UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO” FACULDADE DE ENGENHARIA CAMPUS DE ILHA SOLTEIRA ELTON JOSÉ SANT’ANA FERREIRA AVALIAÇÃO DE ÍNDICES DE VEGETAÇÃO PARA ESTIMATIVA DE PRODUTIVIDADE DO MILHO EM SISTEMAS DE MANEJO DO SOLO NO CERRADO Ilha Solteira 2020 ELTON JOSÉ SANT’ANA FERREIRA AVALIAÇÃO DE ÍNDICES DE VEGETAÇÃO PARA ESTIMATIVA DE PRODUTIVIDADE DO MILHO EM SISTEMAS DE MANEJO DO SOLO NO CERRADO. Dissertação apresentada à Faculdade de Engenharia de Ilha Solteira da Universidade Estadual Paulista “Júlio de Mesquita Filho” - UNESP, como parte dos requisitos para obtenção do título de mestre em Agronomia. Prof. Dr. Rafael Montanari Orientador Prof. Dr. Élcio Hiroyoshi Yano Coorientador Ilha Solteira 2020 Ferreira AVALIAÇÃO DE ÍNDICES DE VEGETAÇÃO PARA ESTIMATIVA DE PRODUTIVIDADE DO MILHO EM SISTEMAS DE MANEJO DO SOLO NO CERRADOIlha Solteira2020 193 Sim Dissertação (mestrado)Engenharia AgronômicaMecanização Agrícola e Agricultura de PrecisãoSim . . . FICHA CATALOGRÁFICA Desenvolvido pelo Serviço Técnico de Biblioteca e Documentação Ferreira, Elton José Sant'Ana. Avaliação de índices de vegetação para estimativa de produtividade do milho em sistemas de manejo do solo no cerrado / Elton José Sant'Ana Ferreira. -- Ilha Solteira: [s.n.], 2020 193 f. : il. Dissertação (mestrado) - Universidade Estadual Paulista. Faculdade de Engenharia de Ilha Solteira. Área de conhecimento: Sistemas de Produção, 2020 Orientador: Rafael Montanari Coorientador: Élcio Hiroyoshi Yano Inclui bibliografia 1. Mecanização agrícola. 2. Agricultura de precisão. 3. Reflectância. 4. Fotogrametria. 5. Estimativa de produção. 6. Estrutura física do solo. F383a UNIVERSIDADE ESTADUAL PAULISTA Câmpus de Ilha Solteira CERTIFICADO DE APROVAÇÃO TÍTULO DA DISSERTAÇÃO: “AVALIAÇÃO DE ÍNDICES DE VEGETAÇÃO PARA ESTIMATIVA DE PRODUTIVIDADE DO MILHO EM SISTEMAS DE MANEJO DO SOLO NO CERRADO” AUTOR: ELTON JOSÉ SANT'ANA FERREIRA ORIENTADOR: RAFAEL MONTANARI COORIENTADOR: ELCIO HIROYOSHI YANO Aprovado como parte das exigências para obtenção do Título de Mestre em AGRONOMIA, área: Sistemas de Produção pela Comissão Examinadora: Prof. Dr. ELCIO HIROYOSHI YANO Departamento de Fitossanidade, Engenharia Rural e Solos / Faculdade de Engenharia de Ilha Solteira - UNESP Prof. Dr. MARCELO CARVALHO MINHOTO TEIXEIRA FILHO Departamento de Fitossanidade, Engenharia Rural e Solos / Faculdade de Engenharia de Ilha Solteira - UNESP Prof. Dr. LUIZ SERGIO VANZELA Campus de Fernandópolis / Universidade Brasil Ilha Solteira, 25 de agosto de 2020 Faculdade de Engenharia - Câmpus de Ilha Solteira - Av. Brasil Centro, 56, 15385000, Ilha Solteira - São Paulo www.feis.unesp.br/#!/ppgaCNPJ: 48.031.918/0015-20. http://www.feis.unesp.br/%23!/ppgaCNPJ DEDICATÓRIA Dedico este trabalho a minha esposa Viviâne e filha Isabela (minhas meninas), que são ESSENCIAIS em minha vida e foram determinantes para a conclusão de mais esta etapa. Agradeço imensamente a compreensão pelas ausências e por todo o suporte e dedicação para que eu não desistisse, AMO VOCÊS! Á Minha Mãe, que sempre me incentivou e é a única responsável por TUDO, inclusive pela continuidade de meus estudos. Sempre presente em qualquer ocasião, OBRIGADO POR TUDO MINHA MÃE, TE AMO! AGRADECIMENTOS À DEUS, a minha eterna gratidão. Agradeço ao orientador e amigo Prof. Dr. Elcio Hiroyoshi Yano, pela orientação, paciência, dedicação e disposição tornando possível a conclusão deste trabalho e ao Prof. Dr. Rafael Montanari, pela disponibilidade e confiança. Agradeço a todos os professores do PPGA pelos ensinamentos e informações adquiridas neste curso, especialmente ao Professor Marcelo Minhoto (amigo de longa data). Agradeço aos amigos do PPGA, Renan Tavanti e Diego Feitosa, pela amizade e companheirismo. Aos amigos Fernando Mauro, Luiz Vanzela, Rodrigo Braga, José Paulo Vanzela, Silvonei Mendonça e Reginaldo Leandro pela contribuição ao meu desenvolvimento, assim como os todos os colegas, amigos e familiares que de alguma maneira fizeram parte da minha vida e formação. Agradeço a todos os funcionários da FEPE UNESP que estiveram sempre disponíveis e possuem parte importante nos resultados alcançados neste trabalho. Agradeço as empresas AGe Engenharia & Consultoria – Grupo Agroprecisão Engenharia Ltda e POLO MS Geotecnologias Ltda, por todo auxílio prestado e disponibilização de mão de obra, equipamentos e softwares imprescindíveis a execução dos trabalhos Aos amigos de trabalho da Usina Santa Adélia que me acolheram tão bem, em especial a Engª Agrônoma Maria José de Almeida. Muito Obrigado por acreditar. Aos amigos Donizete Beije, Luiz Cremonez, Luciane Salesse, Carolina Minotti, Naraiane Silva, Luiz Elástico, Anderson Barbieri, Luiz Quadrado, Antônio Barbosa, Waldir Arantes, Juciano Ferrai, Helton Carlos, Sérgio Senegalha, João Carlos, Célia Regina, entre outros que neste último ano participaram do meu dia a dia e proporcionaram uma ótima convivência e condições para que eu conseguisse realizar meu trabalho do dia a dia e consequentemente finalizar este curso. Muito obrigado a TODOS! A dificuldade é um severo instrutor. Edmund Burke. AVALIAÇÃO DE ÍNDICES DE VEGETAÇÃO PARA ESTIMATIVA DE PRODUTIVIDADE DO MILHO EM SISTEMAS DE MANEJO DO SOLO NO CERRADO RESUMO O crescimento populacional associado a altas demandas de alimentos pressionam o setor agrícola gerando competitividade e aumento na produção. Neste contexto, é constante a busca por tecnologias que permitam aumentar a produtividade de maneira sustentável e o manejo dos solos ganha espaço como prática agrícola, em especial nos solos do cerrado. Com a modernização da agricultura, impactos negativos associados a más práticas resultaram na degradação e perda de potencial produtivo para os solos do cerrado. A evolução computacional e popularização de tecnologias contribui na busca de ferramentas mais eficientes para o monitoramento agrícola. Os veículos aéreos não tripulados - VANTs embarcados com sensores e a partir de práticas de geoprocessamento demonstram agilidade na aquisição de dados com precisão e baixo custo. A pesquisa objetivou avaliar o comportamento espectral da cultura do milho nas fases fenológicas, V4, V10 e R1 a partir de oito índices de vegetação - IVs (SR; NDVI; RVI; GNDVI; CLGreen; SAVI; EVI e ICF) assim como a produtividade do milho como indicativo de produção em um Latossolo Vermelho Distroférrico típico (LVd), de textura argilosa, todos em função de 8 sistemas de manejo dos solos: SPDC – sistema plantio direto contínuo de 24,5 anos; CM/SPD – cultivo mínimo seguido de 10 safras consecutivas com SPD, e o mesmo para o GP/SPD – preparo convencional do solo com grade pesada e AA/SPD - arado de aiveca; CMC - cultivo mínimo, GPC - preparo convencional do solo com grade pesada; AAC - arado de aiveca contínuo de 10ª safra e PR - preparo reduzido de 2ª safra, todos com 4 repetições. Os atributos e componentes de produtividade foram: BIO R1 e BIO Final – Biomassa de planta de milho em R1 e no momento da colheita (R6); MS R1 e MS Final – Matéria seca de planta de milho em R1 e no momento da colheita (R6); PG – Produtividade de grãos secos; M1000 – Massa de 1000 grãos; ALT – Altura de planta; ALT 1ª ESP – Altura de inserção de 1ª espiga; DIA Colmo - Diâmetro colmo de planta de milho; N ESP – Número de espigas por planta de milho. O manejo GP/SPD apresentou resultado 17,6% maior que AAC e 14,0% maior que GPC para PG e a BIO Final e MS Final apresentou 19,3% e 19,7% superiores ao AAC para o manejo CM/SPD. Os IVs avaliados foram submetidos a correlação de Pearson, gerando 11.832 modelos. Equações de regressão demonstraram a eficácia dos IVs para a detecção de diferenças radiométricas associadas aos atributos de produtividade em função dos manejos. Os melhores modelos obtiveram coeficientes de determinação R² de: BIO R1 0,72; MS R1 0,69; BIO final 0,78; MS final 0,85; PG 0,82; M1000 0,66; ALT 0,90; ALT 1ª ESP 0,90; N ESP 0,75; DIA Colmo 0,71. Dentre os índices utilizados, os que possuem correção de cobertura de solo e resistência aos aerossóis, como SAVI e EVI, foram mais eficazes, principalmente na antecipação de resultados, permitindo a estimativa de atributos ainda nas fazes V4 e V10.. O SAVI foi índice mais eficiente para predição de produtividade de Biomassa e Grãos de milho em R6, antecipando o imageamento em V4. Palavras-chave: Uso sustentável. Sistemas de produção. Agricultura de precisão. Estrutura física do solo. Monitoramento. Estimativa de produção. Reflectância. Mecanização agrícola. Fotogrametria. EVALUATION OF VEGETATION INDICES FOR ESTIMATING MAIZE PRODUCTIVITY IN SOIL MANAGEMENT SYSTEMS IN THE BRAZILIAN CERRADO ABSTRACT Population growth associated with high food demands puts pressure on the agricultural sector, generating competitiveness and increased production. In this context, the search for technologies that allow to increase productivity in a sustainable way is constant and soil management gains space as an agricultural practice, especially in the Brazilian Cerrado soils. With the modernization of agriculture, negative impacts associated with bad practices resulted in degradation and loss of productive potential for the Cerrado soils. The computational evolution and popularization of technologies contributes to the search for more efficient tools for agricultural monitoring. Unmanned aerial vehicles - UAVs shipped with sensors and using geoprocessing practices demonstrate agility in the acquisition of data with precision and low cost. The research aimed to evaluate the spectral behavior of the corn crop in the phenological phases, V4, V10 and R1 from eight IVs (SR; NDVI; RVI; GNDVI; CLGreen; SAVI; EVI and ICF) as well as the corn productivity as indicative of production in a typical Dystrophic Red Latosol (LVd), with a clay texture, all according to 8 soil management systems: SPDC - 24.5 years continuous no-tillage system; CM/SPD - minimum cultivation followed by 10 consecutive harvests with SPD, and the same for GP/SPD - conventional soil preparation with heavy harrow and AA/SPD - moldboard plow; CMC - minimum cultivation, GPC - conventional tillage with heavy harrow; AAC - continuous moldboard plow of 10th harvest and PR - reduced preparation of 2nd harvest, all with 4 repetitions. The attributes and components of productivity were: BIO R1 and BIO Final - Corn plant biomass in R1 and at harvest (R6); MS R1 and MS Final - Dry matter of corn plant in R1 and at the time of harvest (R6); PG - Productivity of dry grains; M1000 - Mass of 1000 grains; ALT - Height of plant; ALT 1ª ESP - Height of insertion of 1st ear; DIA Colmo - Corn plant stem diameter; N ESP - Number of ears per corn plant. The GP/SPD management showed a result 17.6% higher than AAC and 14.0% higher than GPC for PG and the BIO Final and MS Final showed 19.3% and 19.7% higher than AAC for CM/SPD management. The evaluated IVs were submitted to Pearson's correlation, generating 11,832 models. Regression equations demonstrated the effectiveness of IVs for detecting radiometric differences associated with the productivity attributes as a function of management. The best models obtained coefficients of determination R² of: BIO R1 0.72; MS R1 0.69; BIO Final 0.78; MS Final 0.85; PG 0.82; M1000 0.66; ALT 0.90; ALT 1ª ESP 0.90; N ESP 0.75; DIA Colmo 0.71. Among the indexes used, those that have correction of soil cover and resistance to aerosols, such as SAVI and EVI, were more effective, mainly in the anticipation of results, allowing the estimation of attributes even in stages V4 and V10. SAVI was an index more efficient to predict productivity of Biomass and Corn grains in R6, anticipating imaging in V4. Keywords: Sustainable use. Production systems. Precision agriculture. Physical soil structure. Monitoring. Production estimate. Reflectance. Agricultural mechanization. Photogrammetry. LISTA DE ABREVIATURAS E SIGLAS ANOVA - análise de variância CLGreen - green chlorophyll index CLGreen – índice de clorofila na banda do verde CNSS - compass navigation satelllite system CV% - coeficiente de variação C-WAAS - canadian-WAAS EGNOS - european geostationary navigation overlay servisse EVI - enhanced vegetation index GAGAN - GPS and GEO augmented navigation GLONASS - global’naya navigatsionnaya sputnikkovaya sistema GNDVI - normalized difference vegetation index using the green band GNSS - global navigation satellite system GPS - global positioning System GSA - european global navigation satellite systems agency ha - hectares IAF - índice de área foliar IoT - internet of things IBGE - instituto brasileiro de geografia e estatística ICF - índice de clorofila foliar IRNSS - indian regional navigation satellite system IV - índice de vegetação m² - metros quadrados MSAS - satellite based augmentation system M2M - comunicação máquina para máquina NAVISTAR - navigation system using time and ranging NAVSAT - navy navigation satellite system ND - número digital NDVI - normalized difference vegetation index NIR - near infra red nm - nanômetros QZSS - quasi-zenith satellite system REM - radiação eletromagnética RGB - red, green, blue RP - resistência a penetração RPA - aeronave remotamente pilotada RVI - ratio vegetation index SAVI - soil adjusted vegetation index SBAS - space-based augmentation systems SIRGAS2000 - sistema de Referência Geocêntrico para as Américas SNAS - chinese satellite navigation augmentation system SPDC - sistema plantio direto SR - sensoriamento remoto SR - simple ratio UAV - unmanned aerial vehicles VANT - veículo aéreo não tripulado WASS - wide area augmentation system LISTA DE EQUAÇÕES 1 – SR - Índice de vegetação de razão simples......................................................................... 32  2 – NDVI - Índice de vegetação por diferença normalizada ................................................... 32  3 – RVI - Índice de vegetação reverso .................................................................................... 33  4 – GNDVI - Índice de vegetação por diferença normalizada na banda do verde ................... 34  5 – CLGreen - Índice verde de clorofila ................................................................................... 34  6 – SAVI - Íncide de vegetação ajustado ao solo .................................................................... 35  7 – EVI - Índice de vegetação melhorado ................................................................................ 36  LISTA DE FIGURAS Figura 1 - Reflectância espectral característica de folha sadia típica. ..................................... 30  Figura 2 - Precipitação, temperatura máxima, mínima e média mensais durante o ciclo das plantas de cobertura e do milho cultivado em Latossolo Vermelho Distroférrico típico (LVd). .................................................................................................................................................. 52  Figura 3 - Representação de parcelas dos tratamentos de manejo e preparo dos solos sobre ortofoto georrefenciada obtida por VANT. .............................................................................. 53  Figura 4 – Cultivo mínimo contínuo CMC – Implemento de arrasto com 5 hastes e rolo destorroador, safra de verão 2018/2019. .................................................................................. 55  Figura 5 - Cultivo mínimo contínuo CMC – Operação de escarificação com Implemento de arrasto com 5 hastes e rolo destorroador, safra de verão 2018/2019. ....................................... 55  Figura 6 - Preparo convencional do solo com grade pesada - GPC: Preparo primário efetuado com grade pesada de 14 discos recortados com diâmetro de 32” x 9,0 mm, safra de verão 2018/2019. ................................................................................................................................ 56  Figura 7 - Preparo convencional do solo com grade pesada - GPC: Resultado do preparo primário efetuado com grade pesada de 14 discos recortados com diâmetro de 32” x 9,0 mm, safra de verão 2018/2019. ......................................................................................................... 56  Figura 8 - Preparo convencional do solo com grade pesada - GPC: Preparo secundário com grade de 32 discos com diâmetro de 22” para destorroamento do solo, safra de verão 2018/2019. .................................................................................................................................................. 57  Figura 9 - Preparo convencional do solo com grade pesada - GPC: Segunda operação de grade pesada efetuado com grade pesada de 14 discos recortados com diâmetro de 32” x 9,0 mm, safra de verão 2018/2019. ......................................................................................................... 57  Figura 10 - Preparo convencional do solo com grade pesada - GPC: Resultado final após a segunda operação de grade pesada, safra de verão 2018/2019................................................. 58  Figura 11 - Arado de aiveca contínuo - AAC: Preparo primário efetuado com arado aiveca marca Ikeda, modelo MF 3 R, composto por três aivecas modelo recortadas, safra de verão 2018/2019. ................................................................................................................................ 58  Figura 12 - Arado de aiveca contínuo - AAC: Preparo secundário com grade de 32 discos com diâmetro de 22” para destorroamento do solo safra de verão 2018/2019. ............................... 59  Figura 13 - Preparo reduzido - PR: Preparo primário efetuado com grade de 32 discos com diâmetro de 22” e preparo secundário com operação de escarificação realizada utilizando implemento de arrasto com 5 hastes, safra de verão 2018/2019. ............................................. 59  Figura 14 - Visão geral da área experimental: Tratamento convencional e conservacionista. safra de verão 2018/2019. ......................................................................................................... 60  Figura 15 - Material vegetal proveniente de cultura de aveia preta (Avena strigosa L.) cultivada no inverno de 2018 para cobertura do solo............................................................................... 60  Figura 16 - Visão geral da área experimental: Área semeada em com milho híbrido AG 8088 VTPRO 2 em 13/12/2018. safra de verão 2018/2019. ............................................................. 61  Figura 17 - Avaliações: Analisador de umidade de impurezas. .............................................. 62  Figura 18 – Avaliação da variável Resistência a Penetração – RP, utilizando penetrômetro eletrônico portátil modelo SoloTrack, marca Falker Automação Agrícola.............................. 63  Figura 19 - Área experimental: Colheita mecanizada do milho realizada em 18/05/2019. .... 63  Figura 20 - Comportamento das variáveis a) RP – resistência a penetração e b) UG – umidade gravimétrica no perfil do solo em função dos manejos convencionais AAC e GPC. .............. 66  Figura 21 - Comportamento das variáveis c) RP – resistência a penetração e d) UG – umidade gravimétrica no perfil do solo em função dos manejos convencionais AA/SPD e GP/SPD. .. 66  Figura 22 - Comportamento das variáveis e) RP – resistência a penetração e f) UG – umidade gravimétrica no perfil do solo em função dos manejos conservacionistas CMC e PR. ........... 66  Figura 23 - Comportamento das variáveis g) RP – resistência a penetração e h) UG – umidade gravimétrica no perfil do solo em função dos manejos conservacionistas SPDC e CM/SPD. 67  Figura 24 - Precipitação, temperatura máxima, mínima e média mensais durante o ciclo das plantas de cobertura e do milho cultivado em Latossolo Vermelho Distroférrico típico (LVd). .................................................................................................................................................. 81  Figura 25 - Representação de parcelas dos tratamentos de manejo e preparo dos solos sobre ortofoto georrefenciada obtida por VANT. .............................................................................. 82  Figura 26 - Visão geral da área experimental: Área semeada em com milho híbrido AG 8088 VTPRO 2 em 13/12/2018. safra de verão 2018/2019. ............................................................. 84  Figura 27 - Receptor geodésico de frequência L1/L2 Sokkia GRX1, estacionado em ponto de apoio básico e localização topográfica das subparcelas para amostragem de dados utilizando tecnologia RTK. ....................................................................................................................... 85  Figura 28 - Veículo aéreo não tripulado - VANT, marca Sensefly, modelo eBee. ................. 85  Figura 29 - Câmera Canon S110 Chdk RED+NIR com dois espectros, vermelho e infravermelho próximo e câmera SenseFly S.O.D.A – RGB. .................................................. 86  Figura 30 - Planejamento de voo utilizando software eMotion3 SenseFly. ............................ 86  Figura 31 - Visão geral da área experimental em no estágio V4 e alvo demarcado no solo utilizando marco de aço para georreferenciamento e calcário para visualização em imagem digital. ....................................................................................................................................... 87  Figura 32 - Imagens digitais RGB e NDVI obtidas nas fases fenológicas do milho, V4, V10 e R1. .......................................................................................................................................... 101  Figura 33 - Imagens digitais SR, RVI e GNDVI obtidas nas fases fenológicas milho, V4, V10 e R1. ........................................................................................................................................ 102  Figura 34 - Imagens digitais CLGreen, SAVI e EVI obtidas nas fases fenológicas milho, V4, V10 e R1. ................................................................................................................................ 104  Figura 35 - Modelos de predição para os atributos: a) BIO R1 – Biomassa de planta de milho em R1; MS R1; b) Matéria seca de planta de milho em R1; c) BIO Final - Biomassa de planta de milho na colheita (R6) e d) MS Final - Matéria seca de planta de milho na colheita (R6). ...... 108  Figura 36 - Modelos de predição para os atributos: e) PG – Produtividade de grãos secos; f) M1000 – Massa de 1000 grãos; g) ALT – Altura de planta; h) ALT 1ª ESP – Altura de inserção de 1ª espiga; i) DIA Colmo - Diâmetro colmo de planta de milho; j) N ESP – Número por planta de milho). .................................................................................................................................... 109  LISTA DE TABELAS Tabela 1 - Atributos químicos do solo na área experimental, antes da instalação do experimento, profundidade 0,0 – 0,20m para cada um dos tratamentos de manejo dos solos. 51  Tabela 2 - Valores de F calculados, coeficientes de variação (CV) médias de RP - Resistência mecânica a penetração avaliada após colheita do milho nas profundidades de 0 – 0,6m em função de sistemas de manejo do solo (M)............................................................................... 65  Tabela 3 - Desdobramento da interação Manejo (M) e Épocas (E) - Valores de F calculados, coeficientes de variação (CV) e médias de biomassa e matéria seca de plantas de milho cultivadas em função de sistemas de manejo do solo (M) e estádios fenológico. .................... 68  Tabela 4 - Valores de F calculados, coeficientes de variação (CV) médias de altura média de plantas, altura média de inserção de 1ª espiga e Diâmetro médio de colmo de planta de milho em função de sistemas de manejo do solo (M). ........................................................................ 69  Tabela 5 - Valores de F calculados, coeficientes de variação (CV) médias de número de espigas por planta de milho, massa de 1000 grãos e produtividade de grãos de milho cultivado em função de sistemas de manejo do solo (M)............................................................................... 70  Tabela 6 - Valores de F calculados, coeficientes de variação (CV) e médias de população inicial de plantas de milho, população final e taxa de sobrevivência em função de sistemas de manejo do solo (M). .............................................................................................................................. 71  Tabela 7 - Valores de F calculados, coeficientes de variação (CV) e médias de biomassa e matéria seca de plantas de milho cultivadas em função de sistemas de manejo do solo (M). . 72  Tabela 8 - Atributos químicos do solo na área experimental, antes da instalação do experimento, profundidade 0,0 – 0,20m para cada um dos tratamentos de manejo dos solos. 80  Tabela 9 - Relação de índices de vegetação e respectivas equações utilizados no estudo. ..... 88  Tabela 10 - Valores de F calculados, coeficientes de variação (CV) e médias de SR total e SR médio para as sub-parcelas de plantas de milho cultivadas em função de sistemas de manejo do solo (M) e estádios fenológicos de desenvolvimento (E). ........................................................ 90  Tabela 11 - Valores de F calculados, coeficientes de variação (CV) e médias de SR mínimo e SR máximo para as sub-parcelas de plantas de milho cultivadas em função de sistemas de manejo do solo (M) e estádios fenológicos de desenvolvimento (E). ...................................... 91  Tabela 12 - Valores de F calculados, coeficientes de variação (CV) e médias de NDVI mínimo e NDVI total para as sub-parcelas de plantas de milho cultivadas em função de sistemas de manejo do solo (M) e estádios fenológicos de desenvolvimento (E). ...................................... 92  Tabela 13 - Valores de F calculados, coeficientes de variação (CV) e médias de valores de NDVI máximo e NDVI médio de plantas de milho cultivadas em função de sistemas de manejo do solo (M) e estádios fenológicos de desenvolvimento (E). ................................................... 94  Tabela 14 - Valores de F calculados, coeficientes de variação (CV) e médias de valores de RVI total e RVI médio de plantas de milho cultivadas em função de sistemas de manejo do solo (M) e estádios fenológicos de desenvolvimento (E). ....................................................................... 95  Tabela 15 - Valores de F calculados, coeficientes de variação (CV) e médias de valores de RVI mínimo e RVI total de plantas de milho cultivadas em função de sistemas de manejo do solo (M) e estádios fenológicos de desenvolvimento (E). ............................................................... 96  Tabela 16 - Valores de F calculados, coeficientes de variação (CV) e médias de valores de GNDVI total, GNDVI médio e GNDVI máximo de plantas de milho cultivadas em função de sistemas de manejo do solo (M) e estádios fenológicos de desenvolvimento (E). ................... 97  Tabela 17 - Valores de F calculados, coeficientes de variação (CV) e médias de valores de CLGreen total, CLGreen médio e CLGreen máximo de plantas de milho cultivadas em função de sistemas de manejo do solo (M) e estádios fenológicos de desenvolvimento (E). .............. 98  Tabela 18 - Valores de F calculados, coeficientes de variação (CV) e médias de valores de SAVI médio, SAVI mínimo e SAVI total de plantas de milho cultivadas em função de sistemas de manejo do solo (M) e estádios fenológicos de desenvolvimento (E). ................................. 99  Tabela 19 - Valores de F calculados, coeficientes de variação (CV) e médias de valores de EVI médio e EVI total de plantas de milho cultivadas em função de sistemas de manejo do solo (M) e estádios fenológicos de desenvolvimento (E). ..................................................................... 100  Tabela 20 - Coeficientes de correlação de Pearson entre os componentes de produtividade, atributos fitotécnicos do milho e índices de vegetação máximos, mínimos, médios e totais nos estádio de desenvolvimento do milho V4 para o tratamento de manejo dos solos CM/SPD. 105  Tabela 21 - Coeficientes de determinação (R²) para os atributos fitotécnicos e componentes de produtividade da cultura do milho em função dos manejos, épocas de imageamento e índice de vegetação. ............................................................................................................................... 106  Tabela 22 – Índices de vegetação (IV) de melhor desempenho para predição de atributos fitotécnicos e componentes de produtividade da cultura do milho em função dos manejos e épocas de imageamento. ......................................................................................................... 107  SUMÁRIO 1   REVISÃO BIBLIOGRÁFICA ..................................................................................... 19  1.1  CULTURA DO MILHO, IMPORTÂNCIA E PRODUÇÃO NACIONAL .................... 19  1.2  SOLOS DO CERRADO ................................................................................................... 20  1.3  SISTEMAS DE MANEJO ............................................................................................... 21  1.4  INOVAÇÕES TECNOLÓGICAS NA AGRICULTURA ............................................... 23  1.4.1 Agricultura de Precisão - AP ....................................................................................... 25  1.4.2 Veículos aéreos não tripulados - VANTs .................................................................... 27  1.5  SENSORIAMENTO REMOTO ...................................................................................... 28  1.6  COMPORTAMENTO ESPECTRAL DA VEGETAÇÃO .............................................. 28  1.7  ÍNDICES DE VEGETAÇÃO ........................................................................................... 31  1.7.1  Índice de vegetação de razão simples – SR ................................................................. 32  1.7.2  Índice de vegetação por diferença normalizada – NDVI ........................................... 32  1.7.3  Índice de vegetação reverso – RVI .............................................................................. 33  1.7.4  Índice de vegetação por diferença normalizada na banda do verde – GNDVI ....... 34  1.7.5  Índice clorofila total – CLGreen .................................................................................. 34  1.7.6  Índice de vegetação ajustado ao solo – SAVI ............................................................. 35  1.7.7  Índice de vegetação melhorado – EVI ......................................................................... 35  1.7.8  Índice de clorofila foliar – ICF ..................................................................................... 37  REFERÊNCIAS ............................................................................................................. 38  2  PRODUTIVIDADE DO MILHO EM SISTEMAS DE MANEJO E REINTEGRAÇÃO DO PLANTIO DIRETO NOS SOLOS DO CERRADO ......... 47  2.1  INTRODUÇÃO ................................................................................................................ 49  2.2  MATERIAIS E MÉTODOS ............................................................................................. 51  2.3  RESULTADOS E DISCUSSÃO ..................................................................................... 64  2.4  CONCLUSÃO .................................................................................................................. 72  REFERÊNCIAS ............................................................................................................. 74  3   AVALIAÇÃO DE ÍNDICES DE VEGETAÇÃO PARA ESTIMATIVA DE PRODUTIVIDADE DO MILHO ................................................................................ 76  3.1  INTRODUÇÃO ................................................................................................................ 78  3.2  MATERIAL E MÉTODOS .............................................................................................. 79  3.3  RESULTADOS E DISCUSSÃO ..................................................................................... 89  3.4  CONCLUSÃO ................................................................................................................ 110  REFERÊNCIAS ........................................................................................................... 111  APÊNDICE A - COEFICIENTES DE CORRELAÇÃO DE PERSON .................. 113  APÊNDICE B - PROCESSAMENTO DE DADOS FOTOGRAMÉTRICOS ....... 137  19 1 REVISÃO BIBLIOGRÁFICA 1.1 CULTURA DO MILHO, IMPORTÂNCIA E PRODUÇÃO NACIONAL O milho (Zea mays L.) é considerada uma das culturas agrícolas de maior importância no mundo. É utilizado em larga escala na alimentação animal e humana, principalmente por ser extremamente eficiente na acumulação de energia na forma de calorias. Este aspecto incentiva cada vez mais o aumento de produção em uma mesma unidade de área (PATERNIANI et al., 2000; BALDO, 2007). De acordo com Miranda (2018), a produção mundial ultrapassou 1 bilhão de toneladas nas últimas décadas, reafirmando a importância do milho para a cadeia de produção de alimentos. No Brasil, em 2019, dados indicavam elevação de 37% na produção em comparação a 2018, com projeções de 98,7 milhões de toneladas paras as duas safras e aumento de 9,7% de área cultivada (INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍTICA - IBGE, 2019). Dados publicados em junho de 2020 pelo Levantamento Sistemático da Produção Agrícola – LSPA, indicam que a projeção de 2019 foi superada em 1,79 %, alcançando os patamares de 100,5 milhões de toneladas nas duas safras (IBGE. 2020). Para a primeira safra de 2020 a produção de milho alcançou 26,6 milhões de toneladas, cerca de 2,2 % maior que na primeira safra de 2019, com incremento na área plantada de 2,3%. O fato é explicado pela crescente demanda pelo cereal, que manteve os elevados preços em 2019, contribuindo ao aumento de investimentos nas lavouras do milho da primeira safra. Entretanto, foi verificado para o período uma queda de rendimento médio de 1,9% na produção em razão da área colhida que apresentou aumento de 4,1%. Aspectos relacionados a concorrência de áreas disponíveis para plantio de soja, que normalmente apresentam maiores rentabilidades e fatores climáticos desfavoráveis em algumas regiões do país são apontados como limitadores ao aumento de produção (IBGE, 2020). Em razão da atual conjuntura econômica, expectativas mais conservadoras mantem as projeções de produtividade para a segunda safra em cerca de 70,8 milhões de toneladas, contudo, a variação negativa apontada não impacta de forma significativa na importância da produção deste cereal. Segundo a Organização das Nações Unidas - ONU (2019) a população mundial deverá crescer de 7,7 bilhões de pessoas para 8,5 até 2030, 9,7 até 2050 e possíveis 10,9 bilhões em 2100, aumentando a demanda de alimentos. Estes aspectos, aliados a preocupação mundial com uso dos recursos naturais, restrições ao uso dos solos e crescimento acelerado na demanda de 20 alimentos promovem o debate sobre eficiência na produção de milho (SAATH; FACHINELLO, 2018). 1.2 SOLOS DO CERRADO Considerado em extensão o segundo maior bioma brasileiro, estudos já indicam que desde a década de 70, anualmente cerca de 2,2 milhões de hectares deste bioma são convertidos em agricultura (Machado et al, 2004). Apesar dos dados alarmantes, reconhece-se que devido suas características fisiográficas, este bioma é estrategicamente importante para a manutenção da biodiversidade e segurança alimentar. Considerada a savana mais rica em biodiversidade do mundo sua área ocupa cerca de 24% de todo território nacional, e as áreas cultivadas nesta região compreende cerca de 40% da produção nacional de grãos e com participação relevante na produção de bovinos, suínos e aves (EMPRESA BRASILEIRA DE PESQUISA AGROPECUÀRIA - EMBRAPA, 2020). Os solos destas regiões possuem características morfológicas variadas, entretanto, quanto as características químicas, em maioria são ácidos, com altas concentrações de Fe e Al, baixa fertilidade natural e teores médios de M.O de 25 a 30 g kg-1. A variação de cores, texturas, profundidades vão de vermelho escuro a amarelo e são classificados predominantemente como LATOSSOLOS, cerca de 46%, seguido dos ARGISSOLOS e NEOSSOLOS QUARTZARÊNICOS (EMBRAPA, 2018; FERREIRA et al., 2007; ADÁMOLI et al., 1986). Diante das condições anteriormente mencionadas, estes solos foram subaproveitados no passado e com o advento da modernização da agricultura e técnicas de manejo, correções e aplicação de fertilizantes minerais intensificou-se a exploração agrícola. A pressão antrópica associada a práticas de manejos dos solos pouco conservacionistas propiciou o declínio de condições agronômicas, resultando em processos de degradação e perda de potencial produtivo. Considerados adequados a mecanização por serem em maioria profundos e de relevos planos a suavemente ondulados, foram intensamente explorados com práticas de manejo convencionais. Visando o aumento de produtividade torna-se constante a busca pela reintegração das condições agrícolas dos solos do cerrado a partir de sistemas de manejo conservacionistas que visem reestruturar as porções físicas químicas e biológicas deste ambiente. 21 1.3 SISTEMAS DE MANEJO Sistemas de produção são caracterizados pelo conjunto de práticas ou técnicas adotadas no cultivo da cultura e são definidos através de fatores de produção (ALMEIDA, 2017). Hirakuriet et al. (2012) relatam que estes sistemas de produção são classificados dependendo do grau de complexidade e interação entre práticas ou manejos, podendo ser classificados em monocultura, sucessão, rotação, consórcio e integração. São constantes as buscas por técnicas e práticas que permitam a uso mais racional dos solos agrícolas (STEFANOSKI, 2013). Pode- se afirmar que atualmente boa parte dos solos brasileiros são classificados como ambientes frágeis, este fato se deve ao elevado potencial de degradação ou baixa capacidade de uso ou aptidão agrícola em função da elevada erodibilidade e instabilidade decorrentes do uso e manejo adotado (RIBEIRO; MARINHO; ESPINOSA, 2018). Diante dos fatos, Turetta et al. (2017) destacam a importância em explorar as discussões relativas à agricultura sustentável, principalmente no que tange os manejos e alternativas mais adequadas de uso dos solos agrícolas. O manejo do solo é considerado uma das técnicas mais importantes para garantir a sustentabilidade do sistema, podendo ser considerada a atividade que talvez exerça a maior influência nos atributos de qualidade dos solos (HAMZA; ANDERSON, 2005). Souza (2017), descreve que o preparo do solo é o conjunto de operações realizadas com o objetivo de propiciar condições favoráveis à semeadura, ao desenvolvimento e à produção das culturas agrícolas. Dentre as práticas de preparo ou manejo dos solos estão as convencionais e conservacionistas. O sistema plantio direto (SPD) é a prática conservacionista que mais se destaca, uma vez que contribui para a sustentabilidade de sistemas agrícolas intensivos, mantendo a cobertura dos solos, promovendo a manutenção da MO e minimizando efeitos da erosão (ALBUQUERQUE et al., 1995). Outras vantagens também são atribuídas ao SPD. Yano (2005) relata que o SPD possibilita receita extra ao agricultor atribuída ao ganho de tempo na semeadura, cobertura do solo e manutenção dos teores de água na entressafra e economia de combustível no plantio. Santos (2010) e Santos et al. (2011) relatam que na medida em que se intensifica os usos dos solos, estes sofrem alterações sendo estas geralmente adversas ao desenvolvimento das culturas. A estrutura dos solos pode ser avaliada por atributos físicos como densidade, macro e microporosidade, resistência mecânica a penetração, infiltração de água e estabilidade de agregados (AGUIAR, 2008). Reinert et al. (2006) compreendem que os atributos que dão forma aos solos são os indicadores de estrutura, como geometria, aeração, tamanho e continuidade dos poros, infiltração e armazenamento de água. 22 O emprego de tecnologias, como o melhoramento genético, uso de cultivares resistentes, bactérias diazotróficas e sistemas de manejo dos solos são algumas das técnicas responsáveis pela eficiência nos sistemas produtivos (COELHO; RESENDE; SANTOS, 2015). Quanto as condições nutricionais, a adubação nitrogenada do milho, indicadores de qualidade dos solos e disponibilidade de nutrientes para as plantas tem sido constantemente estudada visando otimizar a utilização racional dos recursos naturais. A dose, época de fornecimento do nitrogênio (N), fontes disponíveis e a inoculação de Azospirillum brasilense têm influenciado diretamente a produção de milho (Rosa, 2017). Os resultados são contrastantes em diferentes manejos dos solos, como por exemplo sistemas convencionais e conservacionistas (DUTRA et al., 2015). Aspectos relacionados a compactação dos solos podem ser atribuídos ao manejo, influenciando na produtividade da cultura (BARETA JUNIOR, 2018). Martinazzo (2006) destaca que o maior benefício do SPD é o aumento da matéria orgânica (MO) em função dos impactos promovidos nos indicadores de qualidade dos solos, sendo estes físicos, químicos e biológicos. A conversão do sistema convencional para o SPD promovem contribuições na medida em que os sistema se consolida, destacando o aumento no teor de carbono orgânico total e estabilização da estrutura física e pela formação e manutenção dos agregados (OLIVEIRA et al., 2014; FAVARATO et al., 2015; COLOMBO et al., 2017; SANTOS et al., 2017). Tavares (2016) reportam que para atingir elevados níveis de produtividade os principais meios de inovação tecnológicas estão relacionados ao manejo dos solos. O autor reitera que a utilização do SPD é a forma mais eficiente de produção associada a manutenção da cobertura e estrutura dos solos. Assim como a manutenção da estrutura física pela ausência de revolvimento o SPD também proporciona a permanência de material vegetal em cobertura proveniente das culturas anteriores e de plantas intencionalmente cultivadas como fonte de cobertura. Andreotti (2012) indica que a prática é uma excelente alternativa para aumentar a sustentabilidade dos sistemas de produção, uma vez que pode restituir quantidades consideráveis de nutrientes aos cultivos através da decomposição dos seus resíduos. De acordo com Follet e Schimel (1989), o SPD tende a minimizar o impacto das atividades agrícolas sobre os teores de MO e manter a estrutura do solo uma vez que acumulam MO nas camadas superiores. Contudo, Cattelan e Vidor (1990) relatam que em sistemas convencionais, onde o solo é revolvido, ocorre a distribuição de MO na camada arável propiciando teores de carbono orgânico (CO) em profundidade até maiores que em SPD. Rezende et al. (2004) apresentam que os teores de CO em profundidade podem refletir na 23 atividade e quantidade de biomassa microbiana que está relacionado ao aumento de MO em profundidade. Portanto, é equivocado atestar que manejos convencionais são prejudiciais aos sistemas produtivos uma vez que também são responsáveis por uma série de benefícios. Dentre estes podemos destacar eliminação de camadas compactadas e aumento da infiltração de águas, obtenção de condições favoráveis a semeadura, eliminação de restos culturais e plantas indesejáveis, incorporação de fertilizantes, corretivos e restos culturais. Manejos convencionais realizados de forma inadequada, em época, condição de umidade, intensidade ou com equipamentos inapropriados a aquele fim podem promover severos dados aos solos agrícolas. A compactação superficial ou em profundidade, desequilíbrio físico, químico e biológico, desestruturação física dos solos e processos erosivos são uns dos problemas ocasionados por sistemas de manejo mau conduzidos. De acordo com Andreotti et al. (2009), Latossolos Vermelhos Distroférricos, apresentam maior adensamento superficial devido ao tráfego de máquinas e equipamentos quando submetidos a altos teores de umidade. Montanari (2009), verificou que a partir do dimensionamento da densidade do solo pode ser caracterizado o atributo físico compactação, fazendo parte desta a porosidade total, atribuída à porcentagem de volume em solo não ocupada pelos componentes orgânicos e inorgânicos, a microporosidade, relacionada com o armazenamento de água, e a macroporosidade com responsável pela aeração dos solos. A resistência à penetração - RP é considerada um bom indicativo de compactação do solo e está relacionada ao crescimento radicular (BENGOUGH; MULLINS, 1990). Rosolem et al. (1999) identificaram que RP a partir 1,3 MPa relacionada a umidade e textura dos solos podem reduzir o crescimento das raízes seminais adventícias do milho a 50%. Taylor et al. (1966), indica que o valor de 2,0 MPa pode ser utilizado como limite crítico de RP para cultura do milho. 1.4 INOVAÇÕES TECNOLÓGICAS NA AGRICULTURA Os avanços tecnológicos ocorridos nos últimos 40 anos, associados a políticas públicas adequadas e alta capacidade dos agricultores brasileiros, tornou o Brasil o terceiro maior exportador de alimentos do mundo, ficando atrás somente dos EUA e União Europeia. (EMBRAPA, 2018). Contudo projeções de crescimento populacional ocorrem em escala superior a produção de alimentos no mundo. Dados da ONU (2019) trazem que população mundial deverá crescer 9,7 Bilhões de pessoas até 2050 e possíveis 10,9 bilhões em 2100. Desta forma, o aumento populacional e a demanda de alimentos, associados ao mau uso dos solos 24 agrícolas e degradabilidade destes ambientes, torna importante a busca por tecnologias que busquem reverter este cenário, mitigando impactos da forma mais sustentável possível. Vista como prioridade para a sociedade, a sustentabilidade move a busca de técnicas de produções racionais sendo a bioeconomia um dos destaques no mundo contemporâneo e globalizado. Atuais avanços em tecnologias da informação e da comunicação (TIC) com foco na saúde, qualidade de vida e bem estar da população, possuem cada vez mais caráter estratégico e político para o Brasil e para o mundo (RODRIGUES, 2020) O conceito da Agricultura 4.0 (Agro 4.0) vem tomando destaque nos últimos anos e teve início no movimento Indústria 4.0 a partir da conferência de Hannover ocorrido na Alemanha em 2011. (RODRIGUES, 2020). Indústria 4.0 é definida como a integração de tecnologias, que permitem a transformação de como organizações operam junto com grandes mudanças nos modelos de negócio e processos de fabricação. Dentre as tecnologias propostas ao setor estão a utilização de robôs autônomos, serviços de dados em nuvens, realidade aumentada, análise de grandes bandos de dados, segurança de dados, impressões 3D, internet das coisas (internet of things – IoT), etc. (RIBEIRO; MARINHO; ESPINOSA, 2018). Este movimento iniciado e conceituado em 2011 com as industrias possibilitou o avanço tecnológico também para outros segmentos do setor produtivo, dentre eles a agricultura. O termo Agricultura 4.0 já é amplamente utilizado na academia e no setor de produção. Cada vez mais surgem tecnologias que atendem os princípios conceituados para a Agricultura 4.0. O Agro 4.0, integra tecnologias e soluções analíticas que permitem processar grandes volumes de dados, construindo sistemas de suporte à tomada de decisões de manejo. Entre as soluções pode-se destacar a utilização métodos computacionais de alto desempenho; rede de sensores; comunicação máquina para máquina (M2M); conectividade entre dispositivos móveis e computação em nuvem. (RODRIGUES, 2020) Aumento de produtividade, eficiência e economia no uso de insumos e recursos naturais, redução de mão de obra e custos, qualidade e segurança dos trabalhadores e diminuição dos impactos ambientais são os pilares do conceito Agro 4.0. (RODRIGUES, 2020; MASSRUHÁ; LEITE, 2017). Termos como fazendas inteligentes ou fazendas digitais (smart farm, digital farm) também são encontrados em trabalhos acadêmicos e no mercado de tecnologias. Clercq et al. (2018) destacaram os principais inovações tecnológicas da Agricultura 4.0, dentre eles podemos citar: Agricultura de precisão (AP); uso de drones; agricultura no deserto e oceanos; embalagens sustentáveis; agricultura vertical em ambientes urbanos; modificações genéticas e culturas de carnes com a produção de proteínas a partir hidroponia e cultivo de 25 algas; substituição de biodiversidade com a utilização de micro robôs que podem substituir em parte o papel das abelhas na polinização, entre outras ferramentas futuristas. 1.4.1 Agricultura de Precisão - AP Parte das inovações tecnológicas na agricultura tratam-se ainda de estudos e propostas, porém muita tecnologia já vem sendo aplicada com eficiência. Bernadi et al. (2015) definem a AP como o uso de práticas agrícolas com base nas tecnologias de informação para o tratamento da variabilidade espacial. Gebbers e Adamchuk (2010), caracterizam a AP como início do ciclo que compreende a coleta de dados, análises e processamento das informações, interpretação dos resultados e geração das recomendações para posterior aplicação a campo. Indicada como uma das principais ferramentas da Agro 4.0, a AP iniciou quando os sinais de GPS (Global positioning system) foram disponibilizados para uso civil no final da década de 60. Em 1967 era disponibilizado para uso civil o TRANSIT, conhecido também como NAVSAT (Navy navigation satellite system). Este sistema permitia a determinação de pontos com a precisão da ordem do decímetro utilizando métodos diferenciais de posicionamento, usado principalmente para navegação, controle de redes geodésicas e prospecção de recursos naturais. Substituído posteriormente pelo NAVISTAR (Navigation System Using Time and Ranging) que chegou em seu ápice de satélites em órbita no ano de 1995 com 24 unidades, o uso da tecnologia se intensificou. (ORTH et al., 2004). Concebido em 1991, o GNSS (Global Navigation Satellite System) veio a otimizar os usos dos dados de posicionamento uma vez que permitia a integração de satélites de diferentes sistemas. Atualmente o GNSS é composto por sistemas de navegação operacionais e em fase de implementação, e a utilização está associada a região de levantamento e tecnologia dos receptores de dados. Dentre os principais sistemas integrados no GNSS estão: O norte-americano GPS/NAVISTAR; Russo GLONASS (Global’naya Navigatsionnaya Sputnikkovaya Sistema); Europeu GALILEO (GSA - European Global Navigation Satellite Systems Agency); Chinês COMPASS/BeiDou (CNSS - Compass Navigation Satelllite System); Indiano IRNSS (Indian Regional Navigation Satellite System); Japonês QZSS (Quasi-Zenith Satellite System); sistema de acréscimo para correção SBAS (Space-Based Augmentation Systems); WASS (Wide Area Augmentation System); EGNOS (European Geostationary Navigation Overlay Service); C- WAAS (Canadian-WAAS); MSAS (Satellite Based Augmentation System); SNAS (Chinese 26 Satellite Navigation Augmentation System) e GAGAN (GPS and GEO Augmented Navigation). (HOFMANN-WELLENHOF et al., 2007; CHUJO; WALTER, 2006). Na agricultura, além de possibilitar mapeamentos de precisão, gestão do espaço e regularizações documentais, os sistemas de posicionamento permitem a orientação de veículos, monitoramento e controle, melhoria na precisão das operações e gerenciamento de variações de deslocamento em campo. (RIBEIRO; MARINHO; ESPINOSA, 2018). Segundo Cema (2017), visando o aumento de produtividade, a tecnologia associada a outras ferramentas, pode por exemplo, permitir a aplicação de insumos de forma racional e econômica, fornecendo a planta exatamente o que ela necessita. O primeiro relato acadêmico de utilização de mapa de produtividade obtido em monitor acoplado a GPS ocorreu na Alemanha em 1990 para a cultura de canola (obtido através da seleção de cultivares colza, Brassica napus e B. campestres) (SCHNUG et al., 1991). A partir disto e com o aumento da acessibilidade de tecnologias aos produtores rurais, como máquinas e equipamentos mais modernos, a AP se difundiu. Segundo Godwin et al. (2003) a difusão e aceitação da tecnologia nos EUA ocorreu principalmente devido a eficiência e otimização dos custos de aplicação de fertilizantes em taxa variada. Outro aspecto relevante a difusão da AP é a utilização de técnicas de análise de dados como a geoestatística que objetiva caracterizar a variabilidade espacial de atributos das culturas e do ambiente estimando as inter-relações destes atributos no espaço e no tempo. (BERNADI et al., 2015). Mapas de probabilidade podem ser criados a partir de técnicas de interpolação de dados. A krigagem é uma das técnicas que permitem a estimativa de valores desconhecidos usando modelos de variação de dados em função da distância denominados semivariogramas. (BERNADI et al., 2015; GREGO et al., 2014; VIEIRA, 2010). Assim, as geotecnologias, que compreendem a coleta, processamento, análise e disponibilização de informações com referências geográficas, associadas ao sistema de modelagem SIG possibilitam a fusão de informações. Isto amplia a capacidade de interpretação e auxilia tomada de decisão para gestão no sistema de produção agrícola e pecuário. (BATISTELLA et al., 2011; FILIPPINI ALBA, 2014). 27 1.4.2 Veículos aéreos não tripulados - VANTs Tem sido frequente o surgimento de ferramentas tecnológicas que possibilitam a análise das condições das culturas em tempo real. (FERNANDES, 2016). A coleta de dados, início do ciclo da AP pode se dar de várias formas, podendo ser a partir de sensores orbitais (imagens de satélites) SR – sensoriamento remoto, ou sensores acoplados em máquinas e equipamentos (SAMPAIO et al., 2020). O monitoramento ou coleta de informações a partir de veículos aéreos não tripulados – VANTs, ampliou a capacidade de monitoramento e gestão de atividades devido à alta resolução espacial e temporal. Denominados também como RPA (remotely piloted aircraft), UAV (unmanned aerial vehicle) ou UASs (unmanned aircraft systems), esta ferramenta vem se destacando em diversos seguimentos da economia e não somente na agricultura como também na construção civil, mineração, meio ambiente, entretenimento e lazer, cultura e artes. Na agricultura, o primeiro relato da utilização de VANTs data 1980, onde foi utilizado helicóptero Yamaha com o sistema RCASS ara controle de pragas em trigo, arroz e soja. Lançado em 1997 o modelo RMAX fui utilizado para semeadura e sensoriamento remoto de precisão (EINSEENBEISS, 2004; YAMAHA, 2020). Pedrali et al. (2019) relataram que os VANTs, utilizados para obtenção de imagens, são os atuais destaques da AP devido ao baixo custo em comparação a imagens de satélite. Desta forma, a AP vem obtendo bons resultados com a utilização de sensores e veículos aéreos não tripulados como instrumentos para obtenção de informações, permitindo a rápida tomada de decisão e adequação do processo produtivo. Segundo Inamasu e Bernardi (2014) esta tecnologia pode ser definida como uma cadeia de conhecimentos que integra máquinas, dispositivos, equipamentos e softwares a coleta de dados e processamento, organização e interpretação destes dados para gerando de informações de apoio a gestão. Produzindo, portanto, ferramentas capazes de antecipar informações, agilizar a tomada de decisões, visando aumento de produtividade e redução de impactos ambientais. (SAMPAIO et al., 2020; INAMASU et al., 2011). Avanços na tecnologia associado ao desenvolvimento dos sistemas globais de navegação e geoprocessamento assim como a acessibilidade, facilidade de uso, custo de aquisição e manutenção, ampliou a utilização destes equipamentos na AP. (RIBEIRO; MARINHO; ESPINOSA, 2018). Rodrigo (2016) destaca o aparecimento de sensores e recursos de imagem cada vez mais avançados, que auxiliam e propiciam no aumento de produtividades, reduzindo danos nas lavouras a partir de monitoramento das culturas em tempo real e forma não destrutiva. 28 Tornando-se possível o monitoramento da cultura do milho e o desenvolvimento de melhores ferramentas para a gestão refinada da cultura. 1.5 SENSORIAMENTO REMOTO Definido por Florenzano (2007) como processo tecnológico de obtenção de dados e imagens da superfície terrestre a partir da captação da energia refletida ou emitida por esta superfície. Baseado no princípio da aquisição de dados sem contato físico, o termo surgiu pela primeira vez na literatura científica na década de 60 (PEDRALLI, 2017). Desde então, esta tecnologia vem ganhado espaço e diante do surgimento de novas ferramentas é comum a aplicação em diferentes seguimentos da sociedade. Com a crescente demanda de alimentos, cada vez mais o setor agrícola busca por tecnologias que possam aumentar a produtividade das culturas em uma mesma unidade de área e a agricultura de precisão - AP é considerada forte aliada neste processo. Hatfield et al. (2008) destacaram que a coleta de informações via sensoriamento remoto - SR pode ser considerada um pilar da AP uma vez que ferramenta permite, entre outras capacidades, a estimativa de produção sem contato direto com a cultura, de forma rápida e não destrutiva. O SR na agricultura se baseia na interpretação de resultados de reflectância de um alvo, ou seja, na interação de radiação eletromagnética com o solo ou a planta. Medeiros et al. (2008) indicavam que dentre as aplicações das imagens digitais a extração de índices de vegetação chama atenção devido à alta aplicabilidade. Jensen (2009) relatou que os sistemas de SR multiespectrais registram a energia de distintas bandas do espectro e radiação eletromagnética REM, e determinadas regiões e comprimentos de ondas se correlacionam com dados biofísicos. Segundo Dutra e Guimarães (2015) os equipamentos aéreos não tripulados se mostram adequados a acoplagem de diferentes sensores e eficientes para a coleta de dados de forma remota 1.6 COMPORTAMENTO ESPECTRAL DA VEGETAÇÃO Desde as primeiras descobertas sobre as plantas, sabe-se que estas se utilizam da radiação REM emitida pelo Sol como parte da energia que necessitam para viver. Desde então esta interação passou a ser mais estudada, sendo o sensoriamento remoto a tecnologia que mais contribui par ao avanço desde conhecimento (ROSENDO, 2005). O que define o comportamento espectral de uma superfície ou objeto é sua composição atômica e molecular, 29 desta forma, cada superfície reage a incidência de energia eletromagnética - REM, absorvendo ou refletindo, maiores ou menores quantidades de energia. Esta variação se dá devido à disposição dos elétrons ao redor do núcleo dos átomos em diferentes níveis e que absorvem diferentes quantidades de REM dependendo (FIGUEIREDO, 2005). Pela sua estrutura molecular, a água absorve toda a radiação eletromagnética abaixo de 350 nm (nanômetros) e acima de 700 nm. Desta forma, não possui reflectância nessas faixas do espectro, o que torna sua visualização possível nas faixas de espectro diferentes das mencionadas acima (FERREIRA, 2009). Assim cada anteparo possui sua faixa de reflectância e absortância de radiação eletromagnética. Este comportamento permite identificar diferentes assinaturas espectrais e correlacioná- las com atributos biofísicos. O processo permite, portanto, caracterizar a superfície a partir da quantidade de energia refletida (GASPAROTTO et al., 2015). Pedralli (2017) destaca que o termo “Comportamento Espectral da Vegetação” está associado aos conceitos de balanço de energia da REM, e podem representar as características de reflectância da REM pelas plantas, conjuntos de plantas e folhas. Porém para caracterizar este comportamento é necessário conhecer a interação entre a radiação e os fenômenos ocorridos no balanço de energia (reflectância, absortância e transmitância). Naue et al. (2010) a reflectância é o fenômeno físico mais utilizado nas técnicas de SR. 30 Figura 1 - Reflectância espectral característica de folha sadia típica. Figure 1 - Spectral reflectance characteristic of a typical healthy sheet. Fonte: (JENSEN, 2009, p. 359.) Nas plantas os pigmentos existentes no mesófilo paliçádico, como clorofilas a e b, e o β- caroteno são os responsáveis pela reflectância foliar, já o espalhamento de energia ocorre no mesófilo esponjoso em razão da quantidade de água presente na planta. A clorofila absorve mais eficientemente as bandas nos comprimentos de onda da região do visível entre 430 – 450nm (azul) e 650 – 660 nm (vermelho) que são regiões espectrais necessárias para a fotossíntese. O pico de reflectância do verde ocorre no comprimento 540 mm, devido ao decréscimo de eficiência na absorção deste comprimento de onda (JENSEN, 2009). Este fenômeno pode ser explicado como a menor absorção da luz verde (em comparação com a da luz azul e vermelha) que faz com que as folhas verdes sadias pareçam verdes aos nossos olhos (PEDRALLI, 2017). Já a reflectância aumenta em plantas sadias na região do infravermelho próximo (invisível), entre 700 e 1200nm, sendo este comprimento de onda sensível as variações das plantas. 31 1.7 ÍNDICES DE VEGETAÇÃO Segundo Camargo (2007), os índices de vegetação - IVs podem ser agrupados em 3 categorias, sendo estes intrínsecos, os relacionados à linha do solo e os ajustados atmosfericamente. Definidos como a combinação de duas ou mais bandas espectrais tem como objetivo principal promover a relação dos valores como os atributos das plantas (MACHADO, 2003). Segundo Moreira (2000), os dados utilizados para determinação dos IV são os valores de dados espectrais de saída do sensor, como radiância, número digital e reflectância, sendo estes últimos os mais comuns. Índices de vegetação referem-se a equações matemáticas desenvolvidas com base em comprimentos de ondas do espectro eletromagnético e permitem a avaliação do comportamento espectral da vegetação (MOREIRA, 2005; BARBOSA, 2006). Porém o que define a eficiência do monitoramento é o potencial do índice de vegetação em diagnosticar as diferenças espectrais de atributos específicos das culturas agrícolas. Este comportamento não é padrão, onde cada equação ou composição de bandas espectrais com suas respectivas faixas de comprimento de onda, que definem o índice, atribuem ao pixel maiores ou menores valores, conforme a sensibilidade do índice. Desta forma, cabe a avaliação e respectiva correspondência destes valores a atributos do alvo, permitindo a construção de modelos de estimativa, predição de atributos ou de monitoramento de indicadores das condições da superfície imageada. Na literatura, vários são os modelos propostos que permitem identificar o comportamento espectral de alvos específicos e mediante análise deste comportamento é possível estabelecer correlações com características do alvo. Segundo Epiphanio e Formaggio (1991) a fim de realçar o componente espectral e melhorar a sensibilidade da ferramenta, são utilizados diversos agrupamentos entre bandas para a composição dos índices, dentre estes destacam as razões, normalizações, distâncias no espaço cartesiano e suas variantes. Para este trabalho foram utilizados os seguintes índices categorizados como intrínsecos: SR (Simple Ratio), NDVI (Normalized Difference Vegetation Index), RVI (Ratio Vegetation Index), GNDVI (Normalized Difference Vegetation Index Using the Green Band) e CLGreen (Green Chlorophyll Index) e os índices relacionados à linha do solo SAVI (Soil Adjusted Vegetation Index), EVI (Enhanced Vegetation Index) e ICF (Indice de Clorofila Foliar). 32 1.7.1 Índice de vegetação de razão simples – SR Iniciado por Jordan (1969), Pearson e Miller (1972), o índice de vegetação de razão simples SR ou RATIO, demonstrado pela equação (1), foi o pioneiro e utiliza divisão entre as bandas do infravermelho próximo e vermelho 𝑆𝑅 (1) SR - Índice de vegetação razão simples NIR - Reflectância na faixa de comprimento de onda do Infravermelho próximo Red - Reflectância na faixa de comprimento de onda do vermelho Galvani (2014) destaca que o aumento da vegetação, e demonstrada quando decrescem os valores de vermelho e crescem os valores do infravermelho próximo, produzindo um índice que é altamente sensível à presença de vegetação. 1.7.2 Índice de vegetação por diferença normalizada – NDVI Da mesma forma que o SR, o NDVI, índice de vegetação por diferença normalizada (normalized difference vegetation index) baseado entre as bandas do infravermelho próximo e vermelho, é atualmente o mais utilizado nos trabalhos de AP. Criado por Rouse et al. (1973) na expectativa de diminuir a influência do solo, atmosfera e variações do ângulo do Sol possui sua componente calculada pela equação (2). 𝑁𝐷𝑉𝐼 (2) NDVI - Índice de vegetação por diferença normalizada NIR - Reflectância na faixa de comprimento de onda do Infravermelho próximo Red - Reflectância na faixa de comprimento de onda do vermelho Segundo Rosendo (2005), valores de NDVI mais próximo de 1 indicam vegetação densa, enquanto mais próximo ao valor 0 (zero) indicam superfície não vegetada. Vian et al. (2015, 33 2018) apresentaram ser possível estimar a produtividade de milho em diferentes fases fenológicas, obtendo coeficientes de determinação (r²) de 0,70 para relação entre NDVI e produtividade de grãos utilizando sensores remotos proximais, quando acoplados em máquinas agrícolas. Boratto e Gomide (2013) avaliando a aplicação de índices de vegetação NDVI, SAVI Índice de Vegetação Ajustado ao Solo (soil adjusted vegetation index) e índice de área foliar – IAF na caracterização da cobertura vegetativa da região Norte de Minas Gerais também descreve o comportamento do NDVI desta forma. Assim o Número Digital (ND), que é o valor extraído do pixel, quanto mais próximo de 1 relacionam às áreas de vegetação com maior vigor e quando em áreas de vegetação pouco densa ou solo exposto, o ND torna-se baixo, mais próximo de 0 (zero). Bayma (2015) destacou a capacidade do NDVI em obter informações sobre parâmetros biofísicos da vegetação, como mudanças sazonais do estado da vegetação. Entretanto, o índice também demonstrou sensibilidade a resposta dos solos e a saturação pela estabilização da biomassa, geralmente quando os valores superam 0,8 (FERREIRA et al., 2008). 1.7.3 Índice de vegetação reverso – RVI O índice de vegetação reverso RVI é a operação inversa do SR, proposta por Richardson e Wiegand (1977) e possui o princípio inverso ao SR, onde valores dos dados decrescem com o aumento da vegetação (infravermelho próximo), crescem com o aumento da vegetação (vermelho). Equação (3). 𝑅𝑉𝐼 (3) RVI - Índice de vegetação reverso Red - Reflectância na faixa de comprimento de onda do vermelho NIR - Reflectância na faixa de comprimento de onda do Infravermelho próximo Pedralli (2015) descreve que o RVI é uma medida da relação entre a reflectância na região do infravermelho próximo e vermelho. Este índice se mostra bastante sensível às mudanças da vegetação durante o período de crescimento das plantas, porém não é muito sensível quando a cobertura vegetativa é escassa (JACKSON; HUETE, 1991). 34 1.7.4 Índice de vegetação por diferença normalizada na banda do verde – GNDVI Proposto por Gitelson et al. (1996), o índice de vegetação por diferença normalizada na banda do verde, GNDVI (normalized difference vegetation index using the green band), nos mesmos moldes do NDVI, substitui a banda vermelha pela banda verde. O índice se mostra mais sensível à concentração de clorofila uma vez que o pico de reflectância desta organela ocorre na faixa de comprimento de onda de 540nm. Equação (4). 𝐺𝑁𝐷𝑉𝐼 (4) GNDVI - Índice de vegetação por diferença normalizada na banda do verde Green - Reflectância na faixa de comprimento de onda do verde NIR - Reflectância na faixa de comprimento de onda do Infravermelho próximo Mello et al. (2020) comparando NDVI e GNDVI sobre biomassa de dossel vegetal, relataram que o GNDVI foi mais sensível visualmente para identificação de biomassa de dossel. Esta sensibilidade pode ser explicada devido a variações na superfície de fundo, como entrelinhas e áreas de solos exposto do trajeto do pivô em áreas de irrigação. (DALMOLIN et al., 2005). 1.7.5 Índice clorofila total – CLGreen Proposto por Gitelson et al. (2005) especialmente para caracterizar o teor de clorofila total, o índice de clorofila CLGreen (green chlorophyll index) equação (5). 𝐶𝐿𝐺𝑟𝑒𝑒𝑛 1 (5) CLGreen - Índice verde de clorofila NIR - Reflectância na faixa de comprimento de onda do Infravermelho próximo Green - Reflectância na faixa de comprimento de onda do verde 35 Avaliando a resposta de dez índices de vegetação para parâmetros biofísicos da canola (Brassica napus L. var. oleífera), Vacari (2015) identificou que a variável massa de folhas foi a que apresentou menor correlação, contudo o CLGreen se mostrou mediano a todos os atributos e o mais estável com valores de r² de 0,76. Peng et al. (2011) testando as relações dos terrores de clorofila total com IVs, apresentaram que alguns IVs, entre eles o CLGreen identificou mais de 87% de variação no conteúdo de clorofila em culturas agrícolas. 1.7.6 Índice de vegetação ajustado ao solo – SAVI Dentre as variações do NDVI, surgiu o índice de vegetação ajustado ao solo – SAVI (soil adjusted vegetation index) equação (6). Este índice objetivou diminuir o efeito do solo sobre diferentes densidades de cobertura vegetal, pois leva em consideração a indicação de uma constante L que pode variar de 0 a 1 de acordo com a densidade da vegetação. Assim adota-se o valor 1 para áreas com pouca cobertura vegetal, 0,5 para cobertura intermediária, 0,25, quando o L é igual a 0, o SAVI é idêntico ao NDVI (HUETE, 1988). 𝑆𝐴𝑉𝐼 1 𝐿 (6) SAVI - índice de vegetação ajustado ao solo NIR - Reflectância na faixa de comprimento de onda do Infravermelho próximo Red - Reflectância na faixa de comprimento de onda do vermelho L - Fator de ajuste dependente da cobertura do solo Boratto e Gomide (2013) relataram que o índice SAVI, enfatizou mais a influência de solo exposto, especialmente no período seco. Silva et al. (2015) utilizando imagens do Landsat 8 avaliaram que o SAVI foi eficiente para a classificação automática de pixel, quando avaliados áreas com fragmentos de Caatinga com êxito em cerca de 98,92% dos pixels classificados e Agave sisalana com 79,35% em região Semiárida do Brasil. 1.7.7 Índice de vegetação melhorado – EVI Buscando minimizar os efeitos da saturação pela estabilização da biomassa presente no NDVI, Huete et al. (1997) e Justice (1998) desenvolveram o índice de vegetação melhorado – 36 EVI (enhanced vegetation index) que segundo Huete et al. (2000) se mostra mais sensível às variações na estrutura da planta. Também utilizado amplamente na AP, é calculado de forma similar ao NDVI, apresentando algumas modificações que visam garantir a correção de luz refletida. Equação (7). Definidos empiricamente pelos autores para o fator de ajuste, ajuste de fundo e coeficientes de resistência aos aerossóis são: G = 2,5; C1 = 6; C2 = 7,5; e L = 1. 𝐸𝑉𝐼 𝐺. . . (7) EVI - índice de vegetação melhorado G - Fator de ganho NIR - Reflectância na faixa de comprimento de onda do Infravermelho próximo Red - Reflectância na faixa de comprimento de onda do vermelho Blue - Reflectância na faixa de comprimento de onda do azul L – Ajuste de fundo C1 e C2 = Coeficientes de resistência a aerossóis. Monteiro et al. (2013) observaram os mesmos potenciais para estimativa de IAF para a cultura do feijoeiro a partir dos os índices razão simples – SR (simple ratio), NDVI, SAVI, índice de vegetação melhorado – EVI (enhanced vegetation index) e bandas do vermelho e do infravermelho próximo, gerados a partir dos sensores orbitais (imagens de satélites) HRVIR (high resolution visible and Infra-red), ETM+ (enhanced thematic mapper plus) e MODIS (moderate resolution imaging spectroradiometer). No entanto não obtiveram diferenças significativas nas estimativas de produtividade podendo ser atribuído as diferenças de resoluções espaciais dos sensores. Diante das diferenças de resoluções as composições dos índices obtidos a partir dos diferentes sensores podem ficar prejudicadas, reforçando as vantagens na utilização dos VANTs. Segundo Kuplich et al. (2013) o EVI é um índice desenvolvido para sensor orbital MODIS, embarcado nos satélites Terra e Aqua (JUSTICE et al., 1998). Contudo, o modelo é aplicável a altas resoluções espaciais. A equação é similar à do NDVI, e utiliza no modelo além reflectância do infravermelho próximo e do vermelho que fundamenta o NDVI, também a reflectância do azul, fator L que se refere ao ajuste de fundo e coeficientes de resistência a aerossóis, C1 e C2. Estas modificações garantem a correção de luz refletida reduzindo a influência do sinal refletido pelo solo e da atmosfera sobre a resposta do dossel e aprimora a 37 detecção da vegetação em regiões com maiores densidades de biomassa (HUETE et al., 2002; GALFORD et al., 2008). Kuplich et al. (2013) ainda relataram que o EVI foi eficiente para o monitoramento e mudanças de fases fenológicas da cultura, justificando assim escolha deste índice para avaliações das respostas na cultura do milho em três fases, V4, V10 e R1. O trabalho desenvolvido por estes autores também indicou que as séries temporais de EVI podem ser relacionadas a série de variáveis meteorológicas para um mesmo período temporal, podendo se mostrar um boa ferramenta para monitoramento temporal de culturas agrícolas. Os resultados indicam a importância de tecnologias que possibilitem avaliar as condições das culturas agrícolas de forma remota, rápida, não destrutiva e em tempo real. 1.7.8 Índice de clorofila foliar – ICF O Índice de Clorofila foliar ou Taxa de Clorofila Relativa – TCR também é considerando um IV, uma vez que é obtido a partir de relações de absorção de diferentes comprimentos de onda, mensurando de forma indireta o teor clorofila total (ROSA, 2017). Piekielek e Fox (1992), relataram resultados que relacionam elevados teores de N nos tecidos a elevadas concentrações de clorofila e altas taxas fotossintéticas. Este aspecto pode ser explicado uma vez que cerca de 50% a 70 % do nitrogênio total das folhas formam enzimas associadas aos cloroplastos (CHAPMAN; BARRETO, 1997). Mudanças aos teores de clorofila, devido à deficiência de N foram detectadas por índices de reflectância (BLACKMER et al., 1995). Zhao et al. (2003) destacam que deficiências de N podem ser identificadas pelas assinaturas espectrais nos comprimentos de ondas do verde (550 - 580nm) e infravermelho próximo (700 - 720nm). Esta avaliação pode ser remota, a partir de sensores embarcados em máquinas ou equipamentos orbitais e suborbitais ou física, necessitando de interação com a planta. Theago, 2014, estudando doses, fontes e épocas de aplicação de N em trigo utilizando leitor SPAD, encontrou correlações positivas entre a concentração de N foliar e a concentração de clorofila. Estas avaliações podem ser utilizadas para indicação do índice nutricional da cultura associado a produtividade. Diante das vantagens e boas correlações encontradas com a produtividade, o ICF é utilizado para estimar a necessidade de N em cobertura em várias culturas, como trigo (BREDEMEIER; MUNDSTOCK, 2000; SINGH et al., 2002), arroz (PENG et al., 1993; BALASUBRAMANIAN et al., 2000) e milho (ARGENTA et al., 2002; HURTADO et al., 2009). 38 REFERÊNCIAS ADÁMOLI, J. et al. Caracterização da região dos Cerrados. In: GOEDERT, W. J. Solos dos Cerrados: tecnologias e estratégias de manejo. São Paulo: Nobel; Brasília, DF: EMBRAPA/CPAC, 1986. p. 33-74. ALMEIDA, G. O. Cultivo de milho e soja em solos sob diferentes tipos de manejo. 2017. 44 f. Dissertação (Mestrado em Ciências Agrárias) - Universidade Federal de São João Del- Rei, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior, 2017. ANDREOTTI, M. et al. Produtividade da soja correlacionada com a porosidade e a densidade de um Latossolo Vermelho do cerrado brasileiro. Ciência Rural, Santa Maria, v. 40, n. 3, p. 520-526, 2010. DOI: http://dx.doi.org/10.1590/S0103-84782010005000032 ANDREOTTI, M. Adubação nitrogenada do consórcio milho/braquiária para manutenção do sistema plantio direto no cerrado Sul-Matogrossense. 2012. 85 f. Tese (Livre Docente do Departamento de Fitossanidade, Engenharia Rural e Solos) - Universidade Estadual Paulista – UNESP, Ilha Solteira, 2012. ARGENTA, G.; SILVA, P. R. F. da; BORTOLINI, C. G. Clorofila na folha como indicador do nível de nitrogênio em cereais. Ciência Rural, Santa Maria, v. 31, p. 715-722, 2001. BALDO, M. N. Comportamento anatômico, fisiológico e agronômico do milho (Zea mays L.) submetido a estresses de ambiente em diferentes estádios fenológicos. 2007. 92 f. Dissertação (Mestrado) – Universidade de São Paulo, Piracicaba, 2007. BALASUBRAMANIAN, V. et al. Adaptation of the chlorophyll meter (SPAD) technology for real-time N management in rice: a review. International Rice Research Institute, Laguna, v. 25, p. 4-8, 2000. BARBOSA, K. M. N do. Monitoramento espacial de biomassa e carbono orgânico da vegetação herbácea de várzea na Amazônia Central. 2006. 131 f. Tese (Doutorado) - Universidade Federal do Paraná, Curitiba, 2006. BARETA JUNIOR, E. Qualidade física do solo e limites críticos de atributos físicos de Latossolo Bruno distrófico em função da produtividade das culturas de milho e aveia. 2018. 79 f. Dissertação (Mestrado em Agronomia) - Universidade Estadual do Centro-Oeste, Guarapuava, 2018. BATISTELLA, M. et al. Geotecnologias e gestão territorial da bovinocultura no Brasil. Revista Brasileira de Zootecnia, Viçosa, MG, v. 40, p. 251-260, 2011. BLACKMER, T. M.; SCHEPERS, J. S. Use of chlorophyll meter to monitor nitrogen status and schedule fertigation for corn. Journal of Production Agriculture, Madison, v. 8, n. 1, p. 56-60, 1995. BAYMA. A. P. Análise do potencial de séries temporais de índices de vegetação (NDVI e EVI) do sensor MODIS para detecção de desmatamentos no bioma Cerrado. 2015. 99 f. Dissertação (Mestrado em Geociências Aplicadas) - Universidade de Brasília, Brasília, DF, 2015. 39 BENGOUGH, A. G.; MULLINS, C. E. Mechanical impedance to root growth: a review of experimental techniques and root growth responses. Journal of Soil Science, Oxford, v. 41, p. 341-358, 1990. BORATTO, I. M. P.; GOMIDE, R. L. Aplicação dos índices de vegetação NDVI, SAVI e IAF na caracterização da cobertura vegetativa da região Norte de Minas Gerais. 2013. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO (SBSR), 16., 2013, Foz do Iguaçu. Anais [...] São José dos Campos: INPE, 2013. Disponível em: http://www.dsr.inpe.br/sbsr2013/files/p0075.pdf. Acesso em: 26 jun. 2020. BREDEMEIER, C.; MUNDSTOCK, C.M. Regulação da absorção e assimilação do nitrogênio nas plantas. Ciência Rural, Santa Maria, v. 30, p. 365-372, 2000. CAMARGO, F. F. et al. Avaliação de Índices de Vegetação e de Índice de Área Foliar na caracterização espectral de dosséis de trigo (Triticum aestivum, L. - IAC-370). In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 13. 2007, Florianópolis. Anais [...] São José dos Campos: INPE, 2007. p. 103-110. 1 CD-ROM; On-line. ISBN 978-85-17-00031-7. (INPE-16282-PRE/10862). Disponível em: http://urlib.net/dpi.inpe.br/sbsr@80/2006/11.09.19.38. Acesso em: 20 jul. 2020. CATTELAN, A. J.; VIDOR, C. Flutuações na biomassa, atividade da população microbiana do solo, em funções de variações ambientais. Revista Brasileira de Ciência do Solo, Viçosa, MG, v. 14, p. 133-142, 1990. CEMA. Digital Farming: what does it really mean?. European Agricultural Machinery, 2017. CHAPMAN, S. C.; BARRETO, H. G. Using a chlorophyll meter to estimate specific leaf nitrogen of tropical maize during vegetative growth. Agronomy Journal, Madison, v. 89, p. 557-562, 1997. CHUJO, A. M.; WALTER, F. Operações de vôo seguras e eficientes usando o conceito GBAS/SBAS. In: ENCONTRO DE INICIAÇÃO CIENTÍFICA E PÓS GRADUAÇÃO DO ITA, 12., 2006, São José dos Campos. Anais […] [S. l.: s. n.], 2006. CLERCQ, M.; VATS, A.; BIEL, A. Agriculture 4.0: the future of farming technology. [S. l.: s. n.], 2018. COELHO, A. M.; RESENDE, A. V. de; SANTOS, F. C. dos. Cultivo do milho: nutrição e adubação do milho. Brasília, DF: Embrapa Milho e Sorgo, 2015. Disponível em: https://www.spo.cnptia.embrapa.br. Acesso em: 06 set. 2019. COLOMBO, G. A. et al. Atributos físicos de um Latossolo Vermelho-Amarelo Distrófico sob diferentes sistemas de manejo no cerrado tocantinense. Campo Digital, [s. l.], v. 12, n. 1, 2017. DALMOLIN, R. S. D. et al. Relação entre os constituintes do solo e seu comportamento espectral. Ciência Rural, Santa Maria, v. 35, n. 2, p. 481-489, 2005. 40 EINSEENBEISS, H. A Mini Unmanned Aerial Vehicle (UAV): system overview and image acquisition. In: INTERNATIONAL WORKSHOP ON “PROCESSING AND VISUALIZATION USING HIGH- RESOLUTION IMAGERY, 2004, Pitsanulok. Proceedings [...] [S. l.: s. n.], 2004. EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA - EMBRAPA. Visão 2030: o futuro da agricultura brasileira. Brasília, DF: Embrapa, 2018. 11 p. EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA – EMBRAPA. Dinâmica agrícola no cerrado: análises e projeções. Brasília, DF: Embrapa Cerrados, 2020. v. 1. ISBN 978-85-7035-951-3. EPIPHANIO, J. C. N.; FORMAGGIO, A. R. Sensoriamento Remoto de Três Parâmetros Agronômicos de Trigo e Feijão. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 26, n. 10, p. 1615-1624, 1991. FANCELLI, A. L.; DOURADO NETO, D. Ecofisiologia e fenologia. In: FANCELLI, A. L.; DOURADO NETO, D. Produção de milho. Guaíba: Agropecuária, 2000. p. 21-54. FOOD AND AGRICULTURE ORGANIZATION OF THE UNITED NATIONS - FAO. Statistics Division. [S. l.: s. n.], 2015. Disponível em: http://faostat3.fao.org/download/Q/*/E. Acesso em: 17 ago. 2019. FAVARATO, L. F. et al. Atributos químicos do solo sobre diferentes plantas de cobertura no sistema plantio direto orgânico. Brazilian Journal of Sustainable Agriculture. [s. l.], v. 5, n. 2, p. 19-28, 2015. DOI: http://dx.doi.org/10.21206/rbas.v5i2.312. FERNANDES, P. Produtividade de milho avaliada com imagens multiespectrais através do NDVI. 2016. Dissertação (Mestrado em Agricultura de Precisão) - Universidade Federal de Santa Maria, Santa Maria, 2016. FERREIRA, L. G.; FERREIRA, N. C.; FERREIRA, M. E. Sensoriamento remoto da vegetação: evolução e estado-da-arte. Acta Scientiarum Biological Sciences, Maringá, v. 30, n. 4, p. 379-390, 2008. FERREIRA, M. E. Modelagem da dinâmica de paisagem do Cerrado. 2009. 115 f. Tese (Doutorado em Ciências Ambientais) - Universidade Federal de Goiás, Goiânia, 2009. FERREIRA, M. E. et al. Spectral linear mixture modelling approaches for land cover mapping of tropical savanna areas in Brazil. International Journal of Remote Sensing, Basingstoke, v. 28, p. 413-429, 2007. FIGUEIREDO, D. Conceitos básicos de sensoriamento remoto. Brasília, DF: Companhia Nacional de Abastecimento, 2005. FILIPPINI ALBA, J. M. et al. Agricultura de precisão em fruticultura. In: BERNARDI, A. C. C. et al. (ed.). Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa, 2014. p. 350-360. 41 FLORENZANO, T. G. Uso de Imagens no Estudo de Fenômenos Ambientais. In: Iniciação em sensoriamento remoto: imagens de satélites para estudos ambientais. 2. ed. São Paulo: Oficina de Textos, 2007. p. 57 - 65. FOLLET, R. F.; SCHIMEL, D. S. Effect of tillage practices on microbial biomass dynamics. Soil Science Society of America Journal, Madison, v. 53, p. 1091-1096, 1989. GALFORD, G. L. et al. Wavelet analysis of MODIS time series to detect expansion and intensification of row-crop agriculture in Brazil. Remote Sensing of Environment, New York, v. 112, p. 576-587, 2008. GAO, X. et al. Optical-biophysical relationships of vegetation spectra without background contamination. Remote Sensing of Environment, New York, v. 74, n. 3, p. 609-620, 2000. GASPAROTTO, A. C. et al. Comportamento espectral de milho submetido a diferentes doses de nitrogênio. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO - SBSR, 17., 2015, João Pessoa. Anais [...] João Pessoa: [s. n.], 2015. v. 17. GEBBERS, R.; ADAMCHUK, V. I. Precision agriculture and food security. Science, [s. l.], v. 327, n. 5967, p. 828-31, 2010. GITELSON, A. A.; KAUFMAN, Y. J.; MERZLYAK, M. N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, New York, v. 58, n. 3 p. 289–298, 1996. GODWIN, R. J. An economic analysis of the potential for precision farming in UK cereal production. Biosystems Engineering, London, v. 84, p. 533-545, 2003. GREGO, C. R. et al. Agricultura de precisão em cana-de-açúcar. In: BERNARDI, A. C. C. et al. (ed.). Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa, 2014a. p. 442-457. HAMZA, M. A.; ANDERSON, W. K. Soil compaction in cropping systems: A rewiew of the nature, causes and possible solutions. Soil & Tillage Research, Amsterdam, v. 82, p. 121- 145, 2005. HATFIELD, J. L. et. al. Application of spectral remote sensing for agronomic decisions. Agronomy Journal, Madison, v. 100, p. 117-131, 2008. HIRAKURI, M. H. et al.. Sistemas de produção: conceitos e definições no contexto agrícola. Londrina: Embrapa Soja, 2012. 24 p. HOFMANN-WELLENHOF.; LICHTENEGGER, B.; WASLE, E. H. GNSS: Global Navigation Satellite Systems. Viena: Spriner Wien, 2007. 522 p. HUETE, A. R. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, New York, v. 25, p. 295-309, 1988. HUETE, A. R. et al. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment, New York, v. 59, p. 440-451, 1997. 42 HUETE, A. R. et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, New York, v. 83, p. 195-213, 2002. HURTADO, S. M. C. et al. Variação espacial da resposta do milho à adubação nitrogenada de cobertura em lavoura no Cerrado. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 44, p. 300-309, 2009. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTÁTÍSTICA – IBGE. Sistema IBGE de Recuperação Automática – SIDRA. (org.). Levantamento sistemático da produção agrícola: julho 2019. Disponível em: https://sidra,ibge,gov,br/home/lspa/brasil. Acesso em: 17 ago. 2019. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTÁTÍSTICA – IBGE. Sistema IBGE de Recuperação Automática – SIDRA. (org.). Levantamento sistemático da produção agrícola: junho 2020. Disponível em: https://sidra,ibge,gov,br/home/lspa/brasil. Acesso em: 20 jul. 2020. INAMASU, R. Y.; BERNARDI, A. C. C. Agricultura de precisão. In: BERNARDI, A. C. C.et al. (ed.) Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa, 2014. p. 21-33 INAMASU, R. Y. et al. Agricultura de precisão para a sustentabilidade de sistemas produtivos do agronegócio brasileiro. In: INAMASU, R. Y. et al. (ed.). Agricultura de precisão: um novo olhar. São Carlos: Embrapa Instrumentação, 2011. p. 14-26. JACKSON, R. D.; HUETE, A. R. Interpreting vegetation indices. Preventive Veterinary Medicine, Amsterdam, v. 11, n. 3–4, p. 185–200, 1991. JENSEN, J. R. Sensoriamento Remoto do Ambiente: uma perspectiva em recursos terrestres. 2. ed. São José dos Campos, SP: Parêntese, 2009. 672 p. JORDAN, C. F. Derivation of leaf-area index from quality of light on the forest floor. Ecology, Brooklyn, v. 50, n. 4, p. 663-666, 1969. DOI: http://dx.doi.org/10.2307/1936256. JUSTICE, C. O. et al., The moderate resolution imaging spectroradiometer (MODIS): land remote sensing for global change research. IEEE Transactions on Geoscience and Remote Sensing, New York, v. 36, n. 4, p. 1228-1249, 1998. KUPLICH, T. M.; MOREIRA, A.; FONTANA, D. C. Série temporal de índice de vegetação sobre diferentes tipologias vegetais no Rio Grande do Sul. Revista Brasileira de Engenharia Agrícícola e Ambiental, Campina Grande, v. 17, n. 10, p. 1116-1123, 2013. DOI: https://doi.org/10.1590/S1415-43662013001000014 MACHADO, R. B. et al. Estimativas de perda da área do Cerrado brasileiro. Conservação Internacional, Brasília, DF, 2004. (Relatório técnico não publicado). MARTINAZZO, R. Diagnóstico da fertilidade de solos em áreas sob plantio direto consolidado. 2006. 86 f. Dissertação (Mestrado em Ciência do Solo) - Universidade Federal de Santa Maria, Santa Maria, 2006. 43 MASSRUHÁ, S, S. F. M.; LEITE, A. A. M. M. Agro 4.0: Rumo à agricultura digital. JC na Escola Ciência, Tecnologia e Sociedade: Mobilizar o Conhecimento para Alimentar o Brasil, 2017. MEDEIROS , F. A. et al., Utilização de um veículo aéreo não-tripulado em atividades de imageamento Georeferenciado. Revista Ciência Rural, Santa Maria, v. 38, n. 8, p. 2375- 2378, 2008. MELLO, D. C. de et al. Uso e ocupação do solo: comparação de índices NDVI e GNDVI e inferências sobre biomassa de dossel vegetal Cadernos de Agroecologia. In: SIMPÓSIO MINEIRO DE CIÊNCIA DO SOLO: AGROECOLOGIA E A COMPREENSÃO DO SOLO COMO FONTE E BASE PARA A VIDA, 5., 2020, [s. l.]. Anais [...] [S. l.: s. n.], 2020. v. 15, n. 1. MIRANDA, R. A. de. Uma história de sucesso da civilização. A Granja, [s. l.], v. 74, n. 829, p. 24-27, 2018. MONTANARI, R. Aspectos da produtividade do feijoeiro correlacionados com atributos do solo sob sistemas de manejo de elevado nível tecnológico. 2009. 172 f. Tese (Doutorado em Sistemas de Produção) - Faculdade de Engenharia, Universidade Estadual Paulista - UNESP, Ilha Solteira, 2009. MONTEIRO, P. F. C. et al. Índices de vegetação simulados de diferentes sensores na estimativa das variáveis biofísicas do feijoeiro. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 48, n. 4, p. 433-441, 2013. DOI: http://dx.doi.org/10.1590/S0100- 204X2013000400012. MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicação. 3. ed. Viçosa, MG: Universidade Federal de Viçosa, 2005. 320 p. MOREIRA, R. da C. Influência do posicionamento e da largura de bandas de sensores remotos e dos efeitos atmosféricos na determinação de índices de vegetação. 2000. 114 f. Dissertação (Mestrado em Sensoriamento Remoto) - Instituto de Pesquisas Espaciais, São José dos Campos, 2000. (INPE-7528-TDI/735). NAUE, C. R. et al. Sensoriamento remoto como ferramenta aos estudos de doenças de plantas agrícolas: uma revisão. Revista Brasileira de Geografia Física, [s. l.], v. 3, p. 190–195, 2010. OLIVEIRA, D. M. S.; LIMA, R. P.; VERBURG, E. E. J. Qualidade física do solo sob diferentes sistemas de manejo e aplicação de dejeto líquido suíno. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 19, n. 3, p. 280–285, 2015. DOI: http://dx.doi.org/10.1590/1807-1929/agriambi.v19n3p280-285. ORTH, D. M. et al. GPS: Global Positioning System - Ferramenta utilizada para Mapear Unidades de Conservação. In: CONGRESSO BRASILEIRO DE CADASTRO TÉCNICO MULTINALITÁRIO E GESTÃO TERRITORIAL, 6., 2004, Florianópolis.. Anais [...] Florianópolis: [s. n.], 2004. 44 PATERNIANI, E.; NASS, L.L.; SANTOS, M. X. O valor dos recursos genéticos de milho para o Brasil: uma abordagem histórica da utilização do germoplasma. In: UDRY, C.W.; DUARTE, W. (org.) Uma história brasileira do milho: o valor dos recursos genéticos. Brasília: Paralelo 15, 2000. p. 11-41. PEARSON, R. L.; MILLER, L. D. Remote mapping of standing crop biomass for estimation of the productivity of the short-grass Prairie, Pawnee National Grasslands, Colorado. In: INTERNATIONAL SYMPOSIUM ON REMOTE SENSING OF ENVIRONMENT, 8., ERIM, Ann Arbor. Proceedings […] [S. l.: s. n.], 1972. p. 1357-1381. PEDRALI, L. D. et al. Sensoriamento remoto multiespectral para determinação de níveis de severidade de seca de ponteiros em Eucalyptus spp.. Scientia Forestalis, Piracicaba, v. 47, p. 224-234, 2019. PEDRALI, L. D. Aplicação de sensor multiespectral a bordo de VANT na determinação de graus de severidade de Erwinia psidii em Eucalyptus urograndis. 2017. Dissertação (Mestrado em Engenharia Florestal) - Universidade Federal de Santa Maria, Santa Maria, 2017. PENG, S. et al. Adjustment for specific leaf weigth improves chlorophyll meter´s estimate of rice leaf nitrogen concentration. Agronomy Journal, Madison, v. 85, p. 987-990, 1993. PENG, Y. et al. Remote estimation of gross primary production in maize and support for a new paradigm based on total crop chlorophyll content. Remote Sensing of Environment, New York, v. 115, p. 978-989, 2011. PIEKIELEK, W. P.; FOX, R. H. Use of a chlorophyll meter to predict sidedress nitrogen requirements for mayze. Agronomy Journal, Madison, v. 84, n. 1, p. 59-65, 1992. REINERT, D. J. et al. Qualidade física dos solos. In: REUNIÃO BRASILEIRA DE MANEJO E CONSERVAÇÃO DO SOLO E DA ÁGUA, 16., 2006, Aracaju. Resumos [...] Aracaju: SBCS, 2006. 1 CD-Rom. RESENDE, O. et al. Avaliação da qualidade tecnológica de grãos de feijão (Phaseolus vulgaris L.) armazenados na presença de equipamento redutor de inóculo. Revista Brasileira de Armazenamento, Viçosa, MG, v. 29, n. 2, p. 143-151, 2004. RIBEIRO, J. G.; MARINHO, Y. D; ESPINOSA, J. V. Agricultura 4.0: desafios à produção de alimentos e inovações tecnológicas. In: SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO, 2., 2018, Catalão. Anais [...] Catalão: [s. n.], 2018. RICHARDSON, A. J.; WIEGAND, C. L. Distinguishing Vegetation From Soil Background Information. Photogramnetric Engineering and Remote Sensing, [s. l.], v. 43, n. 12, p. 1541-1552, 1977. RODRIGUES, A. M. Feira Ligna Hanôver 2011. Silva Lus., Lisboa, v. 19, n. 1, p. 131- 132,2011. Disponível em: http://www.scielo.mec.pt/scielo.php?script=sci_arttext&pid=S0870- 63522011000100012&lng=pt&nrm=iso. Acesso em: 02 ago. 2020. 45 ROSENDO, J. D. S. Índices de vegetação e monitoramento do uso do solo e cobertura vegetal Na Bacia Do Rio Araguari – MG: utilizando dados do Sensor Modis. 2005. 130 f. Dissertação (Mestrado em Geografia) - Universidade Federal de Uberlândia, Uberlândia, 2005. ROSOLEM, C. A. Crescimento radicular de plântulas de milho afetado pela resistência do solo à penetração, Pesquisa Agropecuária Brasileira, Brasília, DF, v. 34, n. 5, p. 821-828, 1999. ROUSE, J. W. et al. Monitoring the vernal advancement of retrogradation (greenwave effect) of natural vegetation. NASA/GSFC, Type III, Final Report, Greenbelt, MD, 1974. 371 p. ROUSE, J. W. et al. Monitoring vegetation systems in the Great Plains with ERTS. In: ERTS SYMPOSIUM, 3rd., 1973, São Paulo. Anais [...] São Paulo: NASA, 1973. p. 309–317. SAATH, K. C. O.; FACHINELLO, A. L. Crescimento da demanda mundial de alimentos e restrições do fator terra no Brasil. Revista de Economia e Sociologia Rural, Brasília, DF, v. 56, p. 195-212, 2018. SAMPAIO, H. S. et. al. Comparação entre índices de vegetação obtidospor imagens aéreas com veículo aéreo não tripulado (VANT) e Satélite. Revista Brasileira de Engenharia de Biossistemas, [s. l.], v. 14. p. 111, 2020. DOI: 10.18011/bioeng2020v14n2p111-124. SANTOS, G. G. Impacto de sistemas de integração lavourapecuária na qualidade física do solo. Goiânia: UFG, 2010. 122 p. SANTOS, G. G. et al. Qualidade física do solo sob sistemas de integração lavoura-pecuária. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 46, p. 1339-1348, 2011. SANTOS, O. F. et al., Propriedades químicas de um Latossolo sob diferentes sistemas de manejo. Revista de Agricultura Neotropical, Cassilândia, v. 4, n. 1, p. 36–42, 2017. Disponível em :https://periodicosonline,uems,br/index,php/agrineo/article/view/1185. SCHNUG, E.; HANEKLAUS, S.; LAMP, J. Continuous large scale yield mapping in oilseed rape fields and application of yield maps to CAF. Oilseeds, Washington, v. 9, p. 13-14, 1991. SILVA, M. V. R. Aplicação do índice de vegetação ajustado ao solo-SAVI para a identificação de fragmentos de caatinga em cultivos de Agave sisalana Perrine na região Semiárida do Brasil. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO - SBSR, 17., 2015, João Pessoa. Anais [...], João Pessoa: [s. n.], 2015. STEFANOSKI, D. C. et al. Uso e manejo do solo e seus impactos sobre a qualidade física. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 17, n. 12, p. 1301-1309, 2013. DOI: http://dx.doi.org/10.1590/S1415-43662013001200008. TAVARES, L. A.F.; BENEZ, S. H.; SILVA, P. A. Características agronômicas e demanda energética de 478 cultivares de soja sob efeito dos sistemas de preparo do solo. Revista Energia na Agricultura, [s. l.], v. 27, n. 4, p. 92-108, 2016. DOI: http://dx.doi.org/10.17224/EnergAgric.2012v27n4