Uso de drones no monitoramento agrícola

geração de índice de vegetação com câmera RGB em cultivos de sorgo

Autores

DOI:

https://doi.org/10.11606/eISSN.2236-2878.rdg.2025.224356

Palavras-chave:

Aeronaves remotamente pilotadas, Índices de Vegetação, Agricultura de precisão, Sustentabilidade agrícola

Resumo

Esta pesquisa traz resultados de projeto com financiamento CNPq que objetiva adaptar um drone de uso civil e asas rotativas da linha DJI/Phantom 4 para o monitoramento de plantios comerciais de sorgo na Universidade Federal de Jataí por meio dos índices de vegetação VARI (Índice Resistente à Atmosfera na região do visível) e NDVI (Índice de Vegetação por Diferença Normalizada). Como metodologia, foram realizados 06 sobrevoos entre abril e julho de 2021 e 07 sobrevoos entre março e julho de 2022, em duas parcelas de 3ha em áreas cultivadas com sorgo, com geração de índice VARI a partir das ortofotos da câmera RGB e comparação com índices gerados a partir de imagem Sentinel-2. As fotografias aéreas foram georreferenciadas com pontos coletados por GNSS Trimble R4 e mosaicadas no software Metashape®. Os demais processamentos foram realizados no ArcGIS PRO®, com definição 32 amostras de 20mx20m (04 pixels da imagem Sentinel-2) para validação estatística. Entre os resultados, obteve-se coeficiente de determinação de 0,94 e índice de desempenho D de 0,90 ao comparar valores de VARI mensurados pela câmera RGB e os obtidos a partir de imagem Sentinel-2, e coeficiente de determinação de 0,87 e índice D de 0,98 entre VARI/drone e NDVI/Sentinel-2, indicando ótimo desempenho para monitoramento de índices de vegetação sem suporte de câmera infravermelha. O Erro Médio entre os valores de VARI/drone e VARI/Sentinel-2 foi de 0,0037, indicando alta concordância entre as variáveis com leve superestimativa dos valores pela câmera RGB do DJI/Phantom 4.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

  • Alécio Perini Martins, Universidade Federal de Jataí

    Doutor (2015), Mestre (2009), Licenciado e Bacharel (2007) em Geografia pelo Instituto de Geografia da Universidade Federal de Uberlândia. Realizou estágio pós-doutoral no Programa de Pós-Graduação em Geografia Física da Universidade de São Paulo (2019-2020). Bolsista de Produtividade em Pesquisa nível 2 do Conselho Nacional de Desenvolvimento Científico e Tecnológico (2022-2025). Atualmente, ocupa os cargos de Diretor de Inovação e Pró-reitor Adjunto de Pesquisa e Inovação da Universidade Federal de Jataí. Docente nos cursos de Graduação e Pós-graduação em Geografia da UFJ e credenciado no Programa de Pós-Graduação em Geografia da UFU/Pontal. É líder do grupo de pesquisa "Monitoramento e modelagem ambiental por geoprocessamento" e possui experiência na área de Geografia Física e Inteligência Geográfica, atuando principalmente nos seguintes temas: Geocartografia, Geoinformação, Modelagem em Geografia Física, Agricultura de Precisão, Planejamento Ambiental e Climatologia Geográfica.

  • Nicoly Girotto Morais, Universidade Federal de Jataí

    Graduada em Geografia pela Universidade Federal de Jataí e mestranda do PPGGeo na mesma instituição. Foi bolsista PIBIC (2021-2023) e é aluna do grupo de pesquisa "Monitoramento e Modelagem Ambiental por Geoprocessamento" vinculado ao Laboratório de Geoinformação da UFJ. Atua em linhas de pesquisa na área de Geografia Física, com ênfase em Geotecnologias aplicadas à Análise Ambiental do Cerrado de Goiás.

  • Carlos Eduardo Damasceno, Universidade Federal de Jataí

    Bacharel em Geografia pela Universidade Federal de Goiás - Regional Jataí e mestrando em Geografia na Universidade Federal de Jataí. Atua principalmente nos seguintes temas: Geoprocessamento, Aerolevantamento, Aerofotogrametria e Análise Ambiental.

  • Áquila Luiza Oliveira da Silva, Universidade Federal de Jataí

    Geógrafa pela Universidade Federal de Jatai, integrante do laboratorio de geoinformação do Institudo de Geografia. Tem experiencia em SIG, processamento de imagens de satélite, fertilidade do solo e conhecimentos no uso das ferramentas da geociência na agricultura de precisão.

Referências

ABRANTES, T. C. Análise da deriva simulada de herbicidas auxínicos em soja através de índices de vegetação RGB obtidos por VANT. 2019. 76f. Dissertação (Mestrado em Sensoriamento Remoto) – Universidade Federal do Rio Grande do Sul. Porto Alegre - RS, 2019.

AGISOFT. Discover intelligent photogrammetry with Metashape. Process digital images and generate 3D spatial data. Fast and highly accurate, 2022. Available at: https://www.agisoft.com/. Access on: Jul. 23 2022.

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. et al. Predição da produtividade de grãos de soja utilizando imagens aéreas de drone. Revista Brasileira de Engenharia Agrícola e Ambiental, v.26, n.06, p.466-472, 2022. DOI: https://doi.org/10.1590/1807-1929/agriambi.v26n6p466-476

CAMARGO, A. P.; SENTELHAS, P.C. Avaliação do desempenho de diferentes métodos de estimativa de evapotranspiração potencial no Estado de São Paulo, Brasil. Revista Brasileira de Agrometeorologia, v.5, n.01, p.89-97, 1997.

DAMASCENO, C. E. Estudo de viabilidade de uso de drones de asa rotativa no monitoramento e mapeamento de cultivos de ciclo curto. 2024. 105f. Dissertação (Mestrado em Geografia) – Universidade Federal de Jataí. Jataí-GO, 2024.

DAPONTE, P. et al. A review on the use of drones for precision agriculture. IOP conference series: earth and environmental science. Ancona - Italy, v.275, p. 01-10, 2019.

DOI: https://iopscience.iop.org/article/10.1088/1755-1315/275/1/012022

DEERING, D.W. et al. Measuring "forage production" of grazing units from Landsat MSS data. In: International Symposium on Remoting Sensing of Environment, 10, Ann Arbor, Proceedings. Ann Arbor, Ml: ERIM, 1975. v.2, p. 1169-1178.

DRONEDEPLOY. (free app available on the App Store). Available at: https://blog.dronedeploy.com/identifying-crop-variability-whats-the-difference-between-ndvi-false-ndvi-and-vari-plant-health-98c380381a33. Access on: Mar. 28 2020.

EARTH OBSERVING SYSTEM. Índices de vegetação para impulsionar soluções digitais. 2022. Available at: https://eos.com/pt/blog/indices-de-vegetacao/. Access on: Jul. 23 2022.

ESRI - ENVIRONMENTAL SYSTEMS RESEARCH INSTITUTE. ArcGIS PRO® ESRI, 2024. (licensed to the first author of this research – Universidade Federal de Jataí – UFJ).

FAVARIN, J. L. et al. Equações para a estimativa do índice de área foliar do cafeeiro. Pesquisa Agropecuária Brasileira, Brasília, v.37, n.6, p.769-773. jun. 2002. DOI: https://doi.org/10.1590/S0100-204X2002000600005

GITELSON, A.A. et al. Remote estimation of leaf area index and green leaf biomass in maize canopies. Geophysical Research Letters, v.30, n.5, p.52(1-4), 2003. DOI: https://doi.org/10.1029/2002GL016450

LINHARES, M. M. A. Uso de veículo aéreo não tripulado na determinação de índice de vegetação em área de pastagem em Nova Mutum-MT. 2016. 121 f. Dissertação (Mestrado em Geografia) - Universidade Federal de Goiás, Goiânia-GO, 2016.

MAIMAITIJIANG, M. et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning. Remote Sensing of Environment, v.237, 111599, 2020. https://doi.org/10.1016/j.rse.2019.111599

MOREIRA, L. C. J. et al. Variabilidade local e regional da evapotranspiração estimada pelo algoritmo SEBAL. Engenharia Agrícola, Jaboticabal, v30, n.06, p.1148-1159. Nov/dez 2010. DOI: https://doi.org/10.1590/S0100-69162010000600015

NASCIMENTO, C. A. C. Avaliação de índices de vegetação como alternativa para estimativa de rendimento de óleo de soja para produção de biocombustível em várzea no estado do Tocantins. 2018. 119f. Dissertação (Mestrado em Agroenergia) – Universidade Federal do Tocantins, Programa de Pós-Graduação em Agroenergia, Palmas-TO, 2018.

OLIVEIRA, E. A. Métodos para análise de concordância: estudo de simulação e aplicação a dados de evapotranspiração. 2016, 177 f. Tese (Doutorado em Ciências) – Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo. Piracicaba - SP, 2016.

OLIVEIRA NETO, D. Índices de vegetação, rendimento de grãos e seus componentes em soja, em área com avaliação de agentes de controle biológico. 2020. 160f. Dissertação (Mestrado em Agricultura de Precisão) – Universidade Federal de Santa Maria. Santa Maria – RS, 2020.

RESENDE, D. B. et al. Uso de imagens tomadas por aeronaves remotamente pilotadas para detecção da cultura do milho infestada por Spodoptera frugiperda. Revista Brasileira de Geografia Física. v.13, n.01, p.156-166, 2020. DOI: https://doi.org/10.26848/rbgf.v13.1.p156-166

RODRIGUES, J. A. S. et al. Cultivo do sorgo. EMBRAPA milho e sorgo, Brasília, 2012. Available at: https://www.spo.cnptia.embrapa.br/conteudo?p_p_id=conteudoportlet_WAR_sistemasdeproducaolf6_1ga1ceportlet&p_p_lifecycle=0&p_p_state=normal&p_p_mode=view&p_p_col_id=column-1&p_p_col_count=1&p_r_p_-76293187_sistemaProducaoId=3809&p_r_p_-996514994_topicoId=3530. Access on: Mar. 28 2021.

SCHWALBERT, R. A. et al. 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

USGS - UNITED STATES GEOLOGICAL SURVEY. Earth Explorer - Downloads de imagens Sentinel 2A. Available at: https://earthexplorer.usgs.gov/. Access on: Jul. 23 2022.

WILLMOTT, C. J. et al. Statistics for the evaluation of model performance. Journal of Geophysical Research, v.90, n.C5, p.8998-9005, 1985.

ZHAO, Y. et al. Predicting wheat yield at the field scale by combining high-resolution Sentinel-2 satellite imagery and crop modelling. Remote Sensing, v.12, p.1-20, 2020. DOI: https://doi.org/10.3390/rs12061024

Downloads

Publicado

2025-05-17

Edição

Seção

Artigos

Como Citar

Martins, A. P., Morais, N. G. ., Damasceno, C. E., & Silva, Áquila L. O. da. (2025). Uso de drones no monitoramento agrícola: geração de índice de vegetação com câmera RGB em cultivos de sorgo. Revista Do Departamento De Geografia, 45, e224356 . https://doi.org/10.11606/eISSN.2236-2878.rdg.2025.224356