Uso de sensores orbital e terrestre na delimitação de zonas de manejo em vitivinicultura de precisão

Abstract

Zonas homogêneas (ZH) em vinhedos foram definidas utilizando-se quatro índices de vegetação derivados de sensores proximal (Crop Circle ACS 430) e orbital (imagens de satélite PlanetScope) ao longo de três safras (2017 a 2019). O objetivo foi subdividir um vinhedo cv. Chardonnay, localizado em Espírito Santo do Pinhal – SP, em setores com características uniformes de vigor vegetativo para otimizar o manejo utilizando o algoritmo de aprendizado de máquina não supervisionado K-means. Os resultados revelaram padrões consistentes, mas com diferenças significativas nos valores absolutos de reflectância entre as plataformas, devido às distintas larguras de banda e à sensibilidade de cada sensor. Observou-se que o sensor orbital, ao suavizar os ruídos ambientais inerentes às medições de campo, apresentou uma maior estabilidade nos dados. A análise de correlação de Pearson demonstrou que a concordância entre as plataformas é fortemente dependente da homogeneidade da área. A aplicação do algoritmo K-means para delimitar as ZH foi validada pelos métodos do cotovelo, silhueta e PCA, que indicaram consistentemente duas zonas (K=2) como a melhor configuração, oferecendo o equilíbrio ideal entre coesão interna e distinção externa. Embora a subdivisão em três zonas (K=3) ainda mantivesse alguma similaridade, a partir de quatro zonas (K=4) a dissimilaridade entre os dados proximal e orbital foi total. As tecnologias são complementares: o sensor proximal se destaca na captação de variações finas de alta frequência espacial, enquanto o sensor orbital é mais eficaz na produção de mapas de ZH mais suaves e de contornos nítidos, facilitando a visualização das ZH e, consequentemente, a aplicação prática das estratégias de viticultura de precisão.

Homogeneous zones (HZ) in vineyards were defining by using four vegetation indices derived from proximal (Crop Circle ACS 430) and orbital (images from PlanetScope satellite) sensors over three growing seasons (2017 to 2019). The objective was to subdivide the vineyard cv. Chardonnay at Espirito Santo do Pinhal, state of São Paulo, Brazil, into sectors with uniform vegetative vigor characteristics to optimize management through the unsupervised machine learning algorithm K-means. The results revealed consistent patterns but with significant differences in the absolute reflectance values between platforms, due to their distinct spectral bandwidths and sensor sensitivities. It was observed that the orbital sensor, by smoothing environmental noise inherent to field measurements, provided greater data stability. Pearson’s correlation analysis showed that the agreement between platforms was strongly dependent on the homogeneity of the area. The application of the K-means algorithm to delimit the HZs was validated by the elbow, silhouette, and PCA methods, which consistently indicated two zones (K=2) as the optimal configuration, offering the best balance between internal cohesion and external separation. Although subdivision into three zones (K=3) still showed some consistency, from four zones (K=4) onward, dissimilarity between proximal and orbital data became complete. The technologies are complementary: the proximal sensor excels in capturing fine-scale, high-frequency spatial variations, while the orbital sensor is more effective in generating smoother, well-defined maps of homogeneous zones, thus facilitating the visualization of HZs and the practical application of precision viticulture.