Viabilidade do Uso de Drones no Monitoramento de Cultivos de Soja: Estudo Comparativo em Jataí-GO
PDF-pt
PDF-en (Inglês)

Palavras-chave

Aerofotogrametria
Geotecnologias
MAPIR
Índices de Vegetação

Como Citar

DAMASCENO, Carlos Eduardo; PERINI MARTINS, Alécio. Viabilidade do Uso de Drones no Monitoramento de Cultivos de Soja: Estudo Comparativo em Jataí-GO. Sociedade & Natureza, [S. l.], v. 37, n. 1, 2025. DOI: 10.14393/SN-v37-2025-76004. Disponível em: https://seer.ufu.br/index.php/sociedadenatureza/article/view/76004. Acesso em: 22 fev. 2026.

Resumo

Os avanços tecnológicos têm diminuído as barreiras geográficas, demandando uma rápida adaptação de todos os setores, incluindo o uso de aeronaves remotamente pilotadas (RPA’s), conhecidas como drones, que têm sido aplicadas amplamente em áreas como o monitoramento urbano e agrícola. Em municípios como Jataí-GO, onde o agronegócio é predominante, o uso de RPA’s para mensuração de índices vegetativos (IV’s) traz ganhos para práticas agrícolas mais precisas e sustentáveis. Contudo, o custo de alguns RPA’s limita seu uso mais amplo, pois muitos equipamentos chegam a ultrapassar R$ 160.000. A pesquisa tem caráter experimental e objetivou desenvolver técnicas para o uso de drones de asa rotativa, com valor de mercado mais acessível do que os demais modelos existentes no mercado, na geração de índices de vegetação para o mapeamento e monitoramento de cultivos comerciais de grãos. A metodologia consistiu em: 1) levantamento de campo em áreas de plantio de soja; 2) aquisição de imagens do satélite Sentinel-2 e do drone; 3) processamento das imagens captadas pelo drone Phantom 4 PRO, equipado com uma câmera MAPIR Survey 3W; e 4) análise de correlações entre os IV’s obtidos por drone e pelo Sentinel-2 em duas áreas no campus da Universidade Federal de Jataí (UFJ), para validação. A coleta de dados incluiu o uso de GNSS de alta precisão Trimble R4s para georreferenciamento. Os resultados mostram boa correlação entre os IV’s calculados com imagens do drone e do Sentinel2 na cultura da soja, com coeficientes de determinação (R²) superiores a 0,72 para o VARI e 0,73 para o NDVI. O talhão 001 destacou-se pela uniformidade, obtendo altos coeficientes de determinação, reforçando a eficácia das geotecnologias empregadas. Em áreas mais heterogêneas, como no talhão 002, os IV’s revelaram diferenças, especialmente com o índice VARI, que se mostrou menos eficiente para ambientes de cultivo misto. Os dados confirmam que os IV’s gerados por drones de custo acessível podem indicar variações de plantio, comprovando a viabilidade de sua aplicação no setor agrícola sem investimentos expressivos.

PDF-pt
PDF-en (Inglês)

Referências

AGISOFT LLC. Agisoft Metashape®. Agisoft, 2023. (licenciado para o segundo autor da pesquisa – Universidade Federal de Jataí – UFJ).

ALZAHRANI, B.; OUBBATI, O. S.; BARNAWI, A.; ATIQUZZAMAN, M.; ALGHAZZAWI, D. UAV assistance paradigm: State-of-the-art in applications and challenges. Journal of Network and Computer Applications, v. 166, 2020. https://doi.org/10.1016/j.jnca.2020.102706

ANDRADE JÚNIOR, A. S. de; SILVA, S. P. da; SETÚBAL, I. S.; SOUZA, H. A. de; VIEIRA, P. F. M. J.; CASARI, R. A. C. N. Predicting soybean grain yield using aerial drone images. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 26, n.6, p.466-476, 2022. https://doi.org/10.1590/1807-1929/agriambi.v25n1p3-9

CARVALHO, G. A.; LEITE, D. V. B. Geoprocessamento na gestão urbana municipal a experiência dos municípios mineiros Sabará e Nova Lima. In: Simpósio Brasileiro de Sensoriamento Remoto, 14, 2009, Natal. Anais [...]. Natal: INPE, 2009, p. 3643-3650. Disponível em: http://marte.sid.inpe.br/col/dpi.inpe.br/sbsr@80/2008/11.14.21.52/doc/3643-3650.pdf. Acesso em:12 nov. 2024.

DECEA - Departamento de Controle do Espaço Aéreo. Aeronaves não tripuladas e o acesso ao espaço aéreo brasileiro (ICA 100-40). Brasil, 2020. Disponível em: https://publicacoes.decea.mil.br/publicacao/ica-100-40. Acesso em:12 nov. 2024.

ESRI - Environmental Systems Research Institute. ArcGIS PRO® ESRI, 2024. (licenciado para o segundo autor da pesquisa–Universidade Federal de Jataí–UFJ).

FEHR, W. R.; CAVINESS, C. E. Stages of soybean development. Ames: Iowa State University of Science and Technology, 1977. p.11 (Special report, 80). Disponível em: https://dr.lib.iastate.edu/handle/20.500.12876/90239. Acesso em: 18 nov. 2024.

GITELSON, A. A.; VIÑA, A.; ARKEBAUER, T. J. Remoteestimation of leaf area index and green leaf biomass in maizecanopies. Geophysical Research Letters, v. 30, n. 5, p. 52, 2003. https://doi.org/10.1029/2002GL016450

GOIÁS. Secretaria de Estado de Gestão e Planejamento. Sistema Estadual de Geoinformação – SIEG. Camada de rodovias (BR’s). Goiânia: SEGPLAN, 2020. Disponível em: https://sieg.go.gov.br. Acesso em: 08 out. 2024.

IBGE. Instituto Brasileiro de Geografia e Estatística. Base territorial contínua do Brasil: municípios. Rio de Janeiro. IBGE, 2023. Disponível em: https://www.ibge.gov.br/geociencias/downloads-geociencias.html. Acesso em: 08 out. 2024.

KOOPMANS, M. Enhancement of geodata: The assessment of a near-infrared UAV sensor and a performance study of a low-cost dual-frequency GNSS receiver. FetureWater. 2020. Disponível em: https://www.futurewater.nl/wp-content/uploads/2020/12/Final_internship_report_Myke_Koopmans.pdf. Acesso em: 12 nov. 2024.

MAPIR. How to Choose a Survey3 Camera Model. 2020. Disponível em: https://www.mapir.camera/pages/how-to-choose-a-survey3-camera-model. Acesso em: 15 nov. 2024.

MARTINS, ALÉCIO PERINI; Morais, Wilker Alves; PÔSSA, ÉVELYN MÁRCIA; CASTRO, RAYSA MORAES; BORGES DE MOURA, DERICK MARTINS. USLE modelling of soil loss in a Brazilian cerrado catchment. Remote Sensing Applications: Society and Environment, v. 27, 2022. https://doi.org/10.1016/j.rsase.2022.100788

MATIAS, G. R de M.; GUZATTO, M. P.; SILVEIRA, P. G. Mapeamento topográfico cadastral por integração de imagens adquiridas com VANT a técnicas tradicionais. 2015, 175f. Trabalho de Conclusão de Curso (Graduação em Engenharia Cartográfica), Universidade Federal do Rio Grande do Sul (UFRGS). Porto Alegre, 2015. Disponível em: https://lume.ufrgs.br/bitstream/handle/10183/115412/000963866.pdf?sequence=1&isAllowed=y. Acesso em:12 nov. 2024.

MICROSOFT CORPORATION. Microsoft Excel®. Microsoft, 2022. (licenciado para o autor da pesquisa).

MIRANDA, R. Q.; NÓBREGA, R. L. B.; MOURA, M. S. B.; RAGHAVAN, S.; GALVÍNCIO, J. D. Realistic and simplified models of plant and leaf area indices for a seasonally dry tropical forest. International Journal of Applied Earth Observation and Geoinformation, v. 85, 2020. https://doi.org/10.1016/j.jag.2019.101992

OLIVEIRA, R. P. de. Apoio à Decisão na Adoção da Agricultura de Precisão: A Tecnologia da Informação em Apoio ao Conhecimento Agronômico. RECoDAF – Revista Eletrônica Competências Digitais para Agricultura Familiar, Tupã, v. 2, n.1, p.89-109, 2016. ISSN: 2448-0452. Disponível em:https://ainfo.cnptia.embrapa.br/digital/bitstream/item/153090/1/2016-131.pdf. Acesso em: 12 nov. 2024.

ROSA, R. Introdução ao Sensoriamento Remoto. 7ª ed. Uberlândia: EDUFU, 2009. https://doi.org/10.14393/EDUFU-978-85-7078-219-9

ROUSE, J. W.; HAAS, R. H.; SCHELL, J. A.; DEERING, D. W. Monitoring Vegetation Systems in the Great Plains with ERTS. Third ERTS-1 Symposium NASA, NASA SP-351, Washington DC, p.309-317, 1974. Disponível em: https://ntrs.nasa.gov/api/citations/19740022614/downloads/19740022614.pdf. Acesso em: 12 nov. 2024.

SANTOS, C. V. B. dos; MOURA, M. S. B. de; CARVALHO, H. F. de S.; GALVÍNCIO, J. D.; MIRANDA, R. de Q.; NISHIWAKI, A. A. M.; MONTENEGRO, S. M. G. L. Avaliação do índice de área foliar e índice de área da planta em floresta seca utilizando modelos simplificados em imagens de alta resolução com o uso de VANT. Journal of Hyperspectral Remote Sensing, v.12, n.03, p.109-123, 2022. https://doi.org/10.29150/2237-2202.2022.254276

SCHWALBERT, R. A.; AMADO, T.; CORASSA, G.; POTT, L. P.; PRASAD, P. V. V.; CIAMPITTI, I. A. Satellite-based soybean yield forecast: Integrating machine learning and weather data for improving crop yield prediction in southern Brazil. Agricultural and Forest Meteorology, v. 284, 2020. https://doi.org/10.1016/j.agrformet.2019.107886

SILVA JUNIOR, C. A.; NANNI, M. R.; SHAKIR, M.; TEODORO, P. E.; OLIVEIRA-JÚNIOR, J. F. de; CEZAR, E.; GOIS, G. de; LIMA, M.; WOJCIECHOWSKI, J. C.; SHIRATSUCHI, L. S. Soybean varieties discrimination using non-imaging hyperspectral sensor. Infrared Physics & Technology, v.89, p.338-350, 2018. https://doi.org/10.1016/j.infrared.2018.01.027

WILLMOT, C. J.; ACKLESON S. G.; DAVIS R. E.; FEDDEMA J. J.; KLINK K. M.; LEGATES D. R.; O’DONNELL J.; ROWE, C. M. Statistics for the Evaluation and Comparison of Models. Journal of geophysical research, v. 90, n. C5, p. 8995-9005, 1985. https://doi.org/10.1029/JC090iC05p08995

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Copyright (c) 2024 Carlos Eduardo Damasceno, Alécio Perini Martins

Downloads

Download data is not yet available.