Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo: O Interesse em veículos aéreos não tripulados (VANTs), também denominados de drones,
está crescendo em todo o mundo, e em especial no Brasil, e vários esforços estão em andamento
visando integrar as operações de VANT rotineiramente e com segurança em agricultura de precisão.
Atualmente, as operações de VANT se limitam ao uso especial do espaço aéreo ou são limitados
em seu acesso, por razões de segurança, por um processo de autorização de uso coordenado
pela ANAC. Este capítulo fornece o contexto de desenvolvimento de VANT no Brasil, descreve as
iniciativas em curso, e avalia as questões relacionadas com a integração de VANTs em agricultura
de precisão. Questões relacionadas com aplicações potenciais na agricultura, tipos de sensores e
aviões, as limitações de cada um e os resultados de utilização são avaliados. A intenção ao descrever
os problemas e propor recomendações não é sugerir um conjunto de questões conclusivas, pois
a área está em pleno desenvolvimento, mas sim para estimular a discussão, construir consensos
e promover o planejamento estratégico entre as organizações que têm uma participação no
surgimento de VANTs em agricultura de precisão.
Palavras-chave: VANT, drone, monitoramento agrícola, imagens, agricultura de precisão.
Figura 2. Comparação de VANT com sistemas aéreos e satélites. (Fonte: Lúcio André de Castro Jorge).
c d
e f
g h
i j
k l
Figura 5. VANTs presentes no Brasil (Fonte: Lúcio André de Castro Jorge, adaptadas de sites dos
fabricantes: XMobots, Embrapa, Sensefly, Crop Circle, Somenge, SaqntoLab, CenPRA e ANDRADE, 2013).
Principais
Absorção Absorção
80 bandas de
pela clorofila pela água
70 absorção
Reflectância (%)
60
50
40
30
20
10
0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0 2,2 2,4 2,6
Comprimento de onda (µm)
Regiões
espectrais
Visível Infravermelho Infravermelho médio
próximo
Tabela 2. Tipos de sensores embarcados e respectivas aplicações (Fonte: Lúcio André de Castro Jorge,
adaptado de catálogos de sensores comerciais: Sony, FIR, Tetracam, Headwall e CropCircle).
Aplicações Sensores
Câmeras Térmicas:
Detecção de estresse hídrico/irrigação
(Short Wave Infrared – SWIR - 1.3-2.5 µm)
Cameras Multiespectrais:
Detecção de estresse nutricional, para determinação
de indices indicadores fisiológicos, e estrutura da
copa, como NDVI, EVI e outros. (Infravermelho
Próximo – NIR - 0.7-1.3 µm)
suas aplicações para detecção de estresse, como Alguns processamentos, como a identificação
de plantas com alterações espectrais, indicando
pode ser visto na Tabela 2.
ou estádio fenológico diferente ou alteração por
alguma doença ou deficiência, são realizados com
4.1. Visível
as imagens no visível, como pode ser observado
No espectro visível (0,4 a 0,7µm) é possível
na Figura 9.
obter imagens que auxiliam o produtor a visualizar
Muitos casos de análise das imagens de VANT,
falha de plantio, alterações no dossel, variando
devido a resolução ser maior, invariavelmente,
resoluções de centímetros a metros, dependendo
pode-se acompanhar o crescimento da planta no
da altura de voo e lente utilizada. Na Figura 7
campo, permitindo assim estudos de fenotipagem.
podem ser vistos alguns exemplos de imagens Uma exemplo de acompanhamento de germinação
obtidas com VANT em altitudes que variaram pode ser visto na Figura 10.
de 100m a 300m. Esta é normalmente a faixa
de operação de um VANT para a área agrícola 4.2. Infravermelho Próximo - NIR
sem que haja interferência no fluxo de aeronaves As imagens no espectro visível funcionam
convencionais tripuladas. como o “olho do agricultor” sobre a cultura. No
Figura 7. Imagens no visível típicas obtidas com VANT (Fonte: fotos obtidas por VANT por Lúcio André de
Castro Jorge).
Figura 9. Imagens de citros com identificação de plantas com alterações espectrais (Fonte: fotos obtidas
por VANT por Lúcio André de Castro Jorge).
Figura 10. Avaliação de germinação e crescimento de híbridos de milho no campo (Fonte: fotos obtidas
por VANT por Lúcio André de Castro Jorge).
Figura 11. Imagens típicas de VANT com sensor NIR (Fonte: Adaptada do site www.Tetracam.com por
Lúcio André de Castro Jorge).
Figura 13. Estresse hídrico em vitinicultura com o índice NDVI ((Fonte: (Fonte: Zarco-Tejada et al., 2012).
Figura 15. Detalhes de uma imagem hiper (Fonte: ZARCO-TEJADA; GONZÁLEZ-DUGO; BERNI, 2012)
Figura 16. Imagem hiperespectral de uma fazenda de citros (Fonte: Obtida por Lúcio André de Castro
Jorge)
é utilizado para avaliar estresse hídrico e em provoca alterações em seu teor. As moléculas de
conjunto com imagens hiperespectrais serve clorofila absorvem a energia luminosa (fótons) e
para determinar a fluorescência direta no campo. alteram temporariamente as suas configurações
Com isto é possível mapear estresses hídricos e eletrônicas. Esses pigmentos passam do estado
provocados por doenças e deficiências. fundamental singleto para um estado excitado
Não é realizado processamento na imagem singleto com tempo de vida característico da
térmica a não ser o mapeamento de pseudocor ordem de ≈10-8s. Após esse período, esta energia
relativo às faixas de temperaturas. pode ser dissipada através de três processos:
Figura 17. Detalhes de uma imagem térmica (Fonte: ZARCO-TEJADA; GONZÁLEZ-DUGO; BERNI, 2012;
GONZALEZ-DUGO et al., 2013)
Figura 18. Imagem de Fluorescencia obtido com VANT diretamente no campo (Fonte: ZARCO-TEJADA;
GONZÁLEZ-DUGO; BERNI, 2012)
Figura 20. Planejamento de Voo no software de planejamento do ARDUPILOT. (Fonte: Tela capturada por
Lúcio André de Castro Jorge durante operação de drone)
Figura 22. Forma de decolagem mais simples para um VANT agrícola. Fonte: http://blog.cimmyt.org/sky-
walker-advances-phenotyping-in-southern-africa/). Acesso dezembro 2013).
>9
9
8
7
6
5
4
3
2
1
Figura 24. Densidade de fotos e sobreposições para geração do mosaico. A parte central apresenta maior
sobreposição e melhor qualidade de mosaico final (Fonte: Lúcio André de Castro Jorge).
Figura 25. Mosaicamento de imagens do VANT com o software PhotScan (Fonte: Lúcio André de Castro
Jorge).
aplicações em taxa variada baseados nos diferentes environmental management. In: ANNUAL ASSOCIATION
FOR UNMANNED VEHICLE SYSTEMS INTERNATIONAL
mapas e cruzamentos realizados no GIS.
SYMPOSIUM AND EXHIBITION, 23., 1996, Orlando.
Proceedings… p. 839-848.
sensores cada vez mais precisos. BARNSLEY, M.; BOXALL, S. R.; MATTHEWS, A. M.; WHITE,
Todo o sensoriamento remoto que se faz com S. J. Editorial to special issue. International Journal of Remote
satélites e aviões tripulados estão disponíveis nos Sensing, v. 18, p. 1861-1863, 1997.
VANTs. Os sistemas estão cada vez mais fáceis de
BIELSKI, C.; GRAZZINI, J.; SOILLE, P. Automated
operar e tornando-se viáveis para uso no campo. morphological image composition for mosaicing large image
Apesar disso, neste momento a ANAC, data sets. In: IEEE INTERNATIONAL SYMPOSIUM ON
responsável pela autorização de uso deste tipo GEOSCIENCE AND REMOTE SENSING - IGARSS, 2007,
de aeronaves, tem mantido grupos discutindo Barcelona. Proceedings… New York: IEEE, 2007. p. 4068-4071.
regulamentações de tipos e formas de uso de http://dx.doi.org/10.1109/IGARSS.2007.4423743
VANT que em breve devem se tornar disponíveis BLACKBURN, G. A. Relationships between spectral reflectance
e padronizar o uso. É necessário que seja and pigment concentrations in stacks of deciduous broadleaves.
homologado o VANT pela ANAC e que sejam Remote Sensing of Environment, v. 70, n. 2, p. 224-237, 1999.
obtidas as autorizações de voo junto a ANAC e http://dx.doi.org/10.1016/S0034-4257(99)00048-6
within a commercial orchard. Precision Agriculture, v. 14, n. 6, TOZZI, C. L.; TORRE NETO, A. Studies of soil conservation
p. 660-678, 2013. http://dx.doi.org/10.1007/s11119-013-9322-9 for precision farming by digital color image analysis. In: ASAE
ANNUAL INTERNATIONAL MEETING, 1999, Toronto.
GUI, Y.; SU, A.; DU, J. Point-pattern matching method using
Proceedings…
SURF and Shape Context. Optik, v 124, n. 14, p. 1869-1873, 2013.
GUYOT, G.; GUYON, D.; RIOM, J. Factors affecting the JORGE, L. A. C.; TRINDADE JUNIOR, O.; DAINESE, R.
spectral response of forest canopies: a review. Geocarto C.; CEREDA JUNIOR, A. Aeromodelo para sensoriamento
International, v. 4, n. 3, p. 3-18, 1989. http://dx.doi. remoto em agricultura de precisão. In: GIS BRASIL, 2004, São
org/10.1080/10106048909354217 Paulo. Anais...
HELMER, E. H.; RUEFENACHT, B. Cloud-free satellite KAUFMAN, Y, J.; REMER, L. A. Detection of forests using
image mosaics with regression trees and histogram matching. mid-IR reflectance: an application for aerosol studies. IEEE
Photogrammetric Engineering & Remote Sensing, v. 71, n. 9, Transactions on Geoscience and Remote Sensing, v. 32, p.
p. 1079-1089, 2005. http://dx.doi.org/10.14358/PERS.71.9.1079 672-683, 1994. http://dx.doi.org/10.1109/36.297984
HERWITZ, S. R.; JOHNSON, L. F.; DUNAGAN, S. E.; KAYNIG, V.; FISCHER, B; MULLER, E.; BUHMANN, J.
HIGGINS, R. G.; SULLIVAN, D. V.; ZHENG, J.; LOBITZ, B. M. Fully automatic stitching and distortion correction of
M.; LEUNG, J. G.; GALLMEYER, B. A.; AOYAGI, M.; SLYE, transmission electron microscope images. Journal of Structural
R. E.; BRASS, J. A. Imaging from an unmanned aerial vehicle: Biology, v. 171, p. 163-173, 2010.
agricultural surveillance and decision support. Computers and
KERSCHNER, M. Seamline detection in colour orthoimage
Electronics in Agriculture, v. 44, n. 1, p. 49-61, 2004. http://
mosaicking by use of twin snakes. ISPRS Journal of
dx.doi.org/10.1016/j.compag.2004.02.006
Photogrammetry and Remote Sensing, v. 56, n. 1, p. 53-64,
HUNT JUNIOR, E. R.; ROCK, B. N. Detection of changes in 2001. http://dx.doi.org/10.1016/S0924-2716(01)00033-8
leaf water content using near - and middle -infrared reflectances.
KNOX, B.; LADIGES, P.; EVANS, B. Biology. Sydney: Mc
Remote Sensing of Environment, v. 30, n. 1, p. 43-54, 1989.
Graw-Hill, 1997. 225 p.
http://dx.doi.org/10.1016/0034-4257(89)90046-1
JACKSON, T. L.; CHEN, D.; COSH, M.; LI, F.; ANDERSON, M.; KUMAR, L. Modeling forest resources using geographical
WALTHALL, C.; DORIASWAMY, P.; HUNT, E. R. Vegetation information systems and hyperspectral remote sensing.
water content mapping using landsat data derived normalized 1998. 246 f. Tese (Doutorado)-University of New South Wales,
difference water index for corn and soybeans. Remote Sensing Sydney, 1998.
of Environment, v. 92, n. 4, p. 475-482, 2004. http://dx.doi. KUMAR, L.; SCHMIDT, K.; DURY, S.; SKIDMORE, A. Imaging
org/10.1016/j.rse.2003.10.021
spectrometry and vegetation science. In: VAN DER MEER,
JOHNSON, L. F.; BILLOW, C. R. Spectrometric estimation F. D.; JONG, S. M. Imaging spectrometry: basic principles
of total nitrogen concentration in Douglas-fir foliage. and prospective applications. Dordrecht: Kluver Academic
International Journal of Remote Sensing, v. 17, n. 3, p. 489- Publishers, 2001. p. 11-155.
500, 1996. http://dx.doi.org/10.1080/01431169608949022
L A C R A PA , V. C . ; M E L AC K , J. M . ; G A ST I L , M . ;
JOHNSON, L. F.; BOSCH, D. F.; WILLIAMS, D. C.; LOBITZ, B. VALERIANO, D. Remote sensing of foliar chemistry of
M. Remote sensing of vineyard management zones: implications inundated rice with imaging spectrometry. Remote Sensing
for wine quality. Applied Engineering in Agriculture, v. 17, of Environment, v. 55, n. 1, p. 50-58, 1996. http://dx.doi.
n. 4, p. 557-560, 2001. http://dx.doi.org/10.13031/2013.6454 org/10.1016/0034-4257(95)00185-9
LELONG, C. C. D.; BURGER, P.; JUBELIN, G.; ROUX, PEÑUELAS, J.; BARET, F.; FILELLA, I. Semi-empirical indices
B.; LABBÉ, S.; BARET, F. Assessment of unmanned aerial to assess carotenoids/chlorophyll: a ratio from leaf spectral
vehicles imagery for quantitative monitoring of wheat crop reflectance. Photosynthetica, v. 31, p. 221-230, 1995.
in small plots. Sensors, v. 8, p. 3557-3585, 2008. http://dx.doi.
org/10.3390/s8053557 PRZYBILLA, H. J.; WESTER-EBBINGHAUS, W. Bildflug
mit ferngelenktem Kleinflugzeug. Bildmessung und
LIANG, J.; DEMENTHON, D.; DOERMANN, D. Mosaicing
Luftbildwesen, v. 47, n. 5, p. 137-142, 1979.
of camera-captured document images. Computer Vision and
Image Understanding, v. 113, p. 572-579, 2009. RASI, J. R. Desenvolvimento de um veículo aéreo não
tripulado para aplicação em pulverização agrícola. 2008. 70
LIU, G. H.; LI, Z. Y.; ZHANG, L.; XU, Y. Image retrieval based
f. Dissertação (Mestrado em Engenharia Rural)-Universidade
on micro-structure descriptor. Pattern Recognition, v. 44, p.
Federal de Pelotas, Pelotas.
2123-2133, 2011.
RESEARCH SYSTEMS. What’s new in ENVI 4.2. Boulder,
LÓPEZ, D. H.; GARCÍA, B. F.; PIQUERAS, J. G.; ALCÁZAR,
2005. 160 p.
G. V. An approach to the radiometric aerotriangulation of
photogrammetric images. ISPRS Journal of Photogrammetry ROY, S.; MEUNIER, J.; COX, I. Cylindrical rectification to
and Remote Sensing, v. 66, n. 6, p. 883-893, 2011. http://dx.doi. minimize epipolar distortion. In: IEEE COMPUTER SOCIETY
org/10.1016/j.isprsjprs.2011.09.011 CONFERENCE ON COMPUTER VISION AND PATTERN
RECOGNITION, 1997, San Juan. Proceedings… IEEE, 1997.
MARTIN, M. E.; ABER, J. D. High spectral resolution remote
p. 393-399. http://dx.doi.org/10.1109/CVPR.1997.609355
sensing of forest canopy lignin, nitrogen, and ecosystem
processes. Ecological Applications, v. 7, n. 2, p. 431-443, 1997. SERRANO, L.; PENUELAS, J.; USTIN, S. L. Remote sensing of
http://dx.doi.org/10.1890/1051-0761(1997)007[0431:HSRRS nitrogen and lignin in mediterranean vegetation from AVIRIS
O]2.0.CO;2 data: decomposing biochemical from structural signals. Remote
Sensing of Environment, v. 81, n. 2-3, p. 355-364, 2002. http://
MATSON, P.; JOHNSON, L.; BILLOW, C.; MILLER, J.; PU, R.
dx.doi.org/10.1016/S0034-4257(02)00011-1
L. Seasonal patterns and remote spectral estimation of canopy
chemistry across the Oregon transect. Ecological Applications, SERRANO, L.; USTIN, S. L.; ROBERTS, D. A.; GAMON,
v. 4, n. 2, p. 280-298, 1994. http://dx.doi.org/10.2307/1941934 J. A.; PENUELAS, J. Deriving water content of chaparral
cegetation from AVIRIS data. Remote Sensing of Environment,
MEDEIROS, F. A. Desenvolvimento de um veículo aéreo
v. 74, n. 3, p. 570-581, 2000. http://dx.doi.org/10.1016/
não tripulado para aplicação em agricultura de precisão.
2007. 102 f. Dissertação (Mestrado em Engenharia Agrícola)- S0034-4257(00)00147-4
Universidade Federal de Santa Maria, Santa Maria, 2007. SIMPSON, A. D. Development of an unmanned aerial
MERZLYAK, J. R.; GITELSON, A. A.; CHIVKUNOVA, O. B.; vehicle for low-cost remote sensing and aerial photography.
RAKITIN, V. Y. Nondestructive optical detection of pigment 2003. Tese (Mestrado em Ciência)-University of Kentucky,
changes during leaf senescence and fruit ripening. Physiologia Lexington, 2003.
NERIS, L. O. Um piloto automático para as aeronaves do SOILLE, P. Morphological image compositing. IEEE
projeto ARARA. 2001. 102 f. Dissertação (Mestrado em Transactions on Pattern Analysis and Machine Intelligence,
Ciências da Computação)-Universidade de São Paulo, São v. 28, n. 5, p. 673-683, 2006. http://dx.doi.org/10.1109/
Carlos. TPAMI.2006.99
SPANNER, M. A.; PIERCE, L. L.; RUNNING, S. W.; PETERSON, Photogrammetric Engineering & Remote Sensing, v. 74,
forests-relationship with Leaf-Area Index. Remote Sensing ZAGOLSKI, F.; PINEL, V.; ROMIER, J.; ALCAYDE, D.;
of Environment, v. 33, n. 2, p. 97-112, 1990b. http://dx.doi. FONTANARI, J.; GASTELLU-ETCHEGORRY, J. P.;
org/10.1016/0034-4257(90)90036-L GIORDANO, G.; MARTY, G.; MOUGIN, E.; JOFFRE, R. Forest
canopy chemistry with high spectral resolution remote sensing.
TREITZ, P. M.; HOWARTH, P. J. Hyperspectral remote sensing
International Journal of Remote Sensing, v. 17, n. 6, p. 1107-
for estimating biophysical parameters of forest ecosystems.
1128, 1996. http://dx.doi.org/10.1080/01431169608949073
Progress in Physical Geography, v. 23, n. 3, p. 359-390, 1999.
ZARCO-TEJADA, P. J.; GONZÁLEZ-DUGO, V.; BERNI,
TRINDADE JUNIOR, O.; JORGE, L. A. C.; AGUIAR, J.
J. A. J. Fluorescence, temperature and narrow-band indices
G. B. Using UAVs for precision farming: first results. In:
acquired from a UAV platform for water stress detection using
UNMANNED SYSTEMS NORTH AMERICA, 2004, Baltimore. a micro-hyperspectral imager and a thermal câmera. Remote
Proceedings… Sensing of Environment, v. 117, p. 322-337, 2012. http://dx.doi.
hyperspectral data in understanding the global carbon cycle. ZISCHINSKY, T.; DORFNER, L.; ROTTENSTEINER,
In: JPL AIRBORNE EARTH SCIENCE WORKSHOP, 10., 2001, F. Application of a new Model Helicopter System in
Pasadena. Proceedings… p. 397-410. Architectural Photogrammetry. Amsterdam: IAPRS, 2000.
Part B5/2. (v. XXXIII).
VARSHNEY, P. K.; ARORA, M. K. Advanced image
processing techniques for remotely sensed hyperspectral ZHONG, M.; ZENG, J.; XIE, X. Panorama Stitching Based
data. New York: Springer, 2004. 322 p. http://dx.doi. on SIFT Algorithm and Levenberg-Marquardt Optimization.
org/10.1007/978-3-662-05605-9 Physics Procedia, v. 33, p. 811-818, 2012.