo do trabalho é analisar se o sensor é capaz de estimar os parâmetros biométricos da cultura de soja, através do estudo das relações do índice de vegetação obtido pelo sensor de dossel com algumas variáveis biométricas (biomassa fresca, altura de plantas e clorofila foliar), possibilitando futuros mapeamentos com esse tipo de equipamento para essa cultura. 12 2. REVISÃO DE LITERATURA 2.1 A cultura da soja. No Brasil a soja foi cultivada inicialmente na Bahia em 1882, por Gustavo D’Utra e posteriormente, em 1891, foi introduzida em Campinas-SP. Uma vez que as cultivares eram de origem norte americana, a soja obteve melhor adaptação nessa latitude, em função do clima favorável. No mesmo ano, outras cultivares foram introduzidas no Rio Grande do Sul (SANTOS et al., 1988). Na década de 1920, a cultura foi introduzida em Minas Gerais e, por volta de 1930, em Santa Catarina. Nos demais estados das regiões Central, Norte e Nordeste, a introdução ocorreu a partir de 1970 (MIYASAKA et al., 1981). Para a safra mundial de soja de 2016/17 o sétimo levantamento de novembro de 2016 do Departamento de Agricultura dos Estados Unidos (USDA) estima que a produção será de 336,1 milhões de toneladas, um aumento de 2,9 milhões de toneladas em relação à previsão de outubro. Com uma área recorde esperada para a cultura, que pode alcançar 122 milhões de ha em todo o mundo. As previsões para as exportações 2016/17 ficaram relativamente estáveis em comparação à estimada em outubro, com 139,2 milhões de toneladas, o que significa um recorde de exportações (DEAGRI/FIESP et al., 2016). Na TABELA 1 abaixo disponibilizada pelo USDA destaca o Brasil como um dos maiores produtores de soja, retratando os níveis de consumo da commodite, as exportações e os estoques previstos para a safra 2016/17. TABELA 1: Previsão da variação na produção, consumo, estoque e exportação para a safra 2016/17 de soja dos principais países produtores. Produção Mundial (milhões de t) Consumo Mundial (milhões de t) Países Safras Variação Países Safras Variação 15/16 16/17 Abs. (%) 15/16 16/17 Abs. (%) EUA 106,9 118,7 11,8 11,1% China 95,0 100,8 5,8 6,1% Brasil 96,5 102 5,5 5,7% EUA 54,6 56,0 1,4 2,5% Argentina 56,8 57 0,2 0,4% Argentina 47,6 48,8 1,1 2,4% China 11,8 12,5 0,7 6,1% Brasil 43,4 44,1 0,7 1,6% Demais 41,3 45,9 4,6 11,3% Demais 74,9 79,0 4,1 5,5% Mundo 313,3 336,1 22,9 7,3% Mundo 315,5 328,7 13,1 4,2% Exportações Mundiais (milhões de t) Estoques Mundiais (milhões de t) Países Safras Variação Países Safras Variação 15/16 16/17 Abs. (%) 15/16 16/17 Abs. (%) 13 Brasil 54,4 58,4 4,0 7,4% Argentina 31,9 31,2 -0,7 -2,2% EUA 52,7 55,8 3,1 5,9% Brasil 18,6 18,5 -0,2 -0,8% Argentina 9,9 9,3 -0,7 -6,8% China 16,9 14,5 -2,5 -14,5% Paraguai 5,3 5,3 0,0 0,0% EUA 5,4 13,1 7,7 143,8% Demais 9,9 10,4 0,6 5,7% Demais 4,3 4,4 0,0 1,0% Mundo 132,1 139,2 7,0 5,3% Mundo 77,1 81,5 4,5 5,8% FONTE: 7º Levantamento USDA – Informativo DEAGRO/FIESP. Números expressivos de produção são devidos à ampla utilidade do grão. Por ser rica em proteínas, a soja é cultivada como alimento tanto para os seres humanos quanto para os animais. Além disso, sendo caracterizada principalmente por uma produção agroindustrial, sua cadeia pode ser denominada como uma cadeia agroindustrial, na qual, antes mesmo da produção, é essencial a existência de um setor de insumos, máquinas e implementos agrícolas para trazer viabilidade para o setor.Em função da importância da soja para o Brasil o conhecimento das condições edafoclimáticas são prioridades a se discutir, para sabermos do comportamento da cultura. A água constitui aproximadamente 90% do peso da planta, atuando em, praticamente, todos os processos fisiológicos e bioquímicos e a semente de soja necessita absorver, no mínimo, 50% de seu peso em água para assegurar boa germinação (EMBRAPA et al., 2013). A exigência de água na cultura da soja vai aumentando com o desenvolvimento da planta (EMBRAPA et al., 2013). As consequências da falta de água na planta podem se tornar mais evidentes na floração (R1) e no enchimento dos grãos (a partir de R3) e também causar a queda de folhas e de flores e alterações físicas da planta (EMBRAPA et al., 2013). As condições térmicas para uma melhor adaptação das plantas de soja estão entre o intervalo 20 ºC a 30 ºC, com preferencia para as temperaturas mais elevadas deste intervalo, enquanto temperaturas superiores a 40 ºC provocam diminuição no crescimento das plantas de soja (EMBRAPA et al., 2013). Para que as plantas se adaptem a um bioma em específico, além das condições de temperatura e disponibilidade de água, há uma exigência luminosa (demanda fotoperiódica), que é específica para cada cultivar (EMBRAPA et al., 2013). Um dos problemas ocorridos por elevadas taxas de luminosidade solar é o atraso do florescimento (EMBRAPA et al., 2013) 14 Toda a variação das condições edafoclimáticas somados a mecanização do cultivo, tratos culturais e incidência de pragas e doenças caracterizam a variabilidade da cultura de soja no talhão. Essa variabilidade quando muito expressiva pode causar prejuízos ao produtor, sendo que para realizar uma investigação de solo e de planta, o uso das ferramentas de agricultura de precisão se torna fundamental e diferencial para o produtor. 2.2 Agricultura de Precisão A agricultura de precisão pode ser definida como um sistema de gerenciamento que leva em consideração a variabilidade espacial que existe dentro de uma área de produção, independente de seu tamanho e trata de maneira localizada essa variabilidade (POVH, 2007). Há uma evidência bem comprovada que tanto a qualidade quanto a produtividade são espacialmente variáveis no campo e sistemas estão sendo desenvolvidos para explorar esta variação e aumentar o rendimento das culturas (STAFFORD et al., 1999). Existem relatos de que se trabalha com AP desde o início do século XX. Porém, a prática remonta aos anos 1980, quando na Europa foi gerado o primeiro mapa de produtividade e nos EUA fez-se a primeira adubação com doses variadas. Mas o que deu o passo determinante para a sua implementação foi o surgimento do GPS (Sistema Posicionamento Global por satélites), em torno de 1990. No Brasil, as atividades ainda estão muito esparsas e datam de 1995 com a importação de equipamentos, especialmente colhedoras equipadas com monitores de produtividade (MAPA et al., 2013). A investigação da variabilidade espacial de solo e da planta pode ser realizada de diversas maneiras, entre elas, por amostragens de solo georreferenciadas e pelo uso do sensoriamento remoto (MOLIN et al., 2001). Dentre as ferramentas que se usam em AP, a amostragem de solo georreferenciada vem sendo uma das mais utilizadas pelos produtores brasileiros, pois permitem gerar os mapas dos atributos do solo e direcionar a distribuição de corretivos e fertilizantes em taxas variadas nas quantidades adequadas a cada cultivo (MOLIN et al., 2015). Mapas de produtividade de diversas culturas estão sendo utilizados como objeto de estudos na agricultura de precisão, entre eles, os mapas de produtividade de grãos, que são obtidos através de um sistema de coleta de dados com sensores, 15 onde esses dados são alocados a um referencial através de um sistema de posicionamento, armazenados e posteriormente tratados, gerando um mapa de colheita (produtividade) (QUEIROZ et al., 2000). Com o mapa de colheita gerado é possível analisar como a produtividade varia ao longo do talhão servindo como ponto de partida para uma tomada de decisão gerencial. A utilização de sensoriamento e sensores designa o sensoriamento remoto, que é caracterizado por obter informações de um objeto sem existir contato físico com o mesmo, muitas vezes a distancia do alvo (BRANDÃO et al., 2009).Várias aplicações podem ser abordadas, entre elas se destacam a estimativa de biomassa e produtividade da cultura, o monitoramento do estresse hídrico e do vigor das plantas e a avaliação do estádio fenológico (BRANDÃO et al., 2009).Atualmente este tipo de análise pode ser realizado por satélites, aeronaves, veículos aéreos não tripulados (VANT’s), máquinas auto propelidas e sensores de refletância do dossel. 2.3 Sensores ativos de refletância do dossel. Sensores ativos de refletância do dossel recebem este nome, pois emitem o próprio feixe de luz que é refletido pelo dossel da planta e tem seu índice de vegetação mensurado pelo sensor. Seu uso é realizado aproveitando a passada do maquinário, na qual este está embarcado, na lavoura. De acordo com MOLIN et al. (2015), os índices de vegetação obtidos pelos sensores de dossel, através de correlações e curvas de calibração, podem ser convertidos em algum parâmetro da cultura, possibilitando diversos usos em agricultura de precisão, entre eles, reger aplicação de fertilizantes nitrogenadas em taxas variadas, direcionar amostragens e estimar a produtividade esperada das culturas. Um dos sensores disponíveis atualmente é o GreenSeeker (NTech Industries, 2013), desenvolvido na Universidade de Oklahoma (EUA) na década de 1990 e atualmente comercializado pela Trimble. Este sensor trabalha com o principio da emissão de feixes de luz nos comprimentos de onda do vermelho (680 nm) e do infravermelho próximo (770 nm). Essa energia incide no dossel da cultura, interage com sua estrutura (folhas) e é refletida pela planta. A luz refletida pelo dossel é absorvida pelo sensor e através dessas informações é calculado o índice de vegetação por diferença normalizada (NDVI). 16 O NDVI é determinado pela seguinte relação: 𝑁𝐷𝑉𝐼= (𝜌𝐼𝑉𝑃 – 𝜌𝑉𝐸𝑅) / (𝜌𝐼𝑉𝑃+ 𝜌𝑉𝐸𝑅) Eq. (1) Em que: NDVI - índice de vegetação da diferença normalizada; ρIVP - refletância no infravermelho próximo; ρVER - refletância no vermelho. Neste sentido diversos trabalhos estão sendo realizados com o intuito de atribuir a este equipamento os mais diversos usos. Entre eles temos a utilização de sensores óticos ativos em culturas de cereais, como trigo, cevada e triticale (POVH, 2007). Este estudo mostrou que em virtude das doses de nitrogênio aplicados há uma maior correlação do trigo com sua biomassa do que o milho, possibilitando verificar visualmente nos mapas de NDVI as diferentes doses de nitrogênio aplicadas na cultura do trigo. GROS (2009) utilizou o sensor ativo de refletância do dossel para estimar o potencial produtivo em trigo e cevada. O modelo desenvolvido foi baseado na relação quadrática entre o índice de vegetação obtido pelo sensor e a biomassa seca da parte área das culturas, mostrando valores diminutos de biomassa seca para valores inferiores de NDVI e valores maiores de biomassa seca para índices de vegetação mais elevados. O uso deste tipo de sensor na cultura da cana-de-açúcar também é objeto de estudo. AMARAL (2014) mostrou que este equipamento pode ser utilizado no direcionamento da aplicação a taxa variável de nitrogênio na cana-de-açúcar, permitindo a racionalização do uso deste fertilizante e que também é possível construir modelos para predição de produtividade de canapor meio de leituras realizadas com um sensor de dossel. Analisando a relação entre os índices de vegetação obtidos por sensores de dossel, parâmetros biométricos (altura de colmos, densidade de perfilhos, biomassa da parte aérea, teor de clorofila e N foliar) e produtividade da cana-de-açúcar, AMARAL (2014) mostrou que os índices de vegetação que utilizaram bandas espectrais do red edge (730 nm) e do infravermelho próximo (780 nm) apresentaram resultados mais promissores, mostrando boa eficiência em estimar a produtividade e 17 em se relacionar com a variabilidade no acúmulo de biomassa da parte aérea da cana-de-açúcar. Estudos realizados por diversos autores mostram que dentre as capacidades do sensor este pode identificar a variabilidade do vigor da cultura com alta resolução espacial, portanto, a utilização de mapas de variabilidade espacial da cultura pode auxiliar na amostragem direcionada e no manejo da lavoura. 3. MATERIAIS E MÉTODOS O estudo foi conduzido na Fazenda Esplanada do Arinos (13°36'37.37"S e 56°30'12.41"O), na Cidade de São José do Rio Claro, Mato Grosso. A fazenda destina suas atividades à soja e milho e a área experimental possui 27,6 hectares de um latossolo vermelho amarelo de textura média. Na safra anterior ao experimento (2014/15) foi plantada soja e, posteriormente a colheita, semeado o milheto como alternativa de cobertura do solo e, anteriormente, ao plantio da soja na safra 2015/16 o milheto foi semeado novamente, reforçando a cobertura do solo. A talhão de soja estudado foi plantado no dia 30/11/2015 com a cultivar Pionner 98Y70, na qual a população de plantas era de aproximadamente 155 mil unidades por hectare. FIGURA 1: Área experimental, Fazenda Esplanada do Arinos. Foram realizadas avaliações nos estádios fenológicos V7(11/01/2016), V9 (21/01/2016), R1 (06/02/2016) e R3 (13/02/2016), as quais compreenderam a coleta dos dados de índice de vegetação obtidos pelo sensor de refletância do dossel e o levantamento dos parâmetros biométricos (biomassa fresca da parte aérea, altura de plantas e clorofila foliar). 18 O sensor de dossel utilizado foi o GreenSeeker® (Trimble Navigation, Ltd., Sunny Vale, CA, EUA), em um sistema composto por quatro unidades sensoras, instaladas na barra de um pulverizador auto propelido, distantes 6 m uma das outras. As leituras com o sensor foram coletadas aproveitando as operações de pulverização realizadas no talhão. FIGURA 2: Detalhe da montagem e disposição do equipamento no pulverizador. O sensor foi conectado a um receptor GNSS com código C/A e ambos foram conduzidos por todo o talhão, respeitando a largura de trabalho do pulverizador utilizado (24 m), o qual se deslocou a uma velocidade de aproximadamente 4,4 m.s-1 (15,8 km h-1). O sensor foi mantido ~0,8 m distante do dossel das plantas e apresentando taxa de aquisição de dados de um ponto por segundo. Os dados foram processados em um software SIG (ArcGis® 10.2.2), onde as leituras fora do talhão e discrepantes eram excluídas e os dados classificados pelo valor de NDVI obtido pelo sensor. Com isso foram alocadas cinco classes de acordo com os valores de NDVI obtidos, de forma semelhante ao trabalho de PORTZ et al. (2011). Para cada momento de avaliação, três pontos amostrais de 1,5 m² (3 linhas de 1 m linear cada) foram definidos para cada classe de NDVI. Após a alocação dos pontos realizou-se a navegação em campo no dia seguinte para o levantamento manual dos parâmetros biométricos da cultura com a finalidade de relacionar tais parâmetros com o NDVI. Os parâmetros biométricos avaliados em cada ponto amostral foram: - Biomassa da parte aérea, obtido com o corte de 0,5 m linear em uma única linha de plantas por ponto. 19 - Clorofila na folha com o equipamento ClorofiLog (FALKER, Porto Alegre - RS), com a mensuração de três plantas por ponto, coletando três leituras em cada planta em diferentes partes do trifólio central (RODRIGUES et al., 2013). - Altura da planta, distância entre a superfície do solo e o ápice da haste principal da planta, em cinco plantas aleatórias por ponto (AMORIM et al., 2011). Em SIG, todos os dados de NDVI presentes em torno de um raio de 5 m de cada ponto central (buffer) foram extraídos, calculando-se uma média de NDVI para cada ponto, permitindo relacionar a biometria com as leituras do sensor. FIGURA 3: Vista expandida do ponto amostral e região de calculo do NDVI médio (buffer). A análise dos dados foi realizada em duas etapas. Inicialmente, foi utilizada análise correlação de Spearman, devido a não normalidade dos dados, para verificar a relação entre as variáveis a serem preditas (Biomassa, Altura e Clorofila, e a variável preditora (NDVI)). Na segunda etapa da análise a regressão foi realizada entre o NDVI e as variáveis biométricas. O gráfico de dispersão foi utilizado como ponto de partida para a escolha de um modelo de ajuste, alternando entre linear e exponencial. A especificação dos modelos foi realizada utilizando-se a técnica de reamostragem LOOCV (Leave one out cross validation), de maneira a estimar os resíduos do estimador. O método LOOCV consiste na remoção de uma amostra do conjunto de dados, recalculando-se o valor da mesmo a partir do modelo estimado. O resíduo, por sua vez, é calculado a partir da diferença entre o valor real da amostra e o seu valor estimado. A escolha do modelo foi determinada com base no seu coeficiente de determinação R² e também pelo erro médio absoluto (EMA). 20 4. RESULTADOS E DISCUSSÃO Os valores médios de biomassa apresentaram aumento contínuo ao decorrer das avaliações (TABELA 2), com um ganho médio de 10.000 kg ha-1 para o período observado, assim como é esperado para plantas entre estes estádios de desenvolvimento (V7, V9, R1 e R3). O CV observado para cada data foi maior que 50%, o que de acordo com PIMENTEL GOMES (1985), são considerados dados com alta dispersão, indicando alta variabilidade da biomassa nos pontos observados. Para a variável biométrica altura, observou-se que o acréscimo médio de altura no período foi de aproximadamente 40 cm. A variedade Pionner 98Y70 possui hábito de crescimento determinado, onde 90 % de sua altura total é atingida ainda na fase vegetativa e se estende de maneira menos acentuada até o estádio reprodutivo R3, onde as vagens começam a surgir (SEDIYAMA, et. al 2005). Em contraste com a biomassa, o coeficiente de variação da altura foi menor, praticamente constante para as datas observadas, variando apenas entre 31 a 35% para as datas observadas, de acordo com a classificação proposta por PIMENTEL GOMES (1985), estes valores indicam alta dispersão dos dados. Os resultados observados para clorofila foliar não mostraram variações expressivas em seus valores médios, mostrando-se praticamente constantes para o período avaliado. O CV foi inferior a 11% para todas as datas, apresentando baixa dispersão (PIMENTEL GOMES et al., 1985), sinalizando que essa variável apresenta baixa variação espacial ao longo da área experimental. Os valores médios de NDVI apresentaram um aumento gradativo, variando cerca de 0,16 entre a primeira e a última avaliação. Os valores de CV observados nas datas avaliadas, variaram ente 14,4 e 22,7%, caracterizando dados com dispersão média. De maneira geral os dados de NDVI apresentaram menor variação que as variáveis biométricas, com exceção da clorofila. TABELA 2: Análise exploratória dos dados de NDVI e a biometria em suas respectivas datas. V7 - 11/01/2016 n Mínimo Média Mediana MáximoDP CV(%) Biomassa [kg/ha] 15 712,0 3938,0 2978,0 10178,0 2985,0 76,0 Altura [cm] 15 12,0 19,6 17,7 32,0 6,9 33,0 Clorofila 15 30,0 37,6 38,1 44,0 4,1 11,0 NDVI 15 0,3 0,5 0,5 0,7 0,1 22,7 21 V9 - 21/01/2016 n Mínimo Média Mediana Máximo DP CV(%) Biomassa [kg/ha] 15 712,0 3938,0 2978,0 10178,0 2985,0 76,0 Altura [cm] 15 12,0 19,6 17,7 32,0 6,9 33,0 Clorofila 15 30,0 37,6 38,1 44,0 4,1 11,0 NDVI 15 0,3 0,5 0,5 0,7 0,1 22,7 R1 - 06/02/2016 n Mínimo Média Mediana Máximo DP CV(%) Biomassa [kg/ha] 14 5156,0 19845,0 16134,0 38356,0 11717,0 59,0 Altura [cm] 14 34,0 56,2 52,6 91,0 17,2 31,0 Clorofila 14 31,0 36,0 36,0 44,0 3,2 8,9 NDVI 14 0,5 0,7 0,7 0,8 0,1 16,1 R3 - 13/02/2016 n Mínimo Média Mediana Máximo DP CV(%) Biomassa [kg/ha] 13 6844,0 23962,0 15378,0 62756,0 15764,0 66,0 Altura [cm] 13 36,0 61,3 53,2 96,0 21,5 35,0 Clorofila 13 34,0 40,1 40,5 46,0 3,5 8,7 NDVI 13 0,5 0,7 0,7 0,8 0,1 14,4 Todas as Datas n Mínimo Média Mediana Máximo DP CV(%) Biomassa [kg/ha] 57 712,0 13857,0 9866,0 62756,0 12563,0 91,0 Altura [cm] 57 12,0 42,5 39,6 96,0 22,1 52,0 Clorofila 57 30,0 37,8 37,6 46,0 3,7 9,8 NDVI 57 0,3 0,6 0,6 0,8 0,1 20,9 Nota: n = número de observações; DP = Desvio Padrão; CV = Coeficiente de Variação; Análise da correlação A relação entre as variáveis biométricas e as leituras do sensor do dossel foi de maneira geral alta, com um coeficiente de correlação acima de 0,80, com exceção da clorofila foliar, que apresentou um coeficiente de correlação abaixo de 0,30. A altura das plantas de soja apresenta correlação elevada com a biomassa acumulada da parte aérea (FIGURA 4). Houve alta correlação da altura das plantas de soja com os valores obtidos pelo sensor de refletância do dossel (FIGURA 4), coeficiente de correlação 0,83, comportamento este semelhante ao observado por VILANOVA JUNIOR (2016) para a cultura do algodoeiro, onde a correlação entre a altura das plantas de algodão e os valores obtidos pelo sensor tem um valor médio em torno de 0,82. Estudos realizado por CORTINOVE (2013) comparando os diferentes índices de vegetação obtidos por sensores de dossel em milho sob 22 diferentes doses de nitrogênio observou uma correlação alta e significativa entre NDVI e altura nos estádios iniciais da medição (V8 e V10) e decréscimos nos estádio seguintes (V12 e V14). Isso indica que o sensor de dossel pode ser eficiente em predizer ambas as variáveis, altura e biomassa, para diferentes culturas, entre elas a soja, ao menos para o cultivar estudado. Houve baixa correlação da leitura do clorofilômetro com as demais variáveis medidas (FIGURA 4) e essas não apresentaram uma estrutura de correlação, indicando que a leitura de clorofila foliar é variável ao longo do ciclo e essa precisa ser realizada em momento específico para que possa ser relacionados ao porte ou vigor da cultura ou que a leitura feita nas folhas do trifólio central não sejam as melhores para indicar esta variável. AMARAL (2014) em sua pesquisa relatou a baixa relação entre os índices de vegetação obtidos com sensores do dossel com as leituras do clorofilômetro em cana-de-açúcar, justificando através de SAMBORSKI et. al 2009, que o clorofilômetro avalia apenas uma pequena porção de determinada folha, enquanto o sensor avalia o dossel da cultura como um todo, por isso nem sempre a boas relações entre esses equipamentos. FIGURA 4: Gráfico de dispersão, distribuição e matriz de correlação de Spearman entre as variáveis medidas. 23 Nota: Biomassa [kg ha -1 ]; Altura [cm]; * p-valor = 0.01. Na diagonal principal da FIGURA 4 são apresentados os histogramas para cada variável. Acima da diagonal são apresentados os valores de correlação e a sua significância. Na porção inferior da diagonal são apresentados os gráficos de dispersão bivariada, e uma linha de tendência. Alta relação do sensor de dossel com biomassa da parte aérea da cultura foi mantida ao longo dos estádios fenológicos (FIGURA 4). Segundo MOLIN et al., (2015), estudos estão sendo realizados em diversas culturas para determinar através dos índices de vegetação os níveis de biomassa no talhão devido às boas relações encontradas entre os dados dos sensores do dossel com a biomassa fresca das culturas. Por exemplo, VILANOVA JUNIOR (2016) obteve correlações elevadas e significativas para biomassa fresca com a cultura do algodão, sinalizando a possibilidade da criação de modelos de predição dessa variável. Isso indica que é possível o desenvolvimento de modelos de predição das variáveis, altura e biomassa, para a cultura da soja, independentemente do momento de avaliação, por meio de leituras com o sensor de dossel. Gráficos de Regressão - Validação Cruzada A regressão foi realizada entre o NDVI e as variáveis biométricas. O gráfico de dispersão (FIGURA 4) foi utilizado como ponto de partida para a escolha de um modelo de ajuste, alternando entre linear e exponencial. A escolha do modelo foi determinada com base no seu coeficiente de determinação R² e também pelo erro médio absoluto (EMA). A regressão que apresentou um melhor ajuste entre a biomassa fresca da parte aérea da soja e o NDVI foi para o modelo de predição exponencial, com um coeficiente de determinação (R²) de 0,78 (TABELA 3). O coeficiente de determinação é um índice que indica o grau em que as predições baseadas na equação da regressão se aproximam dos valores reais obtidos, variando de 0 a 1, ou seja, o quanto o modelo ajustado consegue explicar o comportamento da biomassa fresca da parte aérea da soja, indicando um desempenho possivelmente satisfatório através do resultado do R² do ajuste realizado. 24 TABELA 3: Equação dos modelos ajustados entre o NDVI e as variáveis biométricas. Modelo R² EMA Biomassa = e(-1,935 + 6,846*NDVI) 0,78 4,27* Altura = e(1,245 + 3,873*NDVI) 0,78 8,51** Clorofila = 32,64 + 8,39*NDVI 0,08 3,06 NOTA: R² é o coeficiente de determinação. EMA é o erro médio absoluto; * unidade em t ha -1 ; ** unidade em cm. Diversos autores apresentam a eficiência dos sensores do dossel em predizer variáveis biométricas, por exemplo, PORTZ et al., (2011), obteve um coeficiente de determinação de 0,83 entre os valores preditos e observados para a regressão entre a biomassa fresca da cana-de-açúcar e os índices de vegetação obtidos por sensores de refletância do dossel. VILANOVA JUNIOR (2016) para a cultura do algodão obteve um coeficiente de determinação de 0,90 entre os índices obtidos pelos sensores do dossel e massa fresca, mostrando maior desemprenho do sensor para essa cultura. Os valores de biomassa fresca da parte aérea estão mais próximos ao modelo ajustado nos valores inferiores de NDVI, posteriormente os pontos da variável biométrica ficam mais esparsos para valores superiores de NDVI, sinalizando o inicio de uma limitação do sensor de refletância do dossel, conhecida como saturação do sinal do sensor, devido à alta variabilidade dos valores de massa fresca com variações mínimas de NDVI. A saturação do sinal do sensor (CIGANDA et al., 2009) é indicada pelo aumento da biomassa que não é acompanhada pelo aumento no NDVI medido, uma vez que o comportamento entre essas variáveis é não linear. 25 FIGURA 5: Modelo de predição de biomassa fresca da parte aérea da soja [kg ha-1] por meio das leituras obtidas com o sensor de dossel. Nota: R^2 [Coeficiente de determinação]; EMA [Erro Médio Absoluto[t ha -1 ]]. O Erro Médio Absoluto (EMA) obtido parao modelo ajustado entre a biomassa da parte aérea da soja e o NDVI foi de 4,27 t ha-1 no período analisado, sendo este valor a média das diferenças entre os valores estimados pelo modelo e os valores de biometria obtida a campo, determinada através da validação cruzada pelo método LOOCV. TREVISAN et al. (2014) comparando o desempenho de dois sensores ativos de refletância do dossel, em estimar a biomassa fresca do algodoeiro encontrou um erro médio entre os valores preditos e observados entre 1,83 t ha-1 e 2,24 t ha-1. A média dos valores de NDVI para o estádio V7 é de 0,541, que substituído no modelo ajustado para biomassa totaliza 5,86 t ha-1, já para o estádio R3 o NDVI médio é de 0,70 que totaliza 17,41 t ha-1, mostrando que o erro estimado vai diminuindo sua relevância ao longo das avaliações. Vale ressaltar que para a coleta dos dados os pontos amostrais foram alocados de acordo com classes de NDVI com o intuito de analisar a variabilidade no talhão, porém não necessariamente quer dizer que essa seja a média do NDVI em todo o talhão, ou seja, para valores superiores a média do NDVI nos pontos amostrais o erro se torna cada vez menos influente nos resultados. 26 A regressão que apresentou melhor ajuste entre altura das plantas de soja e o NDVI foi o modelo de predição exponencial, com um coeficiente de determinação (R²) de 0,78 (TABELA 3). Um bom resultado quando comparado o comportamento da variável altura de plantas obtido pelo sensor do dossel em outras culturas, como por exemplo, ANAMARI et. al (2009), através de uma regressão linear entre altura de plantas de algodão com NDVI obtido com sensor do dossel GreenSeeker encontrou um coeficiente de determinação (R²) de 0,74, resultado este inferior ao obtido neste trabalho, que pode ser influenciado pelo tipo de ajuste escolhido para a regressão, numero de amostras e amplitude das amostras. O erro médio absoluto, que é a diferença entre o valor observado e o valor que o modelo estima, para a variável biométrica altura foi de 8,51 cm (FIGURA 6). VILANOVA JUNIOR (2016) estudando o comportamento da altura das plantas de algodão em função dos índices de refletância observou erros de predição entre 2,11 cm e 12,41 cm quando variou as datas de avaliação e o espaçamento entre as plantas de algodão, obtendo os melhores resultados para as avaliações 35 dias após a emergência para os espaçamentos convencionais ou adensados e os resultados inferiores para os 85 dias após a emergência. FIGURA 6: Modelo de predição de altura das plantas de soja [cm] por meios das leituras obtidas com o sensor de dossel. Nota: R^2 [Coeficiente de determinação]; EMA [Erro Médio Absoluto[cm]]. 27 Comparando os valores médios da altura por estádio fenológico obtidos na biometria (TABELA 2) temos uma diferença de 19,59 cm em V7 para 61,26 cm em R3 e utilizando o NDVI médio dos estádios V7 e R3 para estimar a altura através da equação do modelo ajustado (TABELA 3) temos os valores de 28,23 cm para V7 e 52,25 cm para R3, sinalizando uma menor influencia do erro médio estimado sobre os valores do ajuste quando comparado, por exemplo, com a biomassa. O desempenho do sensor se mostra satisfatório em relação à determinação da altura para o período analisado. Ressalta-se que plantas menores tem sua estrutura de dossel proporcionalmente inferior, o que faz com que a exposição do solo entre as linhas de plantio seja maior, influenciando nos valores de refletância obtidos pelo sensor. Regiões onde a exposição de solo é maior, tendem a exibir menores valores de NDVI. Ao monitorar o talhão com o sensor de refletância do dossel, podemos indicar áreas com crescimento contrastantes na lavoura dando inicio a uma investigação direcionada das causas da variabilidade. FIGURA 7: Contraste entre os parâmetros biométricos, biomassa e altura obtidos para uma mesma data de avaliação. A regressão entre clorofila foliar em função do NDVI foi insatisfatória, porém esperado, pois os dados apresentaram alto grau de dispersão (FIGURA 4). Diferentes fatores podem influenciar no resultado obtido para regressão, entre eles o trifólio analisado e o estádio fenológico. 28 FIGURA 8: Modelo de predição da variável biométrica clorofila foliar por meio das leituras obtidas com o sensor de dossel. Nota: R^2 [Coeficiente de determinação]; EMA [Erro Médio Absoluto]. Com exceção dos primeiros estádios, o teor de clorofila na folha não muda muito com o tempo, ou seja, não há muita variação a ser observada em relação à clorofila. Porém, o NDVI varia muito em função da porção de solo aparente na entre linha, e quando o dossel está fechado, e o fator solo teoricamente foi eliminado, o NDVI já está em processo de saturação, portanto mesmo que a clorofila varie o NDVI não iria captar. Obteve-se alta relação entre o NDVI e a biomassa e a altura das plantas (FIGURA 5 e 6), o que permite uma série de aplicações dessa tecnologia (MOLIN et al., 2015). Uma delas é o direcionamento de amostragem, buscando indicar as regiões prioritárias de serem avaliadas em função da reduzida biomassa ou altura de plantas indicada pelo sensor, com o objetivo de inferir qual o fator limitante para dada localidade. Outro uso possível em função dessa relação da leitura do sensor com biomassa da parte aérea é a pulverização de defensivos em taxas variáveis. Nesse caso, há oportunidade para aplicação de maiores volumes de calda em regiões com maior densidade de plantas, sendo uma abordagem aplicável para fungicidas, 29 inseticidas, dessecantes, etc. Nesse caso, a saturação do sinal do sensor comentada anteriormente passa a ser preocupante. Portanto, surge a necessidade de estudos futuros buscando averiguar se a saturação do sinal do sensor em mensurações realizadas em estádios mais avançados de desenvolvimento da soja impede o uso desse equipamento para pulverizações em final de ciclo. Permanece essa dúvida, pois com a perda de folhas com a senescência das plantas pode ocorrer à manutenção da eficácia do sensor em avaliar a variabilidade espacial da biomassa da parte aérea da soja, já que a área foliar e, consequentemente, a biomassa, tendem a reduzir. 4 CONCLUSÃO O sensor de dossel se mostrou capaz de determinar a variabilidade de biomassa da parte aérea da soja para o período analisado, porém atenção deve ser dada a saturação do sinal do sensor, fator este que pode ser limitante no seu desempenho. A determinação da altura das plantas pelo sensor se mostrou a mais eficiente das variáveis determinadas e, portanto, sua variabilidade no talhão pode ser utilizada com maior confiabilidade devido à baixa influência do erro de estimativa. O período analisado neste trabalhou não mostrou relação significativa entre o sinal do sensor do dossel e o índice de clorofila foliar, sinalizando a necessidade da realização de estudos em períodos diferentes e partes da planta específica. 30 REFERÊNCIAS: AMARAL, L. R. Sensor de refletância do dossel para direcionar a aplicação de nitrogênio em taxas variáveis na cultura de cana-de-açucar. 125p. Tese (Doutorado em Agronomia na Área de Fitotecnia) – Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo, 2014. AMARAL, L.R.D.; MOLIN, J.P. Sensor óptico no auxílio à recomendação de adubação nitrogenada em cana de açúcar. Pesquisa Agropecuária Brasileira, v.46, n.12, p.1633– 1642, 2011. AMORIM, F. A.; HAMAWAKI, O.T; SOUSA, L.B.; LANA, R.M.Q. HAMAWAKI, C.D.L.;Época de semeadura no Potencial produtivo de Soja em Uberlândia-MG. Semina: Ciências Agrárias, p. 1793-1802, 2011. ANAMARI, V. A. M; MOLIN, J. P.; CHIAVEGATO, E. J. Utilização de sensor óptico ativo para detectar deficiência foliar de nitrogênio em algodoeiro. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 13, n.2, p.137-145, 2009. BOLETIM TÉNCNICO 02 LAP.Amostragem Georreferenciada. Agricultura de Precisão. André F. Colaço, José Paulo Molin. Universidade Superior de Agricultura Luiz de Queiroz, 2015. BRANDÃO, Z. N. Estimativa da produtividade e estado nutricional da cultura do algodão irrigado via técnicas de sensoriamento remoto. 2009. 152 f. Tese (Doutorado em Recursos Naturais)-Universidade Federal de Campina Grande, Campina Grande, 2009. CIGANDA, V.; GITELSON, A.; SCHEPERS, J. Non-destructive determination of maize leaf and canopy chlorophyll content. Journal of Plant Physiology, v. 166, p. 157–161, 2009. COMPANHIA NACIONAL DE ABASTECIMENTO – CONAB. Acompanhamento de safra brasileira: grãos, terceiro levantamento, dezembro/2016. Brasília: Conab, 2016. EMBRAPA SOJA, Tecnologias de produção de soja – Região Central do Brasil 2014. – Londrina: Embrapa Soja, 2013. CORTINOVE, L. Comparação de índices de vegetação obtidos por sensor de refletância de dossel em milho sob diferentes doses de nitrogênio. Trabalho de Conclusão de Curso, Escola Superior de Agricultura Luiz de Queiroz, 2013. FALKER AUTOMAÇÃO AGRÍCOLA Ltda. Viena, 156 CEP 90.240-020 – Bairro São Geraldo, Porto Alegre/RS. FERGUSON, R.; SHANAHAN, J.; ROBERTS, D.; SCHEPERS, J.; SOLARI, F.; ADAMCHUK, V.; SHIRATSUCHI, L.; KRIENKE, B.; SCHLEMMER, M.; FRANCIS, D. In-season nitrogen management of irrigated maize using a crop canopy sensor. 31 In: CONFERENCE EUROPEAN ON PRECISION AGRICULTURE, 8, 2011, Praga, Proceedings… República Tcheca: ECPA, 2011. FIORIO, P.R.; MARTINS, J.A.; BARROS, P.P.S.; MOLIN, J.P.; AMARAL, L.R. Dados espectrais de dossel de cana-de-açúcar para predição do teor relativo de clorofila. Anais XVII Simpósio Brasileiro de Sensoriamento Remoto – SBSR, João Pessoa – PB, 2015. GROHS, D. S. BREDEMEIER, C. MUNDSTOCK, C.M., POLETTO,N.Modelo para estimativa do potencial produtivo do trigo e cevada por meio do sensor GreenSeeker. Eng. Agríc., Jaboticabal , v. 29, n. 1, p. 101-112, Mar. 2009 . Informativo DEAGRO – Safra Mundial de Soja 2016/17 – 7º Levantamento do USDA – Novembro de 2016, DEAGRO/FIESP. MAPA. Agricultura de precisão. Ministério da Agricultura, Pecuária e Abastecimento. Secretaria de Desenvolvimento Agropecuário e Cooperativismo. – Brasília: Mapa/ACS, 2013. MISSÃO, M. R. Soja: Origem, classificação, utilização e uma visão abrangente do mercado. Maringá Management: Revista de Ciências Empresariais, v.3, n.1, p. 7-15, 2006. MIYASAKA, S.; MEDINA, J. C. A soja no Brasil. 1 ed. Campinas: ITAL, 1981, 1062 p. MOLIN, J.P. Agricultura de precisão – o gerenciamento da variabilidade. Piracicaba: José Paulo Molin, 2001. 83p. MOLIN, J. P. Agricultura de precisão: situação atual e perspectivas. Milho: Estratégias de Manejo para Alta Produtividade, v. 1, p. 89-98, 2011. MOLIN, J.P; AMARAL, L.R; COLAÇO, A.F. Agricultura de Precisão. 1. ed. São Paulo : Oficina de Textos, 2015. NTECH INDUSTRIES, UKIAH, CA, USA. Greenseeker manuals downloads. Disponível em: Acesso: 15 de setembro de 2016. PIMENTEL GOMES, F. Curso de Estatística Experimental. São Paulo: Nobel, 1985. 467 p. PORTZ, G.; MOLIN, J.P.; JASPER, J. Active crop sensor to detect variability of nitrogen supply and biomass on sugarcane fields. Precision Agriculture, v.13, n.1, p.33–44, 2011. POVH, F. P. Utilização de sensor ótico em culturas de Cereais. 86p. Dissertação (Mestrado em Máquinas Agrícolas) – Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo, 2007. QUEIROZ, D.M.; DIAS, G.P.; MANTOVANI, E.C. Agricultura de precisão na produção de grãos. Agricultura de Precisão. Viçosa: UFV, p.1-42. 2000. 32 RODRIGUES, L.V.; ROGGIA, S.; CRUSIOL, L.G.; CAVALLARI, L.S.; PEREIRA, J.P.V.; FERRARI, F. Teor de clorofila e NDVI de soja em resposta ao ataque do percevejo-marrom, Euschistus heros. VII Jornada Acadêmica Embrapa Soja, 2013. SAMBORSKI, S.M.; TREMBLAY, N.; FALLON, E. Strategies to make use of plant sensors-based diagnostic information for nitrogen recommendations. Agronomy Journal, Madison, v. 101, n. 4, p. 800-816,2009. SANTOS, O. S. A cultura da soja 1: Rio Grande do Sul, Santa Catarina e Paraná. 1. ed. Rio de Janeiro: Editora Globo. 1988. 299 p. SEDIYAMA, T; TEIXEIRA, R. C.; REIS, M. S. Melhoramento da soja. In: BORÉM, E. (Ed.). Melhoramento de espécies cultivadas. Viçosa: Universidade Federal de Viçosa, 2005, p. 553-604. SILVA, Gercina Gonçalves et al. VEÍCULOS AÉREOS NÃO TRIPULADOS COM VISÃO COMPUTACIONAL NA AGRICULTURA: APLICAÇÕES, DESAFIOS E PERSPECTIVAS. Anais do Encontro Científico de Administração, Economia e Contabilidade, v. 1, n. 1, 2015. SOUSA, S. A. V. Programa computacional para simulação da ocorrência de veranicos e queda de rendimento. Pesquisa Agropecuária Brasileira, v. 33, n. 12, p. 1952-1956, 1998. STAFFORD, J.V. An investigation into the within-field spatial variability of grain quality. In: EUROPEAN CONFERENCE ON PRECISION AGRICULTURE, 2., 1999, Odense. Proceedings … Sheffield Academic Press, 1999. P. 353-361. TREVISAN, R. G.; VILANOVA JUNIOR, N.S.; PORTZ, G.; EITELWEIN, M. T.; MOLIN, J.P. Desempenho de dois sensores ativos de dossel em estimar parâmetros culturais em áreas de algodão. Anais Congresso Brasileiro de Agricultura de Precisão, 2014. VILANOVA JUNIOR, N. S. Utilização de sensores de dossel para adubação nitrogenada no algodoeiro. 90 p. Dissertação (Mestrado) – Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo, 2016.
Compartilhar