Uso de drones na

identificação de pragas
e doenças na lavoura

DOENÇAS E PRAGAS DETECTADAS:

• MOFO BRANCO
• ÁCARO
• NEMATÓIDES
• LAGARTAS
• ROSELINIOSE
I númeras são as variáveis que
influenciam no processo produtivo
em qualquer lavoura, doenças, pragas,
estresse nutricional, disponibilidade
hídrica e uma série de outros fatores
impactam significativamente na
produtividade, e saber exatamente
quando e onde esses fatores entram em
ação é uma busca constante para tomar
as melhores decisões sobre o manejo da
plantação.

Um dos pilares da agricultura de precisão

é justamente entender a dinâmica de
desenvolvimento da lavoura, prevendo ou
identificando precocemente anomalias
de tal forma a possibilitar a intervenção
em tempo hábil e garantir altos tetos
produtivos.
U ma vez em que se consegue coletar e
mensurar dados sobre essas variáveis
e checar periodicamente o estado de
saúde da plantação, organizando em
seguida essa informação de tal forma
em que ela vire métricas parciais,
chegamos a um conceito que chamamos
de Agricultura de Decisão, ou seja,
tomar decisões cada vez mais assertivas
baseadas em dados consistentes.
3

Tomar decisões cada

vez mais assertivas

Focando mais especificamente na

identificação de pragas e doenças,
desenvolvemos uma série de estudos de
caso com o objetivo de avaliar o estado
fitossanitário dos cultivos e desenvolver
técnicas de monitoramento e tomadas de
ação no intuito de evitar perdas produtivas
e otimizar a aplicação de defensivos.
Case 1
Mofo Branco

O primeiro case que podemos citar foi

um ocorrido em uma lavoura de soja
localizada no sul de Minas, onde, após o
voo do drone com câmera multiespectral
e processamento de dados no FieldScan,
foram identificadas algumas manchas
4
significativas no talhão.

Uma vez identificadas as anomalias,

a equipe da fazenda e assessoria
agronômica sincronizaram o mapa com o
aplicativo de verificação em campo offline,
e foram até a lavoura para executar o
diagnóstico final, entendendo a causa do
problema e constatando a incidência de
Mofo Branco nessa região.
O bviamente, dependendo da
gravidade da infestação, pode
ser muito tarde para recuperar a
produtividade, mas tomar providências
para remediar os problemas e evitar
que se espalhe pela área é uma decisão
quase instantânea sobre esse caso
específico.

5
Case 2
Ácaro
Ainda na mesma região, com um outro
produtor de soja, o que chamou a atenção
foi a presença de pequenas reboleiras na
parte leste do talhão, e um gradiente de
vigor vegetativo vindo da parte leste para a
oeste do talhão.

Após uma investigação in loco, percebeu-se que

a lavoura estava sendo atacada por ácaros, um
problemas totalmente desconhecido pelo produtor,
que tomou uma decisão direcionada de aplicação
de inseticidas ainda na semana da detecção,
evitando o alastramento da praga e consequente
maior perda de produtividade.
Case 3
Nematóide
O estudo de caso a seguir foi desenvolvido
em uma lavoura de soja no município
de Correntina, na Bahia. Em um talhão
de 350 ha de soja, o produtor já tinha
conhecimento de uma reboleira grave de
nematoide de galha na borda do talhão,
e já vinha sentindo uma intensa perda de 7
produtividade ano após ano nesse campo.

Uma vez despertado para o problema,

sabemos que os nematoides ainda são
pragas muito difíceis de se zonear, e o
uso da imagem está se tornando uma
ferramenta fundamental para proceder
com o manejo correto e localizado desse
problema.
U tilizando a camada de resultados
NDRE do FieldScan, e a ferramenta
de Zonas de Classificação, foi possível
zonear de forma vetorizada as
manchas do talhão, permitindo inserir
pontos de amostragem de solo e raiz
representativos para então entender a
variabilidade espacial da população do
patógeno.

Na tomada de ação, além de permitir 8

a alocação de culturas de rotação e
cultivares resistentes, ainda é possível
utilizar o vetor de Zonas para aplicar
nematicidas de forma localizada.
A lguns nematicidas químicos
permitem a aplicação diretamente
no sulco durante o plantio, ao invés de
incorporado no tratamento de semente,
e essa prática pode chegar a reduzir até
70% no uso do defensivo viabilizando
economicamente a aplicação de
nematicidas de maior valor agregado e
doses mais altas onde necessário.

9
CAMADA NDRE GERADA PELO FIELDSCAN
ATRAVÉS DE CÂMERAS MULTIESPECTRAIS.

ZONAS DE CLASSIFICAÇÃO DEFINIDAS

PELO USUÁRIO NO FIELDSCAN.

FORA DA
MANCHA
DENTRO DA
MANCHA
Case 4
Nematóides e Lagartas
No case a seguir temos também um caso
de reboleira de nematoide, dessa vez se
manifestando na cultura do milho.

O procedimento de investigação e
validação segue o mesmo exemplo do
último case, amostrando solo e raiz dentro 10

e fora da mancha, para então tomar

decisões com dados mais assertivos sobre
rotações e aplicações.

O que trazemos de novo aqui é que no

mesmo mapa foram identificados mais
dois problemas: um ataque severo de
lagartas e solo como cascalho.
N o ataque de lagartas, a investigação de
cara nos mostrou os furos provocados
pela raspagem das lagartas nas folhas
das plantas, permitindo ainda entender
o gradiente de infestação para tomar
melhores decisões sobre a dosagem a ser
aplicada do inseticida.

No solo com cascalho, devido a um

estresse hídrico de várias semanas
sofrida pela cultura, entendeu-se que 11
o milho teria baixo potencial produtivo
e não compensaria despender mais
investimentos na área, evitando assim
o aumento de custos e deterioração da
margem. ATAQUE SEVERO
DE LAGARTAS.

SOLO COM
REBOLEIRA DE CASCALHO,
NEMATOIDES. MILHO DE BAIXO
POTENCIAL.

TRONCOS DE
ÁRVORES. ÁREA
NÃO PLANTADA.
NDVI GERADO PELO FIELDSCAN ATRAVÉS
DE CÂMERAS MULTIESPECTRAIS.
Case 5
Roseliniose em cafeeiro
No último case desta série, trazemos um
exemplo de mancha encontrado no plantio
do cafeeiro. Nesse caso utilizando apenas
uma câmera RGB embarcada em um DJI
Phantom. Isso mesmo, o índice gerado no
FieldScan foi VARI, que considera apenas
a diferença de verde visível na plantação, e
apesar de possuir menos sensibilidade, já
é capaz de zonear manchas com clorose
avançada e baixo nível de densidade foliar.

Apesar de possuir um padrão geométrico

que poderia representar outras pragas
como Fusarium ou nematoides, conhecer
o histórico da área foi fundamental para
entender que o patógeno incidente ali
era o Rosellinea Spp, responsável por
causar a roseliniose ou, como também é
conhecida, mal dos quatro anos.
E ssa anomalia pode incidir se no
momento de abertura da lavoura,
troncos de árvores (nativas) sejam
enterrados na área da lavoura, com
o objetivo de reduzir o trabalho de
limpeza da área de abertura. Dentre os
inúmeros microrganismos que cuidam
da decomposição dessa matéria orgânica
no subsolo, está o Rosellinea Spp, um
processeo que dura em média quatro anos
para ser finalizado (daí vem o nome). 13

Após decompor essa matéria orgânica,

o fungo sobe e passa a atacar a raiz
do cafeeiro, passando a se espalhar
lentamente na área em forma de reboleira.
E sses talhões representavam uma
área de alta produtividade com
café Catucaí, e o produtor desconhecia
totalmente a existência de praga, que
mesmo representando uma área pequena
(0.36 ha), já causava um prejuízo de quase
10 mil reais por ano, considerando a
limitação de teto produtivo e o alto valor
agregado da cultura em questão.

14

NO CENTRO DA MANCHA FORAM VARI GERADO PELO

IDENTIFICADAS PLANTAS MORTAS, FIELDSCAN ATRAVÉS
MAS SOMENTE COM A IMAGEM SE DE CÂMERAS RGB.
ENTENDEU A FUNDO A EXTENSÃO
DO DANO.
N a Sensix acreditamos que cada
tecnologia tem sua contribuição na
geração de indicadores acionáveis a
agricultores no mundo inteiro e soluções
inteligentes propiciarão insights a partir
de imagens independente de como elas
foram coletadas. Uma vez que o dado está
disponível, com a qualidade e característica
necessária e independente da ferramenta
de captação, são os indicadores extraídos
dele que importam no auxílio das decisões 15
agronômicas do manejo.

Nesse ebook você acompanhou e viu como

os mapas gerados por nossa plataforma
auxiliam na identificação de doenças e
pragas, isso antes mesmo da infestação
se dar por completo, dessa forma as ações
necessárias são aplicadas e as perdas são
diminuídas e/ou até extinguidas.
C onheça nossa plataforma. Contate
nosso comercial e vamos compartilhar
mapas de exemplo pra que entenda como
funciona o FieldScan.

CLIQUE E CONHEÇA

Até a próxima!
17