Sensoriamento Remoto: Conceitos Básicos e Aplicações na Agricultura de Precisão
1. Introdução
O sensoriamento remoto (SR) se caracteriza pela obtenção de informações de um objeto sem existir um contacto físico com o mesmo, e muitas vezes à longas distâncias. As primeiras medições por SR foram realizadas através de câmeras acopladas em aeronaves, balões, pipas, foguetes e até pássaros.
Atualmente, imagens de sensores remotos podem ser obtidas a partir de diversas plataformas, como satélites, aeronaves, veículos aéreos não tripulados (VANTs), máquinas agrícolas autopropelidas, etc.
Várias aplicações podem ser abordadas através de SR, dentre elas, se destacam: (a) a estimativa da biomassa e produtividade da cultura; (b) o monitoramento de estresse hídrico e do vigor nas plantas e (c) a avaliação do estádio fenológico (BRANDÃO, 2009).
Uma das primeiras aplicações dos dados obtidos remotamente tem sido a detecção de diferenças na refletância, relacionadas à densidade da cobertura vegetal. A radiometria espectral é uma das mais importantes áreas do SR, podendo ser efetivada por meio de medidas realizadas em laboratório ou em campo.
Ela identifica a intensidade com que cada material, seja um tipo de solo, de rocha ou de vegetação, reflete a radiação eletromagnética em diferentes comprimentos de onda do espectro (BRANDÃO et al., 2008).
Assim, dados da refletância têm sido associados às características das plantas como o índice da área foliar, a biomassa ou a fração radiativa interceptada fotossinteticamente. Na agricultura, as propriedades da refletância em cada faixa do espectro eletromagnético podem ser melhor avaliadas através de combinações matemáticas de diferentes bandas espectrais (ATZBERGER, 2013).
Essas transformações são medidas da atividade da vegetação utilizam em especial as faixas do visível e infravermelho próximo (NIR - Near Infrared) e são denominados de índices de vegetação (IVs).
Para entender como os IVs são criados, é preciso uma melhor compreensão da resposta espectral da vegetação. Na Figura 1a. pode ser observado o comportamento da refletância para a vegetação verde saudável, sendo fundamentalmente determinado pela clorofila, que reflete em todo o espectro visível, mas tem seu ápice na faixa da luz verde (500-600 nm), e cuja absorção é máxima nas faixas espectrais da luz azul (400-500 nm) e da luz vermelha (600-700 nm) (BRANDÃO et al., 2008).
As clorofilas a e b regulam o comportamento espectral da vegetação de maneira mais significativa em comparação com outros pigmentos (Figura 1b). No NIR (750-1300 nm), dependendo do tipo de planta, a radiação solar é refletida numa proporção de 30 % a 80 % dos raios incidentes.
Nos comprimentos de ondas acima de 1300 nm, o conteúdo de água das folhas influencia a interação com a radiação. A água no tecido foliar absorve especialmente nas faixas em torno de 1450 nm e 1950 nm, sendo comprimentos de onda úteis à determinação do conteúdo hídrico das folhas (PEÑUELAS et al., 1997).
2. Índices de vegetação no monitoramento de culturas
Inúmeros IV já foram desenvolvidos para diferentes finalidades. Pesquisadores no mundo inteiro usam as características de absorção associadas com constituintes bioquímicos para avaliar as culturas em estudo. Assim, diferentes índices são utilizados na agricultura e são otimizados para avaliar um processo de interesse (BRANDÃO, 2009).
Por exemplo, alguns índices espectrais foram propostos para capturar os processos fotoquímicos associados com a atividade da fotossíntese tal como o uso da eficiência da luz (ε) ou estimar o conteúdo de pigmentação da folha (clorofila) (DAUGHTRY et al., 2000; BRITO et al., 2011), enquanto que outros foram projetados para obter o índice de área foliar (IAF).
A escolha do comprimento de onda mais adequado está relacionada às características que se deseja avaliar. Algumas vezes pode surgir o efeito de confusão, pois a refletância do dossel no NIR é fortemente dependente das propriedades estruturais (por exemplo, IAF), enquanto no visível é sensível as propriedades bioquímicas (por exemplo, clorofila) (Zarco-Tejada et al., 2001).
Para reduzir esse efeito, muitos estudos recentes demonstraram que a quantidade de clorofila da folha pode ser estimada através da combinação de diferentes índices espectrais. Assim, os IVs podem ser divididos em índices sensíveis à concentração do pigmento (clorofila) e índices estruturais, que podem ou não ser imunes à influência das propriedades óticas do solo (HABOUDANE et al., 2004; BRANDÃO, 2009).
A Tabela 1 apresenta alguns dos índices de vegetação mais utilizados. Tucker (1979) estudou diferentes combinações lineares das bandas do verde, vermelho e NIR para monitorar propriedades como a biomassa, conteúdo de água na folha e conteúdo de clorofila.
Ele validou o NDVI (Normalized Difference Vegetation Index) desenvolvido por Rouse et al. (1973), que é um IV estrutural, muito utilizado para monitoramento agrícola, por apresentar forte correlação linear com o crescimento das culturas.
Por outro lado, a razão simples entre o NIR e o canal vermelho fornece uma alta correlação com o desenvolvimento das plantas e com seus estágios de crescimento, sendo esse um dos primeiros IV estudados (BIRTH; McVEY, 1968).
O SAVI (Soil-Adjusted Vegetation Index) (Huete, 1988), foi criado visando amenizar o efeito de solo e se baseia no princípio de que a curva de vegetação tende a aproximar-se da curva de solo para baixas densidades de vegetação, passando por uma mistura de respostas espectrais para densidades médias e quase nenhuma influência do solo para densidades altas de vegetação.
O SAVI consiste na própria fórmula do NDVI, acrescida de uma constante L, que varia de 0 a 1, dependendo do grau da maior ou menor cobertura do solo, respectivamente.
Seguindo o mesmo princípio vieram duas modificações do SAVI: o TSAVI (Transformed SAVI) (BARET; GUYOT; MAJOR, 1989), o MSAVI (Modified SAVI) (Qi et al., 1994) e o OSAVI (Optmized SAVI) (Rondeaux et al., 1996).
Outros índices bastante utilizados são os que se propõem a reduzir os efeitos atmosféricos com a utilização da faixa do azul do espectro eletromagnético (B - Blue), como os IVs SARVI e EVI (Tabela 1).
Estimativas de biomassa de áreas florestadas através de SR podem ser realizadas mediante a utilização de dados coletados em campo, aeronave ou dados orbitais. Usando qualquer método, o interesse é sempre a obtenção das relações para o índice de área foliar (IAF) e biomassa.
O IAF é um importante parâmetro biofísico da vegetação, sendo definido como a área foliar total projetada por unidade de área de terreno (m2 /m2) (DAUGHTRY et al., 1992).
Sua importância deve-se à relação com a biomassa vegetal e por caracterizar a arquitetura do dossel, fornecendo informações importantes sobre o vigor da cobertura vegetada e justificando a diversidade de estudos em SR envolvendo estimativas deste parâmetro.
Estas estimativas permitem uma avaliação das condições fisionômicas e fisiológicas dos dosséis e análises quantitativa e qualitativa das trocas energia/matéria ocorridas nos mesmos (HABOUDANE et al., 2004).
O uso de dados orbitais constitui-se em um método indireto e não destrutivo para estimativa do IAF. De maneira geral é esperado que quanto maior o IAF, menor o valor de radiância espectral referente às regiões do visível (380 a 720 nm) e do infravermelho médio (1300 a 3000 nm), devido à maior disponibilidade de pigmentos fotossintetizantes absorvendo Radiação Eletromagnética (REM) incidente e quantidade de água, respectivamente, e maior valor na região do infravermelho próximo, devido ao múltiplo espalhamento entre folhas.
Em SR, os sensores utilizados podem ser divididos em duas categorias: passivos ou ativos. Sensores passivos registram a energia eletromagnética refletida ou emitida pelo alvo, como a radiação solar refletida ou radiação termal emitida.
São exemplos de sensores passivos os sensores multiespectrais a bordo de diversos satélites como o Operational Land Imager (OLI) a bordo do satélite Landsat 8 e a Moderate Resolution Imaging Spectroradiometer (MODIS), a bordo dos satélites TERRA e AQUA. Já os sensores ativos proporcionam fonte própria de energia eletromagnética, como os radares, sonares, sensores ativos de dossel (como o Crop Circle e Greenseeker) e LiDAR.
Este último sistema (LiDAR - Light Detection and Ranging) dispara pulsos de laser sobre o terreno e identifica os respectivos retornos, tornando possível saber com precisão as coordenadas X, Y e Z de pontos no terreno. Isso permite gerar “nuvens de pontos” (Figura 2), que podem ser utilizados para levantamentos topográficos (ZANARDI et al., 2013) e estudos de biomassa em florestas plantadas (SILVA et al., 2013) e manejo de florestas nativas (ARAUJO et al., 2013).
Imagens de sensores remotos apresentam diferentes resoluções: espacial, espectral, temporal e radiométrica. A resolução espacial diz respeito à dimensão do terreno que é representada pelo menor elemento em uma imagem, o pixel.
Estão disponíveis imagens em que o pixel representa áreas de 1 km² ou maiores (baixa resolução espacial), as quais podem ser aplicadas para estudos de grandes regiões como avaliação da temperatura do oceano, condições atmosféricas globais etc.
Também é possível obter imagens com resolução espacial na ordem de centímetros, a partir de plataformas aerotransportadas ou de sensores orbitais de alta resolução. A partir da Figura 3 é possível compreender o efeito da resolução espacial nas imagens de sensores remotos.
A resolução espectral diz respeito ao número e ao tamanho dos intervalos de comprimento de onda (bandas) do espectro eletromagnético mensurado.
De acordo com a faixa do espectro, os alvos na superfície terrestre respondem de maneira distinta, o que confere diferentes aplicações para cada uma das bandas dos sensores multiespectrais.
Sensores multiepectrais possuem bandas em diferentes faixas do espectro eletromagnético, cobrindo a faixa do visível, infravermelho próximo, médio e termal (Tabela 2). Também existem sensores com um número elevado de bandas contíguas, capazes de coletar informações do espectro eletromagnético de maneira contínua, os sensores hiperespectrais.
A resolução temporal diz respeito ao intervalo de tempo necessário para a obtenção de imagens de um mesmo local. Plataformas orbitais como o Landsat ou o Satélite Sino-Brasileiro de Recursos Terrestres (CBERS) possuem tempo de revisita de 16 e 26 dias, respectivamente.
Outros sensores com menor resolução espacial, como o MODIS ou AVHRR (Advanced Very High Resolution Radiometer) são capazes de obter imagens diariamente (EMBRAPA, 2009). Também estão disponíveis sistemas baseados em uma constelação de satélites, que permitem aliar alta resolução espacial com alta resolução temporal.
A resolução radiométrica diz respeito à forma e a precisão de como a radiação eletromagnética medida pelo sensor remoto. O sensor multiespectral (MSS) do satélite Landsat 1 quantificava a radiação eletromagnética recebida em 64 níveis ou seja, uma resolução radiométrica de 6 bits (6 bits → 26 = 64).
O sensor OLI, a bordo do satélite Landsat 8 apresenta resolução espacial de 12 bits, resultando em imagens com 4096 níveis de cinza, um aumento significativo diante de seu antecessor, Landsat-7, com resolução de 8 bits (256 níveis de cinza).
Dentre os diversos sistemas de imageamento existentes, os satélites da série Landsat merecem um destaque especial. O programa Landsat lançou seu primeiro satélite no início dos anos 1970 (Landsat 1 entrou em operação em 1972) e desde então vem gerando imagens da superfície terrestres, sendo que a partir do satélite Landsat 4 foram introduzidos os sensores TM, com 30 metros de resolução espacial. Em abril de 2008 todo o acervo das imagens Landsat foi disponibilizado ao público.
3. Aplicações do Sensoriamento Remoto
Imagens e produtos de SR possuem diversas aplicações nos mais variados campos. Dados de sensores com baixa resolução espacial são utilizados para avaliar a temperatura dos oceanos em escala global, sendo muito utilizados em estudos climáticos, de eventos como El Niño, e modelos de previsão meteorológica e do clima.
Outras aplicações incluem estudos para fins de planejamento urbano, analisando a expansão e a ocupação das terras. Para tais, normalmente são utilizadas imagens com maior resolução espacial, dependendo do tema a ser estudado.
Avaliações da expansão da área urbanizada podem ser realizadas utilizando imagens com 30 m de resolução espacial (HUPP; FORTES, 2013). Já imagens com maior resolução podem ser utilizadas para a quantificação da urbanização viária (ALVAREZ; GALLO, 2012) e sua relação com a temperatura da superfície (GALLO; ALVAREZ; GARÇON, 2013); planejamento de sistemas de mobilidade urbana (SCHMITT et al., 2013) além de outras aplicações diversas.
O SR é muito utilizado em aplicações relativas a estudos de uso e cobertura das terras e de características da vegetação. Neste campo são realizados diversos estudos e aplicações, como a avaliação das alterações no uso e cobertura das terras em diversos locais (QUARTAROLI et al., 2006; RODRIGUES et al., 2012; BATISTELLA et al., 2002 dentre outros), a avaliação de parâmetros biofísicos e de evapotranspiração da vegetação (ANDRADE et al., 2009, 2012; FACCO et al., 2012) e estudos da abrangência de áreas agrícolas e de sua dinâmica temporal (Figura 4) (JOHANN et al., 2012; VICTORIA et al., 2012; VICENTE et al., 2012).
Sendo assim, as imagens de sensores remotos apresentam diferentes características que fazem com que sejam úteis às mais variadas aplicações, desde estudos globais, programas de monitoramento contínuo em grandes áreas, até estudos pontuais em escalas detalhadas como o ambiente urbano ou a agricultura de precisão (AP).
Nos últimos anos, a produção agrícola tem passado por grandes mudanças. O gerenciamento dos módulos de produção em fazendas atualmente não é mais baseado em aplicações uniformes de insumos nas culturas, pois os elevados custos de produção desafiam essas estratégias.
Baseado nisso é que o conceito de AP se adequa, pois, considerando a variabilidade espacial do meio agrícola, a AP pode reduzir os custos de produção e aumentar a produtividade, fazendo-se o uso muitas vezes de automação e alta tecnologia voltadas à produção agrícola (McKINION et al., 2001; BRANDÃO et al., 2008).
Dados obtidos por sensoriamento remoto (SR) têm sido utilizados como ferramenta auxiliar nessa nova estratégia de gerenciamento que considera a variabilidade espacial dos fatores que interferem na produtividade das culturas.
A utilização de SR na AP vem facilitar o diagnóstico especializado para subsidiar tomadas de decisão no manejo agrícola. No suporte a gestão operacional no manejo por sítio específico podem-se ressaltar o delineamento e a classificação das zonas de manejo (ZM) dentro do talhão (McBRATNEY et al., 2005), estas sendo definidas como áreas contíguas e associadas a uma classe de manejo específico (TAYLOR; McBRATNEY; WHELAN, 2007).
Questionadas para regiões de grande variabilidade temporal (SCHEPERS et al., 2005) as ZM encontram respaldo nos dados de SR.
O conteúdo de N nas plantas pode ser avaliado através de métodos indiretos. Um dos métodos mais simples consiste na observação do vigor da coloração verde das plantas e, por conseguinte, na verificação da ocorrência de clorose ou amarelamento das folhas, que indica a falta de N (BRANDÃO et al., 2008).
Com base neste conhecimento, pode-se utilizar dados de sensores remotos em níveis de campo, aéreo e orbital para avaliar e estimar o conteúdo de N nas plantas. Sabe-se que a diminuição da concentração dos pigmentos clorofilados, ocasionada pela carência em N, interfere na refletância espectral na região do espectro visível. Brandão (2009), num estudo para diferentes doses de nitrogênio no algodoeiro irrigado (0 Kg ha-1; 90 Kg ha-1; 180 Kg ha-1 e 270 Kg ha-1), percebeu significativo aumento no infravermelho com o incremento de nitrogênio (Figura 5).
Ainda nesse trabalho foi observado a saturação do NDVI para os maiores valores do IAF, efeito reduzido quando utilizado o TVI, que apresentou correlações com o IAF superiores a 0,8 para todas as épocas de avaliação.
Em um estudo que avaliou cultivos de trigo submetidos a diferentes concentrações de N (0 Kg ha-1; 70 Kg ha-1; 170 Kg ha-1 e 221 Kg ha-1), observaram que os maiores valores de refletância no espectro visível se relacionavam com os tratamentos submetidos a menores taxas de adubação nitrogenada e que a adição de N implica na diminuição da refletância espectral no visível e no aumento da refletância espectral entre 700 e 1300 nm.
Observado incremento no NDVI acompanhando o aumento da absorção de N, tendo esse IV atingido seu valor máximo de 0,76, na época de pleno florescimento do algodoeiro. Zarco-Tejada et al. (2005), também observaram que as melhores épocas para predição da produtividade e biomassa são no início da floração e no pleno florescimento, tendo encontrado que os índices relacionados às características estruturais da planta, como o NDVI, RDVI e MTVI1 podem predizer melhor o IAF e a produção de biomassa, enquanto que outros IVs como o MSAVI e o MTVI2 mostraram baixo desempenho.
Aplicações de dados de sensores remotos para a viticultura foram reportadas por Bramley e Proffitt (1999) e Bramley (2009), nas quais foi possível, após um mapeamento detalhado de um vinhedo na Austrália, que revelou quais as áreas de menor vigor, e, portanto, com maior potencial de qualidade, colher e vinificar separadamente as uvas, obtendo-se vinhos de preço diferenciado e agregando valor à produção.
Nesta linha de trabalho, Ducati, Bombassaro e Dullius (2013) mostram que levantamentos de campo da variação de NDVI em vinhedos são coerentes com os valores de NDVI extraídos de imagens de satélite dos mesmos vinhedos, na mesma época.
Estes trabalhos indicam o grande potencial do uso de imagens de satélites para o monitoramento de parcelas agrícolas de pequena extensão, típicas de agricultura de maior valor agregado, como é o caso da fruticultura em geral e da viticultura em particular.
Em outro trabalho recente, Echeverria, Ducati e Ferrer (2013) mostraram como variações do NDVI em parreirais de Tannat, no Uruguai, podem ser detectadas em imagens do sensor orbital ASTER, e como é possível correlacionar tais variações a fatores de solo na extensão dos vinhedos.
De fato, imagens de sensores como ASTER e Hyperion cobrem um domínio espectral entre 0,55 nm e 2,5 nm, sendo, portanto, sensíveis à toda gama de fatores importantes na descrição espectral da reflectância de vegetais.
Acresce a isto o fato de que tais sensores, com resolução espacial correspondente a 900 m2 por pixel, são adequados a estudos de pequenas áreas, levando em conta que um vinhedo, por exemplo, tem tipicamente uma área de alguns hectares (2 a 5 ha), sendo coberto por algumas dezenas de pixeis. É possível, então, mapear variações de vigor, com resolução espacial razoável, mesmo em áreas de um hectare.
Variações de NDVI são de grande utilidade na linha de trabalho considerando sensores aéreos para o delineamento e a classificação de ZM na vitivinicultura de precisão e no cultivo de grãos. A caracterização das ZM requer a análise espaço temporal com dados de múltiplos sensores, sendo o SR uma fonte básica de dados gerados por diferentes tipos de sensores e IVs disponíveis.
A integração destes dados tem considerado, prioritariamente, métodos estatísticos clássicos para a classificação de imagens com base no valor do NDVI, por pixel, aplicado ao delineamento das ZM (SHATAR; McBRATNEY, 2001).
Em adição ao NDVI, aplicações de outros IVs vem sendo investigadas com dados de sensores aéreos; em recentes casos de estudo, considerando-se também a segmentação de imagens com base em objetos.
O uso de IVs alternativos indicou um grande potencial de aplicação em diferentes regiões agroclimáticas, na Austrália e na Espanha. Entre eles, o PPR (Plant Pigment Ratio) na determinação das variações de proteína nas culturas de grãos (WANG et al., 2004), e o PCD (Plant Cell Density) aplicado na vitivinicultura como indicador da qualidade das bagas (PONS et al., 2013) e do estresse hídrico (GIRON; BELLVERT, 2012).
As imagens aéreas utilizadas são obtidas em aproximadamente 2.000 m de altitude, em quatro faixas espectrais distintas; sendo: azul (450-510 nm), verde (530-550 nm), vermelho (630-690 nm) e infravermelho próximo (750-900 nm).
O PPR é determinado pela razão das fixas do verde sobre o azul relacionadas com a pigmentação foliar, onde uma maior pigmentação absorvendo mais energia indica um alto valor de PPR (METTERNICHT, 2003).
Já as aplicações do índice PCD consideram que vinhas vigorosas e saudáveis tendem a responder com uma forte reflectância na faixa do infravermelho próximo (PROFFIT et al., 2006).
Dentro do conceito de visão computacional (BLASCHKE; STROBL, 2001), a segmentação de imagens com base em objetos representa uma nova técnica promissora no delineamento de ZM (Pedroso et al., 2010; OLIVEIRA; WHELAN; McBRATNEY, 2013), onde objetos são compostos a partir de pixels vizinhos diretamente associados as unidades de paisagem.
WANG (2008) sugere que estes métodos conciliam a extração de características do espaço visível (resoluções espectrais) e físico (topologia espacial e temporal). Este conjunto de métodos, denominado de GEOBIA (Geographic Object-Based Image Analysis) caracteriza uma subdisciplina da ciência da geoinformação voltada para a segmentação de imagens e a geração de informações compatíveis com análises vectoriais (HAY; CASTILLA, 2008).
Estes algoritmos são compostos de duas etapas comuns: a identificação das descontinuidades na imagem; e a delineamento de regiões visualmente homogêneas e espacialmente contíguas (Figura 6). Em AP, estes algoritmos foram aplicados na robótica de campo (GARCÍA-PÉREZ et al., 2001) e, mais recentemente, em abordagens morfológicas no delineamento de ZM (ROUDIER et al., 2008, OLIVEIRA; WHELAN; McBRATNEY, 2013).
Técnicas de SR foram validadas e tem grande aplicabilidade na área agrícola dentro do conceito de AP, porém o custo e a falta de pessoal treinado ainda limitam o uso por parte dos usuários. Uma grande limitação do SR através de sensores passivos orbitais são as nuvens, atmosfera e revisita do imageamento em tempo hábil para a tomada de decisão no manejo agrícola.
Nebulosidade se torna crítica principalmente para culturas de verão por que o estágio fenológico da cultura que deve ser imageada geralmente coincide com a época de grande pluviosidade e nebulosidade.
Neste cenário onde diversas técnicas validadas para sensores remotos já estão disponíveis os VANTs e os sensores ativos de dossel ou active crop canopy sensors (ACS) tem uma grande importância para viabilizar a aplicação destas técnicas no manejo agronômico sítio-especifico de culturas agrícolas em nível de talhão.
Os ACS vêm sendo considerados por alguns como sensores remotos proximais, quando acoplados em máquinas agrícolas autopropelidas (Figura 7). A grande vantagem dos ACS é que eles são ativos e sua luz modulada não é influenciada pela luz do sol, podendo ser utilizados a qualquer hora (noite ou dia).
Estes sensores emulam a refletância do dossel em certos comprimentos de onda selecionados para diferenciar o conteúdo de clorofila e indiretamente a condição nutricional da planta em relação ao nitrogênio (N) (SHIRATSUCHI, 2011).
Utilizando estes sensores é possível o diagnóstico de N da planta e aplicação de fertilizantes nitrogenados em taxas variáveis em tempo real, aplicando o insumo somente onde necessário e na mesma operação, sem necessidade de um mapeamento prévio.
Ou seja, o sensor embarcado diagnostica o status de N da planta através dos IV e através de algoritmos específicos como os desenvolvidos por Solari et al. (2008); Dellinger, Schmidt e Beegle et al. (2008) e SHIRATSUCHI et al.(2011b) calcula-se a dose de fertilizante nitrogenado que deve ser aplicada em tempo real.
Pesquisas no âmbito de fazenda (on farm research) mostraram no cinturão do milho americano que em 55 locais durante os anos de 2004 à 2008 a utilização destes ACS superou em termo econômicos doses uniformes de fertilizantes nitrogenados na ordem de US$42.ha-1, produzindo 110 kg.ha-1 a mais de milho, reduzindo o uso de N em 16 kgN.ha-1 (SCHARF et al., 2011).
Considerando os preços crescentes dos fertilizantes e a redução do uso de insumos e diminuição do impacto ambiental, espera-se uma grande adoção deste tipo de tecnologia em empreendimentos agrícolas.
Existem inúmeras pesquisas sendo realizadas no intuito de se gerar fórmulas ou algoritmos para traduzirem dados de SR com o uso de VANTs e ACS em doses de insumos, como N, herbicidas, inseticidas, etc (HOLLAND; SCHEPERS, 2010, 2012; SHIRATSUCHI et al., 2011a).
Até mesmo a utilização de ACS embarcados em VANTs já estão sendo utilizados como uma forma de mapeamento do status de N em milho (Figura 8).
Estudos sobre o comportamento de diversos IV para determinação de pigmentos foram realizados (LEMAIRE; FRANCOIS; DUFRENE, 2004), porém poucos trabalhos levaram em consideração ACS para cálculo de IVs e interferência do teor de água na determinação de doses de N como o realizado por SHIRATSUCHI et al. (2011a).
Este cenário demonstra que um vasto campo de estudos dentro do SR vem sendo aberto e possui ainda grandes desafios principalmente em regiões tropicais, onde a limitação na aquisição de imagens, sistema de produção em plantio direto, custo de equipamentos e pessoal qualificado imperam na adoção destas tecnologias.
Se você tem interesse em saber mais sobre a Agricultura de Precisão, te convido a conhecer a plataforma da AgricOnline. Ao fazer a sua assinatura, você tem acesso ilimitado a todos os cursos da plataforma. São cursos que vão desde produção vegetal, produção animal, mercado e carreira.
Ao término de cada curso, você tem direito ao certificado com a carga horária de cada curso, clique no link para conhecer.
Ou clique no link:
https://go.agriconline.com.br/pass/?sck=portal
Fonte
BERNARDI, Alberto Carlos de Campos; NAIME, João de Mendonça; DE RESENDE, Álvaro Vilela; BASSOI, Luís Henrique; INAMASU, Ricardo Yassushi. Agricultura de Precisão: resultados de um novo olhar. 1ª ed. Brasília - DF: EMBRAPA, 2014.
