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.
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

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Copyright (c) 2024 Carlos Eduardo Damasceno, Alécio Perini Martins
