Sensoriamento e

sensores
(plantas)

José P. Molin
ESALQ/USP
jpmolin@usp.br www.agriculturadeprecisao.org.br
 Objetivo

Abordar as técnicas relacionadas ao uso de

sensores de alvos agrícolas, especialmente
solo e plantas, para a obtenção de dados e
diagnóstico da variabilidade espacial,
visando tratamento localizado via mapas
ou em tempo real.

Prof. J. P. Molin
Sensores de plantas

… predominantemente ópticos

Prof. J. P. Molin
 Sensores de
planta

Ehlert e Dammer, 2006

Sensor de densidade
de plantas

Prof. J. P. Molin
Princípio de funcionamento

Class, 2009

Prof. J. P. Molin
Prof. J. P. Molin
 WERNER, A. (2008)

Prof. J. P. Molin
Sensoriamento sem contato físico (remoto)

(óptica)

Prof. J. P. Molin
 Níveis de aquisição de dados – essencialmente estimativa de biomassa

Orbital

Aéreo (avião)

Aéreo (“VANT”)

Terrestre

Ativos!

Sensores de plantas

Prof. J. P. Molin
 Distribuição do comprimento de ondas eletromagnéticas

Visible Near IR IR Short Wavelengths

Soil
Reflectance (%)

Green Vegetation

Water

wavelengths(µm)

Prof. J. P. Molin
Sensores ópticos (plantas)

Prof. J. P. Molin
 Sensores de clorofila
(absorbância e transmitância)

Prof. J. P. Molin
Sensores óticos diretos – transmitância e
absorbância (clorofila)

Prof. J. P. Molin
 Relação dos medidores com Clorofila e Nitrogênio

50 3,5
r² = 0.95 r² = 0.88

40
µg Chlorophyll (a+b)/cm2

N % in leaves
30

2,5

20

2
10

0 1,5
0 100 200 300 400 500 600 700 800 250 300 350 400 450 500 550 600
N-Tester value N-Tester value

Fonte: Yara

Prof. J. P. Molin
Clorofilômetros

Prof. J. P. Molin
Medição do conteúdo de isoorientina em
trigo como indicador de deficiência de N

Medição de conteúdo de antocianina na

casca de “berry”

Correlação entre absorbância e conteúdo

de ácido clorogênico em folhas de tabaco

Prof. J. P. Molin
A utilidade da refletância na agricultura
0,6
Aumenta pelo Suprimento de N
aumento de biomassa 200 kg/ha
0,5

120 kg/ha
0,4
60 kg/ha

0,3

0,2
Diminui com o amento
do conteúdo de clorofila
0,1

0 IR
450 500 550 600 650 700 750 800 850

Comprimento de onda, nm
IR
Fonte: Adaptado de Yara N response trial 1994.

Prof. J. P. Molin
 Regressão linear - valores de R2
Biomassa x produtividade

Produtividades
NDVI

Araujo; Vettorazzi; Molin (2005)

Prof. J. P. Molin
Sensores dedicados
Sensores multiespectrais passivos

1999!!

WERNER, A. (2008)

Prof. J. P. Molin
Yara N-Sensor

Prof. J. P. Molin
 Yara N-Sensor

Prof. J. P. Molin
Sensores multiespectrais

Ativos

Yara N-Sensor

Prof. J. P. Molin
Sensores multiespectrais ativos

Yara N-Sensor

Prof. J. P. Molin
Prof. J. P. Molin
Sensores
multiespectrais

Ativos

Prof.
Holland J. P. Molin
Scientific
Sensores multiespectrais
Ativos (Crop Circle)

Holland et al., 2006

Prof. J. P. Molin
Prof. J. P. Molin
Investigações ESALQ com
sensores ópticos Prof. J. P. Molin
 Investigaçoes
ESALQ com cana
(2006)

Prof. J. P. Molin
N-Sensor CropCircle GreenSeeker

Prof. J. P. Molin
Prof. J. P. Molin
Prof. J. P. Molin
 Medição de
duas elipses
de 3 m cada.

Prof. J. P. Molin
Experimentos em parcelas

Prof. J. P. Molin
 Um sensor por linha?

Um sensor por esteira?

3 esteiras independentes AMARAL, 2014

Prof. J. P. Molin
Os sensores mensuram a refletância de cada fileira

AMARAL, 2014

Prof. J. P. Molin
Os sensores mensuram a refletância de cada fileira

AMARAL, 2014

Prof. J. P. Molin
Como construir o modelo

Prof. J. P. Molin
Biomassa predita versus real para 2009/10 e 2010/11
10000

y = 1.0594x
R² = 0.84
8000
Real Biomassa (kg ha-1)

6000 20 cm
30 cm
40 cm
50 cm
4000 60 cm
Linear (20 - 60)
Linear ("1/1")

2000

0
0 2000 4000 6000 8000
Biomassa predita (kg ha-1) PORTZ, 2014

Prof. J. P. Molin
Nitrogênio predito versus real para 2009/10 e 2010/11
120

y = 1.0351x
R² = 0.85
100
Real extração de nitrogênio (kg ha-1)

80

20 cm
30 cm
60 40 cm
50 cm
60 cm

40 Linear (20 - 60)

Linear ("1/1")

20

0
0 20 40 60 80 100 120
Extração predita de nitrogênio (kg ha-1) PORTZ, 2014

Prof. J. P. Molin
 Como construir o modelo
 Coleta das amostras:
• 30 pontos de amostragem
• Locais escolhidos com base nos mapas dos sensores a fim de aproveitar toda a
amplitude da variabilidade do talhão

Prof. J. P. Molin
Prof. J. P. Molin
 Modelo genérico de calibração agronômica

• Testes de respostas de N são conduzidas para investigar a relação entre valores do

sensor e taxas de N ótimas
• Conversão de medições de reflectância na recomendação de fertilizantes

Existe uma relação

específica para cada cultivo
e estádio de crescimento,
com uma inclinação de
aplicação que está
implementada no Software
do N-Sensor

Yara

Prof. J. P. Molin
Modelo genérico de calibração agronômica; ex: cereais

200 Modelo N-Sensor

180
Taxa máxima de N
160

Ponto de corte - baixa biomassa

N á aplicar (kg N/ha)

145 Posição e ângulo

140
dependentes de cultura e
120 estádio de crescimento
100
Aplicação uniforme
80
70
60
Ajustáveis
40
pelo
20 produtor!
Taxa mínima de N
0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80

Valor do N-Sensor para N

Yara

Prof. J. P. Molin
Estratégia Yara com o uso do
N-Sensor para aplicação de N

SmartAgri, 2018

Prof. J. P. Molin
 Objetivo final
N application rate (kg N/ha)
100
90
maximum N rate
80
70 reference plot

60 biomass cutoff
50
40
30
20
10
minimum N rate
0
10 12 14 16 18 20 22 24 26 28

sensor value
Yara

Prof. J. P. Molin
 Objetivo final
N application rate (kg N/ha)
100
90
maximum N rate N taxa
80
máxima
70 reference plot

60 biomass cutoff
50
40
30
20
10
N taxa mínima minimum N rate
0
10 12 14 16 18 20 22 24 26 28

sensor value
Yara

Prof. J. P. Molin
Se as lavouras são heterogêneas, a fertilização nitrogenada em taxa
variável é a consequência lógica

Curvas de
resposta de N
tem variação
espacial

Yara

Prof. J. P. Molin
 Outra abordagem para construir o modelo

0,66

0,63
Valor de sensor (NDVI)

0,6
Pau D´alho

0,57 Sta Amelia

CC 2°
CC 3°
0,54
Nova Junq
Rio da onça
0,51
Boiadeira

0,48

0,45
0 50 100 150 200
Dose de N (kg/ha)
Amaral & Molin, 2015

Prof. J. P. Molin
Experimentos em parcelas

Prof. J. P. Molin
 Resultados dos experimentos com doses de N
115 114,0
112,6 112,1
108,5 108,3
106,9
105 104,9 104,6
103,5 103,5 103,8
101,7 102,6
101,1
99,7
96,5 96,1
95
Produtividade (t ha-1)

93,5 92,7
90,4
89,8 90,2 90,6
88,9
87,0
85 84,4 84,8
83,9 83,6
82,6
79,9
78,7
77,1 77,6 76,8
75 75,0 74,4
73,9
73,3
70,8 71,1
69,8
68,0
66,7
65
61,0 60,4 60,4
59,0
55
0 50 100 150 200
Doses de N (kg ha-1)

Pau D’Alho Santa Amélia Capão da Cruz A Capão da Cruz B Nova Junqueira
Rio da Onça Aparecida Velha Capão da Cruz C Santa Izaura

Amaral & Molin, 2015

Prof. J. P. Molin
Relação de sensor com biomassa
50

ALV
APA
40 ARE
AGL
R2 = 0,634

Biomassa (t ha-1)
30

20

10

0
0,05 0,10 0,15 0,20 0,25 0,30 0,35
NDRE

Amaral & Molin, 2015

Prof. J. P. Molin
Relação das
leituras do
sensor com a
produtividade
da cana

Amaral & Molin, 2015

Prof. J. P. Molin
 Possibilidade de estimar a produtividade
localizadamente através de valores normalizados

Amaral & Molin, 2015

Prof. J. P. Molin
 O algoritmo
Porcentagem de
N já acumulado
Valor de NDRE pela cultura em
Produtividade relação ao total
obtido para
média demandado para
cada leitura do
estimada para o ciclo da cultura
sensor
o canavial
𝑁𝐷𝑅𝐸𝑝𝑡
𝑁𝑎𝑝𝑙 = 0.41 + × 0.585 × 𝑃𝑒𝑠𝑡 × 𝑁𝑘𝑡 × 1 − 𝑁𝑒𝑥
𝑁𝐷𝑅𝐸𝑚𝑑 100
Dose de N Valor Recomendação
recomendada médio do de N para a
para cada NDRE para produção de
leitura do todo o colmos
sensor de canavial esperada
dossel (kg t-1)

Amaral & Molin, 2015

Prof. J. P. Molin
O princípio:

 Aplicar mais N onde existem menos fatores limitando a

produtividade;

 Obtém-se maior chance do N aplicado ser absorvido;

 Possibilidade de melhorar a produção onde as

condições estão mais adequadas.

Amaral & Molin, 2015

Prof. J. P. Molin
 Equipamentos disponíveis no mercado
Holland Scientifics:
CropCircle (ACS-430)
CropCircle (ACS-470)
Raptor ACS-225LR
AgLeader:
OptRx

Trimble:
GreenSeeker

Yara:
N-Sensor
Topcon
CropSpec
Falker
Flexum

Fritzmeier:
Isaria
ForceA
Multiplex
Prof. J. P. Molin
4 fontes de luz (LED): 373 nm (UV), 470 nm
(B), 516 nm (G) e 635 nm (R)
3 detectores =>Fluorescência: Amarelo (YF),
vermelho (RF) e vermelho-extremo (FRF).

Prof. J. P. Molin
 Experimentos
ESALQ com trigo
(2006)

Prof. J. P. Molin
Prof. J. P. Molin
 Sensores de distância (altura/volume de plantas)

EHLERT et al., 2010

Prof. J. P. Molin
LIDAR

Sensor a ultrassom

Prof. J. P. Molin
Suporte para
sensores a
ultrassom
Receptor GNSS

LIDAR

Colaço, 2015

Prof. J. P. Molin
Ultrassom

LIDAR

Colaço, 2015

Prof. J. P. Molin
 Colaço, 2015

Prof. J. P. Molin
 Colaço, 2015

Prof. J. P. Molin
Laranja

Colaço, 2016

Prof. J. P. Molin
Colaço, 2016

Prof. J. P. Molin
Canopy volume and height spatial variability and site-specific
applications in commercial orange groves

Dependência especial fraca;

Alcance entre 50 e 110 m

Colaço, 2016

Prof. J. P. Molin
Canopy volume and height spatial variability and site-specific
applications in commercial orange groves

Classification of orange groves into different tree size zones

Colaço, 2016

Prof. J. P. Molin
 Uva

PIRACICABA
2018

Silva, 2018

Prof. J. P. Molin
 Café

1.01
m

Karp et al., 2018

Prof. J. P. Molin
 Descriptive statistic of volume and height for Field 2

Mean Standard Deviation Median Minimum Maximum

Variables C.V.(%)*
------------------- m³ (volume) or m (height) --------------------

Height 2.91 0.19 2.92 2.41 3.37 6.55

Volume 0.78 0.12 0.79 0.48 1.06 15.77

Karp et al., 2018

Prof. J. P. Molin
 Canopy Geometric Parameters – Field 2

Plants porosity

Karp et al., 2018

Prof. J. P. Molin
Sensores para detecção de verde – herbicida!

Prof. J. P. Molin
 Sensor de “Verde”

Localiza Aplica
Prof. J. P. Molin
Prof. J. P. Molin
 Folheto Herbicat

Prof. J. P. Molin
Prof. J. P. Molin
 WeedIt

Prof. J. P. Molin
Visão artificial

JADJADI (1995)

Câmera com frequência de 24

imagens/s para velocidades de até
1,43 m/s e pixels de pulverização de
10,5 x 10 mm (de impressora de jato
de tinta)

câmera

pulverizador

NORREMARK, et al., 2009

Prof. J. P. Molin
Real image Computer Vision

SmartAgri, 2019

Prof. J. P. Molin
 SmartAgri, 2019

Prof. J. P. Molin
Resultados Instantâneos

SmartAgri, 2019

Prof. J. P. Molin
On board cameras that takes pictures of the
ground and automatically counts the number
of grains that were lost during harvest;

Grain identification Cameras installed

and counting behind harvester
platform

SmartAgri, 2019

Prof. J. P. Molin
Sensores que tem o produto como alvo

… investigação e
monitoramento da qualidade

Prof. J. P. Molin
Princípio de funcionamento

Bandas do NIR normalmente utilizadas

Digman & Shinners (2011)

Prof. J. P. Molin
Medidor de umidade do material por NIR (espectroscopia)
Na colhedora de forragem

No galpão

John Deere

Prof. J. P. Molin
Sensor NIR de
bancada

Prof. J. P. Molin
Outros semelhantes:

Class – mede por

eletrocondutividade Krone - mede por
mais temperatura eletrocondutividade

Prof. J. P. Molin
Monitor da qualidade dos grãos – teor de proteína

Prof. J. P. Molin
Sensor de proteína
em grãos

Prof. J. P. Molin
Sensor de proteína
em grãos

Prof. J. P. Molin
InfoAg 2016

http://www.cropscan.com

Prof. J. P. Molin
Prof. J. P. Molin
Taylor et al., 2005

Prof. J. P. Molin
Taylor et al., 2005

Prof. J. P. Molin