Escolar Documentos
Profissional Documentos
Cultura Documentos
DOI: http://dx.doi.org/10.1590/1678-992X-2018-0055
plantações
Engenharia
Agrícola
Júnior Melo Damian1* , Osmar Henrique de Castro Pias2 , Maurício Roberto Cherubin1 , Alencar Zachi da Fonseca3 , Ezequiel
civetas Fornari3 , Antônio Luis Santi3
1 Universidade de São Paulo/ESALQ – Depto. de Ciência do Solo, Av. Pádua RESUMO: A utilização de dados do Índice de Vegetação por Diferença Normalizada (NDVI) obtidos através de
Dias, 11 – 13418-900 – Piracicaba, SP – Brasil. imagens de satélite pode melhorar tecnicamente o processo de delimitação de zonas de manejo (ZM) para culturas
2 Universidade Federal de Rio Grande do Sul – Depto. de Ciência do Solo, Av. anuais, resultando em benefícios socioeconômicos e ambientais. O objetivo deste estudo foi comparar o MZ delimitado,
Bento Gonçalves, 7712 – 91540-000 – Porto Alegre, RS – Brasil. usando dados de produtividade da cultura, com o MZ delimitado usando o NDVI obtido a partir de imagens de satélite
em áreas sob sistema de plantio direto. O estudo foi realizado em três áreas localizadas no estado do Rio Grande do
3 Universidade Federal de Santa Maria – Depto. de Ciências Agronômicas Sul, Brasil. Três mapas de produtividade agrícola, de 2009 a 2015, foram usados para cada área, onde o NDVI foi
e Ambientais, C.P. 54 – 98400-000 – Frederico Westphalen, RS – Brasil. calculado para cada mapa de produtividade agrícola usando imagens da série de satélites Landsat. Análises descritivas
e geoestatísticas foram realizadas para determinar os dados de produtividade e NDVI. Os MZ foram então delimitados
*Autor correspondente <damianjrm@usp.br> usando o algoritmo fuzzy c-means. A matriz de correlação de Spearman foi utilizada para comparar as metodologias
utilizadas para delimitação do MZ. O MZ baseado no NDVI calculado a partir das imagens de satélite correlacionado
Editado por: Axel Garcia y Garcia com o MZ baseado nos dados de produtividade da cultura (0,48 < r< 0,61), sugerindo que o NDVI pode substituir ou
ser complementar aos dados de produtividade na delimitação do MZ para sistemas de cultivo anual.
Recebido em 21 de fevereiro de 2018
Aceito em 05 de agosto de 2018 Palavras-chave: agrupamento fuzzy c-means, dados de produtividade, imagens aéreas, índice de vegetação
precipitação média anual entre 1.900 e 2.200 mm (Alvares et al., pontos ed que tiveram coeficiente de variação (CV) maior que 30%,
2013). que caracterizam produtividade inconsistente (Suszek et al., 2011).
A paisagem regional é caracterizada por um terreno Para este estudo, três mapas de produtividade com dados completos
suavemente ondulado, com o solo classificado como Argiloso Típico foram usados para cada área: i)
Hapludox (Soil Survey Staff, 2014) nas áreas de estudo. Área 1: Aveia Branca (2010), Trigo (2013) e Soja (2014-2015); ii) Área
O sistema de manejo utilizado nas áreas selecionadas incluiu a 2: Trigo (2009), Trigo (2014) e Soja (2014-2015); e iii) Área 3: Milho
adoção do sistema de plantio direto (SPD) há mais de 20 anos e o (2009-2010), Trigo (2010) e Soja (2011-2012).
uso de ferramentas de agricultura de precisão nos últimos 10 anos,
como amostragem georreferenciada de solo, mapeamento de solo,
variáveis taxa de aplicação de calcário e fertilizantes e mapeamento Imagens de satélite
de rendimento das culturas. As imagens da série de satélites Landsat (Landsat 7 e 8)
foram obtidas do USGS Earth Explorer, um banco de dados de
Mapas de produtividade acesso livre. As imagens foram baixadas no formato GeoTiff (Nível 1),
Os dados de produtividade da lavoura foram coletados por um apresentando tamanhos de pixel de 30 m. A correção atmosférica foi
monitor de produtividade para mapeamento de produtividade de grãos realizada usando o plug-in de classificação semiautomática do QGIS
e umidade dos grãos colhidos. O sistema consistia em um sensor 2.18 (Congedo, 2016) para obter a refletância da superfície sem a
instantâneo de grãos de placa de impacto instalado no final do interferência dos gases atmosféricos. As imagens Landsat 7 foram
elevador de grãos limpos. Além disso, a colhedora possuía um usadas para as safras de 2009 a 2012 e as imagens Landsat 8 para
sistema de monitoramento de velocidade acoplado com informações as safras de 2013 a 2015.
sobre a largura da plataforma e armazenava as informações de
rendimento com base em sinais de GPS georreferenciados.
Os bancos de dados de produtividade bruta foram filtrados Foi selecionada uma imagem de satélite para cada área e
para eliminar outliers conforme descrito por Menegatti e Molin (2003). cultura em estudo com uma data que representasse o ciclo da cultura,
O critério de eliminação para os outliers inclui conforme descrito na Tabela 1. Foram escolhidas imagens de satélite
que apresentaram a melhor qualidade, ou seja, sem cobertura de
nuvens na área de estudo. O NDVI foi calculado a partir das imagens
de satélite usando o software QuantumGIS (OS Geo) de acordo com
a Equação 1:
(NIR R)
ÿ
NDVI = (1)
(NIR R+
Tabela 1 – Datas de semeadura e colheita das lavouras e aquisição de imagens de satélite, utilizadas no cálculo do NDVI para lavouras anuais em
sul do Brasil.
ciclo da cultura Aquisição de imagens de satélite
Local Colheita
Colheita Encontro Estádio fenológico 60
Aveia Branca Semeadura 19/10/2010 20/08/2010 (final da espiga)1 55 (50% espiga)1 R
Área
1
Trigo 26/05/2010 01/11/2013 13/09/2013 5,3 (vagens com 26% e 50% de
Soja 17/06/2013 25/03/2015 22/01/2015 semeadura)2 52 (20% espiga)1 50 (primeira
Trigo 08/11/2014 28/10/2009 17/08/2009 espiga visível)1 R 4 ( vagens completamente
Área
2
Trigo 13/06/2009 21/10/2014 08/09/2014 desenvolvidas)2 R 4 (grão pastoso)3 52 (20%
Soja 05/06/2014 28/03/2015 14/01/2015 espiga)1 R 5,1 (10% semeadura)2
Milho 10/11/2014 09/03/2010 24/01/2010
Área
3
Trigo 20/10/2009 30/10/2010 20/08/2010
Soja 10/06/2010 25/03/2012 06/01/2012
15/11/2011 1Zadoks et al. (1974); 2Ritchie et al. (1982); 3Ritchie et al. (1993).
ou solo nu, entre outros, os dados de NDVI foram filtrados para foi feito usando o software Management Zone Analyst (MZA) 1.0.1
cada situação avaliada, excluindo-se os valores de NDVI em uma (Fridgen et al., 2004).
faixa de 10 m ao redor do perímetro da área. O índice de performance fuzziness (FPI) e o índice de
Após o cálculo do NDVI, para cada pixel foi adicionado um entropia de classificação normalizada (NCE) foram usados para
centróide correspondente ao valor do NDVI no centro do pixel, com determinar o melhor número de clusters (zonas de gestão), bem
os centróides herdando os mesmos atributos dos polígonos gerados como o seu desempenho global. O FPI (Equação 2) é uma medida
a partir dos pixels. Este procedimento foi utilizado para padronizar do grau de diferentes classes de sociabilidade (imprecisão), onde
os dados de NDVI e produtividade, permitindo uma comparação os valores variam de 0 a 1 (Odeh et al., 1992). A NCE (Equação 3)
entre estes parâmetros. é utilizada para decidir quantos clusters são adequados para definir
as zonas de gestão (Bezdek, 1981). O número ideal de clusters
ocorre quando os dois índices estão em seu mínimo (Fridgen et al.,
Análise de dados 2004).
Uma malha regular de 30 × 30 m (0,09 ha) foi sobreposta
nos mapas de produtividade e NDVI. Este procedimento padronizou c ÿ
n c
ÿ
1
2
o mesmo número de pontos (células) para cada mapa, permitindo FPI =ÿ
1 ÿ1)
ÿ
ÿÿ ( ) emEU (2)
(c
ÿ
1ÿ = =eu 11
uma comparação temporal dos mapas. O tamanho da grade foi Aproximadamente
ÿÿ
ÿÿ você eu registro ( é eu
você ÿ) (3)
(nc n k )
ÿ
= =eu 11
A análise exploratória (estatística descritiva) foi realizada ÿ ÿÿ
Tabela 2 – Estatística descritiva dos dados de produtividade e NDVI para diferentes culturas anuais no sul do Brasil.
Mínimo
Site Crop season CV %1 Cs3 Maximum Crop productivity (kg ha–1) 2435.94
Significar 3778.93
3637.01
4535.14
20.518.27
499.71
309.78
3850.33 SD2
NDVI5109.63
0.51 7.37
9.07
0.63
349.40
7.19 Ck4 W5
0.66 8.70 Crop productivity (kg ha–1) 3797.76 7483.28
Aveia Branca/2010 710,90 18.17 2400.03 7861.55 29.22 3422.64 4769,56 15,39 NDVI -0,33 -0,34 0,98 *
Trigo/2013 2818,13 0,05 0,12 0,74
Área
1
Soja/2014 2409,28 -1..27 2,17 ns 0,91 *
Área
2
Soja/2014 1467,56 526,76 -0,56 -0,10 0,97*
Trigo//2009 0,24 0,35 0,66 2,30 0,87 4,03 0,02 0,17 0,01 0,99*
Trigo/2014 0,65 0,82 0,56 9,97 0,03 -1,91 3,79 0,78*
Soja/2014 0,27 0,43 Produtividade da 0,04 -0,26 0,52 0,99
cultura (kg ha–1) 7538,90
Milho/2009 1338,00 13455,10 22,32 1682,75 3040,43 404,62
4465,804080,89
13,32 5013,35 -0,18 1,08 0,98*
Trigo/2010 755,80 9,98 3040,43 4465,80 13,32 404,62
399,70
4080,89 5013,35 9,98 -0,81 2,58 0,96
Área
3
Soja/2011 1152,83 -2,14 8,92 0,85
Os dados do NDVI apresentaram valores de CV menores (ou os coeficientes de correlação foram considerados altos em relação
seja, variando de 2 a 12 %) do que os verificados para produtividade. às demais áreas, de 0,56, 0,61 e 0,56 para os dados de produtividade
Esses resultados são consistentes com os obtidos em outros estudos de Aveia Branca/2010, Trigo/2013 e Soja/2014, e seus respectivos
(Zerbato et al., 2016; Barbanti et al., 2017), e podem ser devidos ao dados de NDVI.
fato de os valores de NVDI variarem de 0 a 1. Outro fator que contribui Em contrapartida, os menores valores para os coeficientes de
para menor variação correlação foram encontrados na Área 2, apesar de serem
dos dados do NDVI está associado aos estádios fenológicos das considerados aceitáveis pelo critério adotado anteriormente (> 0,30),
culturas no momento da aquisição das imagens. Neste estudo, as sendo 0,48, 0,31 e 0,47 para os dados de Trigo/2009, Trigo/2014 e
imagens foram obtidas quando as lavouras apresentavam alto índice soja/2014, e seus dados NDVI. Na Área 3, os coeficientes de
de área foliar (após as lavouras atingirem o máximo crescimento correlação foram próximos aos encontrados para a Área
vegetativo), o que resultou em menores interferências nos valores de
NDVI. 1, de 0,51, 0,58 e 0,49 para os dados de produtividade de Trigo/2009,
Resultados contrastantes foram encontrados para valores de Trigo/2014 e Soja/2014, e seus respectivos dados de NDVI.
NDVI e valores de produtividade para as culturas de soja e trigo na
mesma área, bem como em áreas diferentes (Tabela 2). As correlações significativas encontradas entre os dados de
Os valores de NDVI para o trigo não acompanharam a magnitude da produtividade e NDVI confirmaram que o NDVI calculado a partir de
variação da produtividade, sugerindo que essa cultura apresenta alta imagens de satélite pode ser usado como parâmetro para delimitar
sensibilidade às variações edafoclimáticas durante seu ciclo (Roman zonas de manejo para sistemas de cultivo anual. Esses resultados
et al., 2008). No entanto, a cultura da soja apresentou maior concordam com os previamente relatados por Zhang et al. (2010),
estabilidade dos valores de NDVI em relação aos valores de que também encontraram correlação entre produtividade e o NDVI
produtividade nas três áreas de estudo, provavelmente associada à calculado a partir de imagens de satélite, indicando a forte relação
alta plasticidade dessa cultura (Ferreira et al., 2018), o que possibilita entre a refletância espectral das lavouras que pode ser utilizada para
adaptação a diferentes ambientes e manejos. condições (por exemplo, mapear sua produtividade.
altitude, latitude, textura do solo, fertilidade do solo, data de
semeadura, população de plantas e espaçamento entre linhas).
Análise geoestatística
Os resultados da análise geoestatística indicaram que os
Correlação de Spearman De dados de produtividade e NDVI, obtidos para cada cultura nas três
modo geral, os dados de produtividade e NDVI apresentaram áreas, são espacialmente dependentes (Tabela 4), permitindo a
correlação significativa (Tabela 3). Na Área 1, o interpolação e espacialização dos dados
Tabela 3 – Matriz de correlação de Spearman (p ÿ 0,01) entre dados de produtividade Mapeando os valores de produtividade da cultura e
e NDVI para diferentes culturas anuais no sul do Brasil. NDVI
A partir do mapeamento da produtividade agrícola da Área
Área 1
1, pode-se observar uma faixa de alta produtividade na parte central
Pro10 Pw13 Ps14 Nwo10 Nw13 Ns14
-
do mapa, estendendo-se do sul ao norte, com destaque para Aveia
Pro10
- Branca/2010 (Figura 2A) e Soja/2014 ( Figura 2C). Apesar de
Pw13 0,03
PS14 0,32 0,27 - algumas semelhanças, esse padrão não se repetiu no mapa do
Masculino 10 0,56 0,24 0,27 - Trigo/2013 (Figura 2B); no entanto, foi possível identificar locais de
Nw13 0,03 0,61 0,19 0,27 - produtividade contrastantes nos três mapas de produtividade. Na
Ns14 0,20 0,06 0,56 0,26 0,48 - Área 2, foi obtido um padrão consistente de produtividade para as
Área 2 três culturas, com maiores produtividades concentradas na região
Pw09 Pw14 Sl14 Nw09 Nw14 Ns14 oeste dos mapas (Figura 2D-F). Na Área 3, os mapas de Milho/2009
-
Pw09 (Figura 2G) e Trigo/2010 (Figura 2H) indicaram maior produtividade
Pw14 0,23 -
nas regiões sul e central dos mapas, enquanto altas produtividades
PS14 0,36 0,18 -
também foram encontradas na região norte para Soja/2011 (Figura
Nw09 0,48 0,03 0,05 -
2I).
Nw14 0,29 0,31 0,32 0,02 -
Área 3
De maneira geral, os dados do NDVI convergiram com os
PM09 Pw10 Ps11 Nm09 Nw10 Ns11
-
mapas dos dados de produtividade, mostrando que regiões de maior
PM09
- produtividade também apresentaram maiores valores de NDVI
Pw10 0,32 Ps11 0,10
0,25 Nm09 0,51 0,04
0,15 Nw10 0,04 - (Figura 3A-I). A eficiência do NDVI obtido a partir de imagens de
0,58 0,22 0,21 0,15
0,11
0,10
Ns11
0,49Os
0,37
valores destacados - satélite e sua concordância com mapas de produtividade também
em negrito mostram
1 =uma
Dados
correlação
de produtividade
> 0,30. Área
para Aveia - foi relatada em outros estudos (Groten, 1993; Boken e Shaykewich,
Dados de produtividade
Branca/2010
da Soja/2014
produtividade
(Pwo10);
(Ps14);
Dados
doNDVI
Trigo/2013
de para Aveia
(Pw13);
Branca/ - 2002; Lopresti et al., 2015), indicando a estreita ligação entre NDVI
2010 (Nwo10); NDVI para Trigo/2013 (Nw13); NDVI para Soja/2014 (Ns14). e produtividade agrícola .
Após definir o número ideal de zonas de manejo para cada mapas com dados de produtividade e NDVI apresentam grande
área, tanto os mapas de produtividade quanto os mapas NDVI foram similaridade.
agrupados pelo algoritmo fuzzy c-means, gerando novos mapas que Além de criar mapas semelhantes, o algoritmo fuzzy c-means
mostram apenas as duas zonas (Figura 5A-F), onde a Zona 1 é uma foi altamente eficiente na delimitação de zonas de manejo de potencial
zona de alto potencial e a Zona 2 uma zona de baixo potencial, assim produtivo contrastante (Tabela 6). Em geral, independentemente do
chamada por Damian et al. (2016). Como pode ser visto, as zonas de parâmetro usado para delimitar as zonas de manejo (dados de
manejo delimitadas usando o NDVI mostraram alta similaridade com a produtividade ou NDVI), os valores medidos para produtividade e NDVI
zona de manejo delimitada usando os dados de produtividade para as foram significativamente diferentes entre as Zonas 1 e 2.
três áreas.
Apenas no caso do Trigo/2014 na Área 2 a diferença não foi
A porcentagem da área dentro de cada MZ foi semelhante, significativa, apesar dos valores apresentarem esse mesmo padrão
independentemente do local de estudo (Tabela 5). A variação entre o para as demais lavouras e áreas.
MZ delimitado com os dados de produtividade e o NDVI foi de 7 a 10 Nossos resultados confirmam que o NDVI obtido a partir de
% para as áreas 1 e 2 e de 19 a 20 % para a área 3. Os valores do imagens de satélite, os fatores que aumentam os erros (por exemplo,
coeficiente Kappa foram classificados como “bom” (0,48) e sobreposição de imagens, presença de nuvens e estágio do ciclo da
“excelente” (0,81 ), de acordo com a classificação proposta por Landis cultura, entre outros) quando devidamente considerados, podem
e Koch (1977), mostrando que a zona de manejo delimitada substituir ou ser usados de forma complementar para dados de
produtividade para delimitar zonas de manejo para culturas anuais. Vale a pena destacar
Tabela 4 – Análise geoestatística dos dados de produtividade agrícola e NDVI para culturas anuais no sul do Brasil.
safra Efeito Pepita (C0) Arenque (C0+C1) Contribuição (C1) Alcance (a) Modelo r2
Área
1
Soja/2014 337000 0,00147 0,00171 0,00094
Productividade 665 Esférico 0,95
da colheita (kg
Aveia Branca/2010 0,00036 Ha - 1) 61262 314982 698100
3024705 995 Gaussiano 0,88
Trigo/2013 0,00062 721113 181228 69860NDVI
180083
0,00186
37690 797 Exponencial 0,73
Soja/2014 0,00077 0,00125 0,00283 826 Exponencial 0,95
Tabela 5 – Classificação dos atributos qualitativos das duas zonas de manejo (Zona 1 - alto potencial produtivo; Zona 2 - baixo potencial produtivo) delimitadas com
dados de produtividade e NDVI.
Zona 1 Zona 2
Porcentagem da área coeficiente Kappa Porcentagem da área coeficiente Kappa
% %
Área
1 Produtividade da cultura 46.32 53,68
0,81 0,78
NDVI 53,67 46.32
Área
2 Produtividade da colheita 44,93 55.07
0,73 0,71
NDVI 54,53 45,47
Área
3 Produtividade da colheita 59,62 39.38
0,56 0,48
NDVI 40,25 59,79
Figura 2 – Distribuição espacial (kg ha–1) da produtividade de grãos nas lavouras de Aveia Branca/2010 (A), Trigo/2013 (B) e Soja/2014 (C) para Área 1,
Trigo/2009 (D), Trigo/2014 (E) e Soja/2014 (F) para a Área 2, e Milho/2009 (G) Trigo/2010 (H) e Soja/2011 (I) para a Área 3.
Considerando que a definição de zonas de manejo deve ser baseada os sistemas de cultivo podem representar um avanço importante na
em informações espaciais que sejam estáveis ou previsíveis ao longo agricultura brasileira, e podem fornecer uso mais eficiente de recursos
do tempo e que informações sobre culturas, como NDVI, são a (ou seja, sementes, fertilizantes, água e pesticidas) e feedback
melhor maneira de diagnosticar tais variações no campo (Li et al., 2007). positivo em termos de agronomia, socioeconomia e meio ambiente.
Conclusões
Agradecimentos
A delimitação das zonas de manejo usando dados NDVI
gerados a partir de imagens de satélite mostrou alta convergência Os autores gostariam de agradecer a Fabiano Pagan ella
com as zonas de manejo delimitadas usando dados de produtividade. (GeoAgro) por seu apoio significativo durante esta pesquisa.
Portanto, os dados do NDVI podem substituir ou complementar com
eficiência uma série de mapas de produtividade para delimitação de
zonas de manejo, principalmente quando é difícil ou impossível obter Contribuições dos Autores
dados de produtividade por meio dos sistemas acoplados às
colheitadeiras. Conceituação: Damian, JM; Piedoso, OHC; Cherubin, MR;
A utilização do NDVI de imagens de satélite como parâmetro Santi, AL Aquisição de dados: Damian, JM; Da Fonseca, AZ; Fornari,
para delimitar zonas de manejo para EZ Análise de dados:
Figura 3 – Distribuição espacial do NDVI para as culturas de Aveia Branca/2010 (A), Trigo/2013 (B) e Soja/2014 (C) para Área 1, Trigo/2009
(D), Trigo/2014 (E) e Soja/2014 (F) para a Área 2, e Milho/2009 (G) Trigo/2010 (H) e Soja/2011 (I) para a Área 3.
Damião, JM; Pias, OHC; Cherubin, MR Desenho da Barbanti, L.; Adroher, J.; Damião, JM; Di Virgílio, N.; Falsone, G.; Zucchelli, M.;
metodologia: Damian, JM Desenvolvimento de software: Martelli, R. 2017. Avaliação da variação espacial do trigo com base em índices
Damian, JM Redação e edição: Damian, JM; Pias, OHC; de vegetação espectrais próximos e remotos e propriedades do solo. Revista
Cherubin, MR; Santi, AL Italiana de Agronomia 21: 1-31.
Figura 4 – Índice de desempenho de imprecisão (FPI) e índice de entropia de classificação normalizada (NCE) para os dados de produtividade nas Áreas 1 (A), 2 (B) e
3 (C), e para os dados NDVI nas Áreas 1 (D), 2 (E) e 3 (F).
Tabela 6 – Comparação da produtividade média das culturas e dos valores de NDVI para diferentes culturas em duas zonas de manejo (Zona 1 - alto rendimento
potencial; Zona 2 - baixo potencial de rendimento).
Produtividade da cultura/Zonas de
Aveia branca/ Trigo/2013 manejo Soja/2014 NDVI-Aveia
3986,21 abranca/2010
0,42 a NDVI-Trigo/2013 NDVI-Soja/2014 0,44
Zona 1 2010 4020,12 4297,35 a 3696,14 b 0,36 b NDVI/Zonas
3956,22
de manejo
a 0,43 0,48 a 0,37 a 0,39 b
Zona 2 a* 3116,35 b 3252,32 b a 3596,23 b 0,34 b b
Área
1
Figura 5 – Mapas das zonas de manejo, elaborados com base no agrupamento dos dados de produtividade e NDVI para as Áreas 1 (A e B), 2 (C e D)
e 3 (E e F) respectivamente.
Buttafuoco, G.; Castrignano, A.; Colecchia, AS; Rico, n. Damião, JM; Santi, AL; Fornari, M.; Da Ros, CO; Eschner, VL 2017.
2010. Delineamento de zonas de manejo usando propriedades do solo Monitoramento da variabilidade no rendimento da cultura comercial
e uma abordagem geoestatística multivariada. Jornal Italiano de causada pelo cultivo anterior de uma cultura de cobertura sob um
Agronomia 5: 323-332. sistema de plantio direto. Computers and Electronics in Agriculture
Chang, D.; Zhang, J.; Zhu, L.; Ge, SH; Li, PY; Liu, GS 2014. 142: 607-621.
Delineação de zonas de manejo usando um sensor de dossel ativo El Nahry, AH; Ali, RR; El Baroudy, AA 2011. Uma abordagem para
para um campo de tabaco. Computers and Electronics in Agriculture agricultura de precisão sob sistema de irrigação por pivô usando
109: 172-178. sensoriamento remoto e técnicas GIS. Agricultural Water Management
Congedo, L. 2016. Plugin de classificação semi-automática - Usermanual. 98: 517-531.
Relatório técnico. DOI: 10.13140/RG.2.2.29474.02242/1 Fraisse, CW; Sudduth, KA; Cozinha, NR 2001.
Damian, JM; Pias, OHC; Santi, AL; Virgílio, N.; Berghetti, J.; Barbanti, L.; Delineação de zonas de manejo específicas do local por classificação
Martelli, R. 2016. Delineando zonas de manejo para aplicações de não supervisionada de atributos topográficos e condutividade elétrica
agricultura de precisão: um estudo de caso sobre trigo no Brasil do solo. Transacções da ASAE
subtropical. Italian Journal of Agronomy 11: 171-179. 44:155-166.
Fridgen, JJ; Cozinha, NR; Sudduth, KA; Drummond, ST; Wiebold, WJ; Fraisse, Ritchie, SW; Hanway, JJ; Benson, GO 1993. Como uma planta de milho se
CW 2004. Analista de zona de gerenciamento (MZA): Software para desenvolve. Serviço de Extensão Cooperativa da Universidade Estadual de
delineamento de zona de gerenciamento de subcampo. Ciência e Tecnologia de Iowa, Ames, IA, EUA (Relatório Especial, 48).
Agronomy Journal 96: 100-108.
Ferreira, A.S.; Balbinot Junior, A.A.; Werner, F.; Franchini, J.C.; Zucareli, C. 2018. Srbinovska, M.; Gavrovski, C.; Dimcev, V.; Krkoleva, A.; Borozan, V. 2015.
Soybean agronomic performance in response to seeding rate and phosphate Monitoramento de parâmetros ambientais na agricultura de precisão usando
and potassium fertilization. Revista Brasileira de Engenharia Agrícola e redes de sensores sem fio. Journal of Cleaner Production 88: 297-307.
Ambiental 22: 151-157.
Groten, SME 1993. Monitoramento de colheita NDVI e avaliação de rendimento Santi, AL; Damião, JM; Cherubin, MR; Amado, TJC; Eitelwein, MT; Vian, AL;
precoce de Burkina Faso. Jornal Internacional de Sensoriamento Remoto 14: Herrera, WFB 2016. Alterações físicas e hidráulicas do solo em diferentes
1495-1515. zonas produtivas sob plantio direto no Brasil. Jornal Africano de Pesquisa
Godfray, HC; Beddington, JR; Cru, IR; Haddad, L.; Lourenço, D.; Linda, J.; Agrícola 11: 1326-1335.
Robinson, S.; Thomas, SM; Toulmin, C. 2010. Segurança alimentar: o desafio
de alimentar 9 bilhões de pessoas. Science 327: 812-818. Equipe de pesquisa de solo. 2014. Chaves para a Taxonomia do Solo. 12ed.
Serviço de Conservação de Recursos Naturais do USDA, Washington, DC,
Ji, L.; Zhang, L.; Rover, J.; Wyile, BK; Chen, X. 2014. EUA.
Estimativa geoestatística de relações sinal-ruído para índices espectrais de Sultana, SR; Ali, A.; Ashfaq, A.; Mubeen, M.; Haq, M.; Ahmad, S.; Ercisli, S.;
vegetação. Jornal ISPRS de Fotogrametria e Sensoriamento Remoto 96: 20-27. Jaafar, HZR 2014. Índice de vegetação de diferença normalizada como uma
ferramenta para estimativa de produção de trigo: um estudo de caso de
Kaffka, SR; Lesch, SM; Bali, KM; Corwin, DL 2005. Manejo específico do local Faisalabad, Paquistão. The Scientific World Journal 14: 1-8.
em campos de beterraba afetados pelo sal usando indução eletromagnética.
Computers and Electronics in Agriculture 46: 329-350. Souza, EG; Bazzi, CL; Khosla, R.; Uribe-Opazo, MA; Reich, RM 2016. O tipo de
interpolação e a computação de dados dos mapas de rendimento das culturas
Landis, JR; Koch, GG 1977. A medição da concordância do observador para são importantes para a produção agrícola de precisão. Journal of Plant Nutrition
dados categóricos. Biometria 33: 159-174. 39: 531–538.
Lopresti, MF; Di Bella, CM; Degioanni, AJ 2015. Relação entre os dados MODIS- Suszek, G.; Souza, E.G.; Uribe-Opazo, M.A.; Nobrega, L.H.P.
NDVI e a produção de trigo: um estudo de caso no norte da província de 2011. Determinação de zonas de manejo a partir de mapas de produtividade
Buenos Aires, Argentina. Processamento de informações na agricultura 2: equivalente normalizados e padronizados na cultura da soja. Engenharia
73-84. Agrícola 31: 895-905.
Lee, W.; Ehsani, R. 2015. Sistemas de detecção para agricultura de precisão na Tagarakis, A.; Liakos, V.; Fontes, S.; Koundouras, S.; Gemtos, TA
Flórida. Computadores e Eletrônica na Agricultura 112: 2-9. 2013. Delineação de zonas de manejo usando técnicas de agrupamento fuzzy
Li, Y.; Zhou, S.; Feng, L.; Houng Yi, L. 2007. Delineação de zonas de gestão em videiras. Agricultura de Precisão 14: 18-39.
específicas do local usando análise de agrupamento fuzzy em uma terra salina Tarnavsky, E.; Garrigues, S.; Brown, ME 2008. Análise geoestatística multiescala
costeira. Computers and Electronics in Agriculture 56: 174-186. de produtos NDVI globais AVHRR, SPOT-VGT e MODIS. Sensoriamento
remoto do ambiente 112: 535-549.
Menegatti, LAA; Molin, JP 2003. Metodologia para identificação e caracterização
de erros em mapas de produção. Revista Brasileira de Engenharia Agrícola e Ungaro, F.; Zasadab, I.; Piorr, A. 2017. Pontos de virada da resiliência ecológica:
Ambiental 7: 367-374 (em português, com resumo em inglês). modelagem geoestatística da mudança da paisagem e provisão de habitat para
pássaros. Paisagismo e Planejamento Urbano 157:
Morais, FJ; Terrón, JM; Rebollo, FJ 2011. Zonas de gestão específicas do local 297-308.
com base no modelo Rasch e técnicas geoestatísticas. Vieira, S.R. 2000. Geostatistics in studies of soil spatial variability. p. 1-54. In:
Computers and Electronics in Agriculture 75: 223-230. Novais, R.F., ed. Topics in soil science. = Tópicos em ciência do solo.
Odeh, IOA; Chittleborough, DJ; McBratney, AB 1992. Sociedade Brasileira de Ciência do Solo, Viçosa, MG, Brazil (in Portuguese).
Reconhecimento de padrões de solo com fuzzy-c-means: aplicação à
classificação e inter-relações solo-relevo. Soil Science Society of America Wilding, LP; Drees, LR 1983. Variabilidade espacial e pedologia. pág. 83-116. In:
Journal 56: 505-516. Wilding, LP; Smeck, NE; Hall, GF, editores.
Peralta, NR; Assefa, Y.; Du, J.; Barden, CJ; Ciampitti, AI 2016. Pedogênese e taxonomia de solos. I. Conceitos e interações.
Imagens de satélite de alta resolução no meio da temporada para prever o Elsevier, Amsterdã, Holanda.
rendimento de milho específico do local. Sensoriamento Remoto 8: 1-16. Zhang, X.; Shi, L.; Jia, X.; Seielstad, G.; Helgason, C. 2010. Aplicativo de
Robertson, GP 1998. GS+: Geoestatística para as Ciências Ambientais. Gamma mapeamento de zona para agricultura de precisão: uma ferramenta de apoio à
Design Software, Plainwell, MI, EUA. decisão para aplicação de taxa variável. Agricultura de Precisão 11: 103-
Romano, M.; Uribe-Opazo, MA; Nóbrega, LHP; Johann, J.A. 114.
2008. Variabilidade espacial do número médio de perfilhos e produção de trigo. Zadoks, JC; Chang, TT; Konzak, CFA 1974. Código decimal para os estágios de
Bragantia 67: 361-370 (em português, com resumo em inglês). crescimento dos cereais. Pesquisa de ervas daninhas 14:415-421.
Ritchie, S.; Hanway, JJ; Thompson, HE 1982. Como uma planta de soja se Zerbato, C.; Rosalen, DL; Furlani, CEA; Deghaid, J.; Voltarelli, MAV 2016.
desenvolve. Iowa State University of Science and Technology-Cooperative Características agronômicas associadas ao índice de vegetação por diferença
Extension Service, Ames, IA, EUA (Relatório Especial, 53). normalizada (NDVI) na cultura do amendoim. Australian Journal of Crop
Science 10: 758-764.