Exemplares desta publicação podem ser adquiridos na:

Embrapa Instrumentação
Rua XV de Novembro, 1452 – Caixa Postal 741
CEP 13560-970 - São Carlos - SP
Fone: (16) 2107-2800 – Fax: (16) 2107-2902
www.embrapa.br
www.embrapa.br/fale-conosco/sac

Comitê de Publicações da Unidade

Presidente
João de Mendonça Naime

Membros
Cinthia Cabral da Costa
Elaine Cristina Paris
Maria Alice Martins
Cristiane Sanchez Farinas
Valéria de Fátima Cardoso

Membro suplente
Paulo Renato Orlandi Lasso

Normalização bibliográfica, Projeto gráfico,

Capa, Editoração eletrônica, Tratamento das ilustrações
Editora Cubo

Foto da Capa
Ricardo Yassushi Inamasu

Impressão e Acabamento
RB Gráfica Digital Eirelli

1ª edição
1ª impressão (2014): 1.000 exemplares
2ª impressão (2014): 1.000 exemplares

As opiniões, conceitos, afirmações e conteúdo desta publicação são de

exclusiva e de inteira responsabilidade dos autores, não exprimindo, necessariamente,
o ponto de vista da Empresa Brasileira de Pesquisa Agropecuária (Embrapa),
vinculada ao Ministério da Agricultura, Pecuária e Abastecimento.
Todos os direitos reservados.
A reprodução não autorizada desta publicação, no todo ou em parte,
constitui violação dos direitos autorais (Lei no 9.610).
Dados internacionais de catalogação na publicação - CIP
Embrapa Instrumentação

A278 Agricultura de precisão: resultados de um novo olhar. / Alberto Carlos de Campos

Bernardi, [et al.], editores técnicos. – Brasília, DF : Embrapa, 2014.
596 p. ; II. color. ; 21 cm x 29,7 cm.

ISBN 978-85-7035-352-8

1. Agricultura de precisão. 2. Instrumentação. 3. Automação Agropecuária.

4. Inovação. 5. Culturas. 6. Agricultura. I. Bernardi, Alberto Carlos de Campos.
II. Naime, João de Mendonça. III. Resende, Álvaro Vilela de. IV. Bassoi, Luis
Henrique. V. Inamasu, Ricardo Yassushi. VI. Embrapa Instrumentação.

CDD 21 ED 681.763

©Embrapa 2014
 Sensoriamento Remoto: conceitos básicos
4 e aplicações na Agricultura de Precisão**
Luciano Shozo Shiratsuchi*1, Ziany Neiva Brandão*2, Luiz Eduardo Vicente*3,
Daniel de Castro Victoria*4, Jorge Ricardo Ducati*5, Ronaldo Pereira de Oliveira*6,
Marina de Fátima Vilela*7
1
PhD. em Agronomia: Ciência do Solo, Embrapa Agrossilvipastoril
2
DSc. em Recursos Naturais: Sistema Água-Solo-Planta-Atmosfera, Embrapa Algodão
3
DSc. em Geografia, Embrapa Monitoramento por Satelite
4
DSc. em Ciências: Energia Nuclear na Agricultura, Embrapa Monitoramento por Satelite
5
PhD. em Ciências Fisicas, Universidade Federal do Rio Grande do Sul
6
PhD. em Agricultura de Precisão, Embrapa Solos
7
DSc. em Sensoriamento Remoto, Embrapa Cerrados

*E-mails: [email protected], [email protected], [email protected],

[email protected], [email protected], [email protected], [email protected]
**Projeto financiado pela Embrapa enquadrado no Macroprograma 1 - Grandes Desafios Nacionais

Resumo: A agricultura de precisão (AP) oferece uma infinidade de benefícios potenciais em

rentabilidade, produtividade, sustentabilidade, qualidade da cultura, proteção ambiental, qualidade
de vida, segurança alimentar e desenvolvimento econômico rural. A AP utiliza abordagens científicas
e modernas, combinadas com os conhecimentos tradicionais e tecnologias de informação para
uma produção agrícola inteligente. Nesse sentido, as técnicas de sensoriamento remoto, onde as
informações da lavoura são obtidas de forma não-destrutiva, rápida e por vezes à distância, têm
se tornado de fundamental importância na obtenção e tratamento dos dados de campo. Técnicas
de sensoriamento remoto (SR) desempenham um papel importante no campo em diagnósticos
como a estimativa da produtividade, avaliação nutricional, detecção de pragas e doenças, previsão
do tempo e avaliação da necessidade hídrica das plantas obtidas em sitio especifico. Assim, o
objetivo deste trabalho foi apresentar aspectos teóricos e as principais técnicas de SR utilizadas
atualmente nas lavouras de alta produtividade.
Palavras-chave: efeito da refletância, sensores, índices de vegetação, monitoramento de culturas

Remote Sensing: Basic concepts and applications in Precision

Agriculture
Precision Agriculture (PA) offers a myriad of potential benefits in terms of profitability, crop yield,
sustainability, quality, environmental protection, quality of life, food security and rural economic
development. The AP uses modern and scientific approaches, combined with traditional knowledge
and information technologies for an intelligent agricultural production. In this sense, the remote
sensing techniques, which the crop information are obtained in a non-destructive, very quick and
sometimes at a distance, have become very important to obtaining and processing of field data.
Remote sensing (RS) play an important role in the field, especially in diagnostics as yield estimate,
nutritional assessment, detection of pests and diseases, weather forecast and assessment of plants
water requirement in site-specific. Thus, the objective of this work was to present the theoretical
FERRAMENTAS

aspects and the main SR techniques currently used in farms of high productivity.

reflectance effects, sensors, vegetation indices, crop monitoring

58 | AGRICULTURA DE PRECISÃO: RESULTADOS DE UM NOVO OLHAR

1. Introdução em diferentes comprimentos de onda do
espectro (BRANDÃO et al., 2008). Assim,
O sensoriamento remoto (SR) se caracteriza dados da refletância têm sido associados às
pela obtenção de informações de um objeto sem características das plantas como o índice da
existir um contacto físico com o mesmo, e muitas área foliar, a biomassa ou a fração radiativa
vezes à longas distâncias. As primeiras medições interceptada fotossinteticamente. Na agricultura,
por SR foram realizadas através de câmeras as propriedades da refletância em cada faixa do
acopladas em aeronaves, balões, pipas, foguetes espectro eletromagnético podem ser melhor
e até passaros. Atualmente, imagens de sensores avaliadas através de combinações matemáticas
remotos podem ser obtidas a partir de diversas de diferentes bandas espectrais (ATZBERGER,
plataformas, como satélites, aeronaves, veículos 2013). Essas transformações são medidas da
aéreos não tripulados (VANTs), máquinas atividade da vegetação utilizam em especial as
agrícolas autopropelidas, etc. faixas do visível e infravermelho próximo (NIR
Várias aplicações podem ser abordadas através - Near Infrared) e são denominados de índices
de SR, dentre elas, se destacam: (a) a estimativa de vegetação (IVs).
da biomassa e produtividade da cultura; (b) o Para entender como os IVs são criados, é
monitoramento de estresse hídrico e do vigor preciso uma melhor compreensão da resposta
nas plantas e (c) a avaliação do estádio fenológico espectral da vegetação. Na Figura 1a. pode ser
(BRANDÃO, 2009). observado o comportamento da refletância
Uma das primeiras aplicações dos dados para a vegetação verde s audável, s endo
obtidos remotamente tem sido a detecção fundamentalmente determinado pela clorofila,
de diferenças na refletância, relacionadas à que reflete em todo o espectro visível, mas tem seu
densidade da cobertura vegetal. A radiometria ápice na faixa da luz verde (500-600 nm), e cuja
espectral é uma das mais importantes áreas absorção é máxima nas faixas espectrais da luz
do SR, podendo ser efetivada por meio de azul (400-500 nm) e da luz vermelha (600-700 nm)
medidas realizadas em laboratório ou em (BRANDÃO et al., 2008). As clorofilas a e b
campo. Ela identifica a intensidade com que regulam o comportamento espectral da vegetação
cada material, seja um tipo de solo, de rocha ou de maneira mais significativa em comparação
de vegetação, reflete a radiação eletromagnética com outros pigmentos (Figura 1b). No NIR

a b

Figura 1. (a) Curvas características da refletância da água, solo e vegetação verde, apresentando faixas
espectrais de absorção da radiação eletromagnética associadas a pigmentos e água. (b) Comprimentos de
onda de absorbância das clorofilas a e b.

FERRAMENTAS PARA AGRICULTURA DE PRECISÃO | 59

 (750-1300 nm), dependendo do tipo de planta, a propriedades como a biomassa, conteúdo de água
radiação solar é refletida numa proporção de 30 na folha e conteúdo de clorofila. Ele validou o
% a 80 % dos raios incidentes. NDVI (Normalized Difference Vegetation Index)
Nos comprimentos de ondas acima de 1300 desenvolvido por Rouse et al. (1973), que é um IV
nm, o conteúdo de água das folhas influencia a estrutural, muito utilizado para monitoramento
interação com a radiação. A água no tecido foliar agrícola, por apresentar forte correlação linear
absorve especialmente nas faixas em torno de 1450 com o crescimento das culturas. Por outro
nm e 1950 nm, sendo comprimentos de onda úteis lado, a razão simples entre o NIR e o canal
à determinação do conteúdo hídrico das folhas vermelho fornece uma alta correlação com o
(PEÑUELAS et al., 1997). desenvolvimento das plantas e com seus estágios
de crescimento, sendo esse um dos primeiros IV
estudados (BIRTH; McVEY, 1968).
O SAVI (Soil-Adjusted Vegetation Index)
2. Índices de vegetação no
(Huete, 1988), foi criado visando amenizar o efeito
monitoramento de culturas
de solo e se baseia no princípio de que a curva de
vegetação tende a aproximar-se da curva de solo
Inúmeros IV já foram desenvolvidos para
diferentes finalidades. Pesquisadores no mundo para baixas densidades de vegetação, passando
inteiro usam as características de absorção por uma mistura de respostas espectrais para
associadas com constituintes bioquímicos para densidades médias e quase nenhuma influência do
avaliar as culturas em estudo. Assim, diferentes solo para densidades altas de vegetação. O SAVI
índices são utilizados na agricultura e são consiste na própria fórmula do NDVI, acrescida de
otimizados para avaliar um processo de interesse uma constante L, que varia de 0 a 1, dependendo
(BRANDÃO, 2009). Por exemplo, alguns índices do grau da maior ou menor cobertura do solo,
espectrais foram propostos para capturar os respectivamente. Seguindo o mesmo princípio
processos fotoquímicos associados com a atividade vieram duas modificações do SAVI: o TSAVI
da fotossíntese tal como o uso da eficiência da luz (Transformed SAVI) (BARET; GUYOT; MAJOR,
(ε) ou estimar o conteúdo de pigmentação da folha 1989), o MSAVI (Modified SAVI) (Qi et al., 1994) e
(clorofila) (DAUGHTRY et al., 2000; BRITO et al., o OSAVI (Optmized SAVI) (Rondeaux et al., 1996).
2011), enquanto que outros foram projetados para Outros índices bastante utilizados são os que
obter o índice de área foliar (IAF). se propõem a reduzir os efeitos atmosféricos
A escolha do comprimento de onda mais com a utilização da faixa do azul do espectro
adequado está relacionada às características que eletromagnético (B - Blue), como os IVs SARVI
se deseja avaliar. Algumas vezes pode surgir o e EVI (Tabela 1).
efeito de confusão, pois a refletância do dossel no Estimativas de biomassa de áreas florestadas
NIR é fortemente dependente das propriedades através de SR podem ser realizadas mediante a
estruturais (por exemplo, IAF), enquanto no utilização de dados coletados em campo, aeronave
visível é sensível as propriedades bioquímicas ou dados orbitais. Usando qualquer método,
(por exemplo, clorofila) (ZARCO-TEJADA et al., o interesse é sempre a obtenção das relações
2001). Para reduzir esse efeito, muitos estudos para o índice de área foliar (IAF) e biomassa.
recentes demonstraram que a quantidade de O IAF é um importante parâmetro biofísico da
clorofila da folha pode ser estimada através da vegetação, sendo definido como a área foliar total
combinação de diferentes índices espectrais. projetada por unidade de área de terreno (m2 /m2)
Assim, os IVs podem ser divididos em índices (DAUGHTRY et al., 1992).
sensíveis à concentração do pigmento (clorofila) e Sua importância deve-se à relação
índices estruturais, que podem ou não ser imunes com a biomassa vegetal e por caracterizar a
à influência das propriedades óticas do solo arquitetura do dossel, fornecendo informações
(HABOUDANE et al., 2004; BRANDÃO, 2009). importantes sobre o vigor da cobertura vegetada
A Tabela 1 apresenta alguns dos índices e justificando a diversidade de estudos em
de vegetação mais utilizados. Tucker (1979) SR envolvendo estimativas deste parâmetro.
estudou diferentes combinações lineares das Estas estimativas permitem uma avaliação
bandas do verde, vermelho e NIR para monitorar das condições fisionômicas e fisiológicas dos

60 | AGRICULTURA DE PRECISÃO: RESULTADOS DE UM NOVO OLHAR

Tabela 1. Índices de vegetação comumente utilizados no monitoramento de culturas.

Descrição Índice Referência

Características Estruturais

SR (Simple Ratio) SR = RNIR / RR Birth e McVey (1968)

NDVI (Normalized NDVI = ( RNIR − RR ) / ( RNIR + RR ) Rouse et al. (1974)

Difference Vegetation
Index)

GRVI (Green-Red GRVI = ( RG − RR ) / ( RG + RR ) Tucker (1979)

Vegetation Index)

SAVI (Soil Adjusted SAVI = (1+ L)) ( RNIR − RR ) / ( RNIR + RR + L ) Huete (1988)
Difference Vegetation
Index)

(1+ L ) ( RNIR − ( RR − γ ( RB − RR )))

SARVI (Soil and Kaufman e Tanre (1992)
Atmospherically
SARVI =
Resistant Vegetation  L + RNIR + ( RR − γ ( RB − RR ))
Index)  

MSAVI (Modified 1 Qi et al., 1994

SAVI) MSAVI =  2RNIR + 1 −
2
( 2RNIR + 1)2 − 8 ( RNIR − RR ) 


RDVI (Renormalized Roujean e Breon (1995)

Difference Vegetation
RDVI = ( RNIR − RR ) / ( RNIR + RR )
Index)

EVI (Enhanced EVI = 2,5 ( RNIR − RR ) / (1+ RNIR + 6RR − 7,5RB ) Huete et al. (1997)
Vegetation Index)

OSAVI (Optmized OSAVI = (1+ 0,16)) ( RNIR − RR ) / ( RNIR + RR + 0,16 ) Rondeaux et al., 1996
SAVI)

MSR (Modified SR)

MSR = ( RNIR / RR ) − 1 / 1+ ( RNIR / RR )

Propriedades Bioquímicas

SIPI (Structural SIPI = ( RNIR − RB ) / ( RNIR + RR ) Peñuelas et al., 1995

Insensitive Pigment
Index)

GARI (Green RNIR −  RG − γ ( RB − RR ) Gitelson et al., 1996

Atmospherically GARI =
Resistant Vegetation  (
 RNIR + RG − γ ( RB − RR )  )

Index)

TVI (Triangular 1 Broge e Leblanc (2001)

Vegetation Index) TVI = 120 ( RNIR − RG ) − 200 ( RR − RG )
2

GCI (Green GCI = RNIR / RG  − 1 Gitelson et al., 2003

Chlorophyll Index)

MCARI1 (First MCARI1= 1,2  2,5 ( RNIR − RG ) − 1,3 ( RNIR − RG ) Haboudane et al. (2004)
Modified Chlorophyll
Absorption Ratio Index)

MCARI2 (Second Haboudane et al. (2004)

1,2  2,5 ( RNIR − RR ) − 1,3 ( RNIR − RG )
Modified Chlorophyll MCARI 2 =
Absorption Ratio Index) 2(RNIR + 1)2 − 0,5 − 6(RNIR − 5 RR )

FERRAMENTAS PARA AGRICULTURA DE PRECISÃO | 61

 dosséis e análises quantitativa e qualitativa das a partir de plataformas aerotransportadas ou
trocas energia/matéria ocorridas nos mesmos de sensores orbitais de alta resolução. A partir
(HABOUDANE et al., 2004. da Figura 3 é possível compreender o efeito
O uso de dados orbitais constitui-se em da resolução espacial nas imagens de sensores
um método indireto e não destrutivo para remotos.
estimativa do IAF. De maneira geral é esperado A resolução espectral diz respeito ao número
que quanto maior o IAF, menor o valor de e ao tamanho dos intervalos de comprimento
radiância espectral referente às regiões do visível de onda (bandas) do espectro eletromagnético
(380 a 720 nm) e do infravermelho médio (1300 mensurado. De acordo com a faixa do espectro, os
a 3000 nm), devido à maior disponibilidade de alvos na superfície terrestre respondem de maneira
pigmentos fotossintetizantes absorvendo Radiação distinta, o que confere diferentes aplicações para
Eletromagnética (REM) incidente e quantidade cada uma das bandas dos sensores multiespectrais.
de água, respectivamente, e maior valor na região Sensores multiepectrais possuem bandas em
do infravermelho próximo, devido ao múltiplo diferentes faixas do espectro eletromagnético,
espalhamento entre folhas. cobrindo a faixa do visível, infravermelho
Em SR, os sensores utilizados podem ser próximo, médio e termal (Tabela 2). Também
divididos em duas categorias: passivos ou existem sensores com um número elevado de
ativos. Sensores passivos registram a energia bandas contíguas, capazes de coletar informações
eletromagnética refletida ou emitida pelo alvo, do espectro eletromagnético de maneira contínua,
como a radiação solar refletida ou radiação termal os sensores hiperespectrais.
emitida. São exemplos de sensores passivos os A resolução temporal diz respeito ao intervalo
sensores multiespectrais a bordo de diversos de tempo necessário para a obtenção de imagens
satélites como o Operational Land Imager (OLI) a de um mesmo local. Plataformas orbitais como o
bordo do satélite Landsat 8 e a Moderate Resolution
Imaging Spectroradiometer (MODIS), a bordo
dos satélites TERRA e AQUA. Já os sensores
ativos proporcionam fonte própria de energia a
eletromagnética, como os radares, sonares,
sensores ativos de dossel (como o Crop Circle
e Greenseeker) e LiDAR. Este último sistema
(LiDAR - Light Detection and Ranging) dispara
pulsos de laser sobre o terreno e identifica
b
os respectivos retornos, tornando possível
saber com precisão as coordenadas X, Y e Z de
pontos no terreno. Isso permite gerar “nuvens de
pontos” (Figura 2), que podem ser utilizados para
levantamentos topográficos (ZANARDI et al.,
2013) e estudos de biomassa em florestas plantadas
(SILVA et al., 2013) e manejo de florestas nativas c
(ARAUJO et al., 2013).
Imagens de sensores remotos apresentam
diferentes resoluções: espacial, espectral, temporal
e radiométrica. A resolução espacial diz respeito
à dimensão do terreno que é representada pelo
menor elemento em uma imagem, o pixel. Estão
disponíveis imagens em que o pixel representa
áreas de 1 km 2 ou maiores (baixa resolução
Figura 2. a) Vista superior de nuvem de pontos LIDAR
espacial), as quais podem ser aplicadas para da Floresta Estadual do Antimary, AC, b) visão oblíqua
estudos de grandes regiões como avaliação da da mesma região e c) visão lateral aproximada. É
temperatura do oceano, condições atmosféricas possível identificar a forma de algumas copas de
árvores. Dados LIDAR são provenientes do projeto
globais etc. Também é possível obter imagens Paisagens Sustentáveis, parceria da Embrapa com o
com resolução espacial na ordem de centímetros, Serviço Florestal Americano (USFS).

62 | AGRICULTURA DE PRECISÃO: RESULTADOS DE UM NOVO OLHAR

Landsat ou o Satélite Sino-Brasileiro de Recursos antecessor, Landsat-7, com resolução de 8 bits (256
Terrestres (CBERS) possuem tempo de revisita níveis de cinza).
de 16 e 26 dias, respectivamente. Outros sensores Dentre os diversos sistemas de imageamento
com menor resolução espacial, como o MODIS existentes, os satélites da série Landsat merecem
ou AVHRR (Advanced Very High Resolution um destaque especial. O programa Landsat
Radiometer) são capazes de obter imagens lançou seu primeiro satélite no início dos anos
diariamente (EMBRAPA, 2009). Também estão 1970 (Landsat 1 entrou em operação em 1972) e
disponíveis sistemas baseados em uma constelação desde então vem gerando imagens da superfície
de satélites, que permitem aliar alta resolução terrestres, sendo que a partir do satélite Landsat
espacial com alta resolução temporal. 4 foram introduzidos os sensores TM, com
A resolução radiométrica diz respeito 30 metros de resolução espacial. Em abril de
à forma e a precisão de como a radiação 2008 todo o acervo das imagens Landsat foi
eletromagnética medida pelo sensor remoto. O disponibilizado ao público.
sensor multiespectral (MSS) do satélite Landsat 1
quantificava a radiação eletromagnética recebida
em 64 níveis ou seja, uma resolução radiométrica 3. Aplicações do Sensoriamento
de 6 bits (6 bits o 26 = 64). O sensor OLI, a bordo Remoto
do satélite Landsat 8 apresenta resolução espacial
de 12 bits, resultando em imagens com 4096 níveis Imagens e produtos de SR possuem diversas
de cinza, um aumento significativo diante de seu aplicações nos mais variados campos. Dados

Tabela 2. Bandas espectrais do sensor Operational Land Imager (OLI) e Thermal Infrared Sensor (TIRS) a bordo
do satélite Landsat 8.

Banda Comprimento de Resolução Aplicações

onda (µm) espacial (m)

1 - Aerosol e costal 0,43 a 0,45 30 Estudos em áreas costeiras e de aerossóis

na atmosfera

2 - Azul 0,45 a 0,51 30 Mapeamento de águas costeiras

Diferenciação entre solo e vegetação
Diferenciação entre vegetação coníferas
e decídua

3 - Verde 0,53 a 0,59 30 Reflectância de vegetação verde sadia

4 - Vermelho 0,64 a 0,67 30 Absorção de clorofila

Diferenciação de espécies vegetais

5 - Infravermelho próximo 0,85 a 0,88 30 Levantamento de biomassa

(NIR) Delineamento de corpos d’água

6 - Infravermelho de ondas 1,57 a 1,65 30 Medidas de umidade da vegetação

curtas (SWIR1) Diferenciação entre nuvens e neve

7 - Infravermelho de ondas 2,11 a 2,29 30 Mapeamento hidrotermal

curtas (SWIR2)

8 - Pancromática 0,50 a 0,68 15 Fusão de imagens para obtenção de maior

resolução espacial

9 - Cirrus 1,36 a 1,38 30 Detecção de nuvens do tipo cirrus

10 - Infravermelho termal 10,60 s 11,19 100 Temperatura da superfície

(TIRS) 1

11 - Infravermelho termal 11,50 a 12,51 100 Temperatura da superfície

(TIRS) 2
*Bandas 10 e 11, do sensor TIRS, são obtidas com resolução espacial de 100 metros e reamostradas para 30 metros no produto
final. FONTE: adaptado de Perguntas frequentes sobre as missões Landsat (UNITED..., 2013) e Tutorial de Geoprocessamento
SPRING (http://www.dpi.inpe.br/spring/portugues/tutorial/introducao_sen.html)

FERRAMENTAS PARA AGRICULTURA DE PRECISÃO | 63

 c

f
b

e
d
a

Figura 3. Região de agropecuária no Município de Luiz Eduardo Magalhães (BA), com imagens de baixa (A
e D), média (B e E) e alta (C e F) resolução espacial no ano de 2011. A e D, imagem do satélite Terra/Modis
(“Moderate Resolution Imaging Spectroradiometer”) MOD9Q1h13v10 de agosto de 2011, bandas 2 e 3, com
resolução espacial de 250 m; B e E, imagem do satélite Landsat 5 (“Land remote sensing satellite”) TM220/068
de novembro de 2011, bandas 5, 4 e 3, com resolução espacial de 30 m; e C e F, imagem do satélite GeoEye
1 de outubro de 2011, bandas verde, vermelho e infravermelho fusionadas com a banda pancromática, com
resolução espacial abaixo de 2 m. (Fonte: BATISTELLA; BOLFE, 2012).

64 | AGRICULTURA DE PRECISÃO: RESULTADOS DE UM NOVO OLHAR

de sensores com baixa resolução espacial são agricola, a AP pode reduzir os custos de produção
utilizados para avaliar a temperatura dos oceanos e aumentar a produtividade, fazendo-se o uso
em escala global, sendo muito utilizados em muitas vezes de automação e alta tecnologia
estudos climáticos, de eventos como El Niño, e voltadas à produção agrícola (McKINION et al.,
modelos de previsão meteorológica e do clima. 2001; BRANDÃO et al., 2008).
Outras aplicações incluem estudos para fins de Dados obtidos por sensoriamento remoto (SR)
planejamento urbano, analisando a expansão e a têm sido utilizados como ferramenta auxiliar nessa
ocupação das terras. Para tais, normalmente são nova estratégia de gerenciamento que considera a
utilizadas imagens com maior resolução espacial, variabilidade espacial dos fatores que interferem na
dependendo do tema a ser estudado. Avaliações da produtividade das culturas. A utilização de SR na
expansão da área urbanizada podem ser realizadas AP vem facilitar o diagnóstico espacializado para
utilizando imagens com 30 m de resolução subsididar tomadas de decisao no manejo agricola.
espacial (HUPP; FORTES, 2013). Já imagens No suporte a gestão operacional no manejo por
com maior resolução podem ser utilizadas para a sítio específico podem-se resaltar o delineamento
quantificação da urbanização viária (ALVAREZ; e a classificação das zonas de manejo (ZM) dentro
GALLO, 2012) e sua relação com a temperatura do talhão (McBRATNEY et al., 2005), estas sendo
da superfície (GALLO; ALVAREZ; GARÇON, definidas como áreas contíguas e associadas
2013); planejamento de sistemas de mobilidade a uma classe de manejo específico (TAYLOR;
urbana (SCHMITT et al., 2013) além de outras McBRATNEY; WHELAN, 2007). Questionadas
aplicações diversas. para regiões de grande variabiliade temporal
O SR é muito utilizado em aplicações relativas (SCHEPERS et al., 2005) as ZM encontram
a estudos de uso e cobertura das terras e de respaudo nos dados de SR.
características da vegetação. Neste campo são O conteúdo de N nas plantas pode ser avaliado
realizados diversos estudos e aplicações, como a através de métodos indiretos. Um dos métodos
avaliação das alterações no uso e cobertura das mais simples consiste na observação do vigor da
terras em diversos locais (QUARTAROLI et al., coloração verde das plantas e, por conseguinte,
2006; RODRIGUES et al., 2012; BATISTELLA et al., na verificação da ocorrência de clorose ou
2002 dentre outros), a avaliação de parâmetros amarelamento das folhas, que indica a falta de
biofísicos e de evapotranspiração da vegetação N (BRANDÃO et al., 2008). Com base neste
(ANDRADE et al., 2009, 2012; FACCO et al., 2012) conhecimento, pode-se utilizar dados de sensores
e estudos da abrangência de áreas agrícolas e de remotos em níveis de campo, aéreo e orbital para
sua dinâmica temporal (Figura4) (JOHANN et al., avaliar e estimar o conteúdo de N nas plantas.
2012; VICTORIA et al., 2012; VICENTE et al., Sabe-se que a diminuição da concentração dos
2012). pigmentos clorofilados, ocasionada pela carência
Sendo assim, as imagens de sensores remotos em N, interfere na refletância espectral na região
apresentam diferentes características que do espectro visível. Brandão (2009), num estudo
fazem com que sejam úteis às mais variadas para diferentes doses de nitrogênio no algodoeiro
aplicações, desde estudos globais, programas de irrigado (0 Kg ha-1; 90 Kg ha -1; 180 Kg ha -1 e
monitoramento contínuo em grandes áreas, até 270 Kg ha-1), percebeu significativo aumento no
estudos pontuais em escalas detalhadas como infravermelho com o incremento de nitrogênio
o ambiente urbano ou a agricultura de precisão (Figura 5). Ainda nesse trabalho foi observado
(AP). a saturação do NDVI para os maiores valores do
Nos últimos anos, a produção agrícola tem IAF, efeito reduzido quando utilizado o TVI, que
passado por grandes mudanças. O gerenciamento apresentou correlações com o IAF superiores a
dos modulos de producao em fazendas atualmente 0,8 para todas as épocas de avaliação. Em um
não é mais baseado em aplicações uniformes de estudo que avaliou cultivos de trigo submetidos
insumos nas culturas, pois os elevados custos de a diferentes concentrações de N (0 Kg ha-1; 70 Kg
produção desafiam essas estratégias. Baseado ha-1; 170 Kg ha-1 e 221 Kg ha-1), observaram que os
nisso é que o conceito de AP se adequa, pois maiores valores de refletância no espectro visível
considerando a variabilidade espacial do meio se relacionavam com os tratamentos submetidos

FERRAMENTAS PARA AGRICULTURA DE PRECISÃO | 65

 Figura 4. Identificação de áreas agrícolas no estado do Mato Grosso nos anos de 2006 a 2008 e visão
aproximada em duas áreas específicas no estado. Fonte: Victoria et al., 2012.

a menores taxas de adubação nitrogenada e que a que as melhores épocas para predição da
adição de N implica na diminuição da refletância produtividade e biomassa são no início da floração
espectral no visível e no aumento da refletância e no pleno florescimento, tendo encontrado que os
espectral entre 700 e 1300 nm.
índices relacionados às características estruturais
Obser vado incremento no NDVI
da planta, como o NDVI, RDVI e MTVI1 podem
acompanhando o aumento da absorção de N,
tendo esse IV atingido seu valor máximo de 0,76, predizer melhor o IAF e a produção de biomassa,

na época de pleno florescimento do algodoeiro. enquanto que outros IVs como o MSAVI e o
Zarco-Tejada et al. (2005), também observaram MTVI2 mostraram baixo desempenho.

66 | AGRICULTURA DE PRECISÃO: RESULTADOS DE UM NOVO OLHAR

Figura 5. Variação dos espectros de refletância em plantas de algodão saudáveis, obtidas por espectrorradiometria
de campo, durante um mesmo estádio fenológico em 2009, Apodi, RN. As plantas estavam totalmente supridas
de água e com quatro doses de N (0, 90, 180 e 270 kg ha-1). A magnitude do aumento na refletância acima
de 710 nm indica diferenças na biomassa, onde a menor biomassa registrada foi para N=0 kg ha-1 e a maior
biomassa para N = 270 kg ha-1. Fonte: Brandão 2009.

Aplicações de dados de sensores remotos tais variações a fatores de solo na extensão dos
para a viticultura foram reportadas por Bramley vinhedos. De fato, imagens de sensores como
e Proffitt (1999) e Bramley (2009), nas quais foi ASTER e Hyperion cobrem um domínio espectral
possível, após um mapeamento detalhado de um entre 0,55 nm e 2,5 nm, sendo portanto sensíveis
vinhedo na Austrália, que revelou quais as áreas à toda gama de fatores importantes na descrição
de menor vigor, e portanto, com maior potencial espectral da reflectância de vegetais. Acresce a isto
de qualidade, colher e vinificar separadamente as o fato de que tais sensores, com resolução espacial
uvas, obtendo-se vinhos de preço diferenciado correspondente a 900 m2 por pixel, são adequados
e agregando valor à produção. Nesta linha de a estudos de pequenas áreas, levando em conta que
trabalho, Ducati, Bombassaro e Dullius (2013)
um vinhedo, por exemplo, tem tipicamente um
mostram que levantamentos de campo da variação
área de alguns hectares (2 a 5 ha), sendo coberto
de NDVI em vinhedos são coerentes com os
por algumas dezenas de pixeis. É possivel, então,
valores de NDVI extraídos de imagens de satélite
mapear variações de vigor, com resolução espacial
dos mesmos vinhedos, na mesma época. Estes
razoável, mesmo em áreas de um hectare.
trabalhos indicam o grande potencial do uso de
Variações de NDVI são de grande utilidade na
imagens de satélites para o monitoramento de
linha de trabalho considerando sensores aéreos
parcelas agrícolas de pequena extensão, típicas
de agricultura de maior valor agregado, como é o para o delineamento e a classificação de ZM na
caso da fruticultura em geral e da viticultura em vitivinicultura de precisão e no cultivo de grãos.
particular. Em outro trabalho recente, Echeverria, A caracterização das ZM requer a análise espaço-
Ducati e Ferrer (2013) mostraram como variações temporal com dados de multiplos sensores, sendo
do NDVI em parreirais de Tannat, no Uruguai, o SR uma fonte básica de dados gerados por
podem ser detectadas em imagens do sensor diferentes tipos de sensores e IVs disponíveis.
orbital ASTER, e como é possível correlacionar A integração destes dados tem considerado,

FERRAMENTAS PARA AGRICULTURA DE PRECISÃO | 67

 prioritariamente, métodos estatísticos clássicos comuns: a identificação das descontinuidades na
para a classificação de imagens com base no valor imagem; e a delineamento de regiões visualmente
do NDVI, por píxel, aplicado ao delineamento das homogêneas e espacialmente contíguas (Figura 6).
ZM (SHATAR; McBRATNEY, 2001). Em adição Em AP, estes algoritmos foram aplicados na
ao NDVI, aplicações de outros IVs vem sendo robótica de campo (GARCÍA-PÉREZ et al., 2001)
investigadas com dados de sensores aéreos; em e, mais recentemente, em abordagens morfológicas
recente casos de estudo, considerando-se também no delineamento de ZM (ROUDIER et al., 2008,
a segmentação de imagens com base em objetos. OLIVEIRA; WHELAN; MCBRATNEY, 2013).
O uso de IVs alternativos indicou um grande Tecnicas de SR foram validadas e tem grande
potencial de aplicação em diferentes regiões aplicabilidade na área agrícola dentro do conceito
agroclimáticas, na Austrália e na Espanha. Entre de AP, porém o custo e a falta de pessoal treinado
eles, o PPR (Plant Pigment Ratio) na determinação ainda limita o uso por parte dos usuários. Uma
das variações de proteína nas culturas de grãos grande limitação do SR através de sensores
(WANG et al., 2004), e o PCD (Plant Cell Density) passivos orbitais são as nuvens, atmosfera e revisita
aplicado na vitivinicultura como indicador da do imageamento em tempo hábil para a tomada
qualidade das bagas (PONS et al., 2013) e do de decisão no manejo agrícola. Nebulosidade se
estresse hídrico (GIRON; BELLVERT, 2012). torna crítica principalmente para culturas de verão
As imagens aéreas utilizadas são obtidas em por que o estágio fenológico da cultura que deve
aproximadamente 2.000 m de altitude, em quatro ser imageada geralmente coincide com a época
faixas espectrais distintas; sendo: azul (450-510 de grande pluviosidade e nebulosidade. Neste
nm), verde (530-550 nm), vermelho (630-690 nm) cenário onde diversas técnicas validadas para
e infravermelho próximo (750-900 nm). O PPR é sensores remotos já estão disponiveis os VANTs e
determinado pela razão das fixas do verde sobre o os sensores ativos de dossel ou active crop canopy
azul relacionadas com a pigmentação foliar, onde sensors (ACS) tem uma grande importância para
uma maior pigmentação absorvendo mais energia viabilizar a aplicação destas técnicas no manejo
indica um alto valor de PPR (METTERNICHT, agronômico sítio-especifico de culturas agrícolas
2003). Já as aplicações do índice PCD consideram em nível de talhão.
que vinhas vigorosas e saudáveis tendem a Os ACS vêm sendo considerados por alguns
responder com uma forte reflectância na faixa do como sensores remotos proximais, quando
infravermelho próximo (PROFFIT et al., 2006). acoplados em máquinas agrícolas autopropelidas
Dentro do conceito de visão computacional (Figura 7). A grande vantagem dos ACS é que eles
(BLASCHKE; STROBL, 2001), a segmentação são ativos e sua luz modulada não é influenciada
pela luz do sol, podendo ser utilizados a qualquer
de imagens com base em objetos representa uma
hora (noite ou dia). Estes sensores emulam a
nova técnica promissora no delineamento de ZM
refletância do dossel em certos comprimentos
(PEDROSO et al., 2010; OLIVEIRA; WHELAN;
de onda selecionados para diferenciar o
MCBRATNEY, 2013), onde objetos são compostos
conteúdo de clorofila e indiretamente a condição
a partir de pixels vizinhos diretamente associados
nutricional da planta em relação ao nitrogênio (N)
as unidades de paisagem. WANG (2008) sugere
(SHIRATSUCHI, 2011).
que estes métodos conciliam a extração de
Ut i l i z an d o e s t e s s e n s ore s é p o s s i v e l
características do espaço visível (resoluções o diagnóstico de N da planta e aplicação de
espectral) e físico (topologia espacial e temporal). fertilizantes nitrogenados em taxas variáveis
Este conjunto de métodos, denominado de em tempo real, aplicando o insumo somente
GEOBIA (Geographic Object-Based Image onde necessário e na mesma operação, sem
Analysis) caracteriza uma subdisciplina da ciência necessidade de um mapeamento prévio. Ou seja,
da geoinformação voltada para a segmentação de o sensor embarcado diagnostica o status de N
imagens e a geração de informações compatíveis da planta através dos IV e através de algoritmos
com análises vectoriais (HAY; CASTILLA, 2008). específicos como os desenvolvidos por Solari et al.
Estes algoritmos são compostos de duas etapas (2008); Dellinger, Schmidt e Beegle et al.(2008) e

68 | AGRICULTURA DE PRECISÃO: RESULTADOS DE UM NOVO OLHAR

 produzindo 110 kg.ha-1 a mais de milho, reduzindo
o uso de N em 16 kgN.ha -1 (SCHARF et al.,
2011). Considerando os preços crescentes dos
fertilizantes e a redução do uso de insumos e
diminuição do impacto ambiental, espera-se
uma grande adoção deste tipo de tecnologia em
Figura 6. Resultado de uma segmentação com empreendimentos agrícolas.
base em objectos subdividindo a imagem em seus
elementos de unidade de paisagem (regiões), de Existem inumeras pesquisas sendo realizadas
forma homogénea e contígua. no intuito de se gerar fórmulas ou algoritmos para
traduzirem dados de SR com o uso de VANTs e
ACS em doses de insumos, como N, herbicidas,
inseticidas, etc (HOLLAND; SCHEPERS, 2010,
2012; SHIRATSUCHI et al., 2011a). Até mesmo a
utilização de ACS embarcados em VANTs já estão
sendo utilizados como uma forma de mapeamento
do status de N em milho (Figura 8).
Estudos sobre o comportamento de diversos IV
para determinação de pigmentos foram realizados
(LEMAIRE; FRANCOIS; DUFRENE, 2004),
porém poucos trabalhos levaram em consideração
ACS para cálculo de IVs e interferência do teor
Figura 7. Sensores ativos de dossel acoplados em de água na determinação de doses de N como
máquinas agrícolas para aplicação em taxas variáveis
de nitrogênio em milho. o realizado por SHIRATSUCHI et al. (2011a).
(http://www.agleader.com/products/directcommand/ Este cenário demonstra que um vasto campo
optrx-crop-sensors/)
de estudos dentro do SR vem sendo aberto e
possui ainda grandes desafios principalmente em
regiões tropicais, onde a limitação na aquisição de
imagens, sistema de produção em plantio direto,
custo de equipamentos e pessoal qualificado
imperam na adoção destas tecnologias.

Agradecimentos

Figura 8. Sensor ativo de dossel embarcado em VANT. À Rede de Agricultura de Precisão da Empresa
http://hollandscientific.com/
Brasileira de Pesquisa Agropecuária, (EMBRAPA)
e parceiros financiadores deste projeto.

Referências
SHIRATSUCHI et al.(2011b) calcula-se a dose
de fertilizante nitrogenado que deve ser aplicada ALVAREZ, I. A.; GALLO, B. C. Árvores de Campinas:
quantificação da arborização urbana viária de Campinas.
em tempo real.
Campinas: Embrapa Monitoramento por Satélite, 2012.
Pesquisas no âmbito de fazenda (on farm
(Comunicado Técnico).
research) mostraram no cinturão do milho
ANDRADE, R. G.; BATISTELLA, M.; VICTORIA, D. C.;
americano que em 55 locais durante os anos de
BARBOSA, R. A.; PAZ, A. R. Uso de técnicas de sensoriamento
2004 à 2008 a utilização destes ACS superaram remoto no mapeamento da evapotranspiração de pastagens.
em termo econômicos doses uniformes de Campinas: Embrapa Monitoramento por Satélite, 2009. 44 p.
fertilizantes nitrogenados no ordem de US$42.ha-1, (Documentos, 75).

FERRAMENTAS PARA AGRICULTURA DE PRECISÃO | 69

 ANDRADE, R. G.; SEDIYAMA, G. C.; PAZ, A. R.; LIMA, E. BRANDÃO, Z. N. Estimativa da produtividade e estado
P.; FACCO, A. G. Geotechnologies applied to the assessment nutricional da cultura do algodão irrigado via técnicas de
of biophysical parameters of the Pantanal biome. Pesquisa sensoriamento remoto. 2009. 152 f. Tese (Doutorado em
Agropecuária Brasileira, v. 47, n. 9, p. 1270-1278, 2012. Recursos Naturais)-Universidade Federal de Campina Grande,
Campina Grande, 2009.
ARAUJO, L. S.; KELLER, M.; D’OLIVEIRA, M. V. N.;
VICTORIA, D. C.; MORTON, D.; TAKEMURA, C. M.; BRITO, G. G.; SOFIATTI, V.; BRANDÃO, Z. N.; SILVA, V.

HUNTER, M. O. Dados LiDAR e análise orientada a objeto B.; SILVA, F. M.; SILVA, D. A. Non-destructive analysis of

no monitoramento de manejo florestal. In: SIMPÓSIO photosynthetic pigments in cotton plants. Acta Scientiarum.
Agronomy, v. 33, p. 671-678, 2011.
BRASILEIRO DE SENSORIAMENTO REMOTO, 16., 2013,
Foz do Iguaçu. Anais... São José dos Campos: INPE, 2013. BROGE, N. H.; LEBLANC, E. Comparing prediction power
Disponível em: <http://www.dsr.inpe.br/sbsr2013/capa.html>. and stability of broadband and hyperspectral vegetation indices
Acesso em: 25 jun. 2013. for estimation of green leaf area index and canopy chlorophyll
density. Remote Sensing of Environment, v. 76, n. 6, p. 156-
ATZBERGER, C. Advances in remote sensing of agriculture:
172, 2001. http://dx.doi.org/10.1016/S0034-4257(00)00197-8
context description, existing operational monitoring systems
and major information needs. Remote Sensing, v. 5, n. 2, p. DAUGHTRY, C. S. T.; GALLO, K. P.; GOWARD, S. N.; PRINCE,
949-981, 2013. http://dx.doi.org/10.3390/rs5020949 S. D.; KUSTAS, W. D. Spectral estimates of absorbed radiation
and phytomass production in corn and soybean canopies.
BARET, F.; GUYOT, G.; MAJOR, D. J. TSAVI: a vegetation
Remote Sensing Environment, v. 39, n. 2, p. 141-152, 1992.
index which minimizes soil brightness effects on LAI and
http://dx.doi.org/10.1016/0034-4257(92)90132-4
APAR estimation. In: INTERNATIONAL GEOSCIENCE AND
REMOTE SENSING SYMPOSIUM (IGARSS’89); CANADIAN DAUGHTRY, C. S. T.; WALTHALL, C. L.; KIM, M. S.;
COLSTOUN, E. B.; McMURTREY III, J. E. Estimating corn
SYMPOSIUM ON REMOTE SENSING, 12., 1989, Vancouver.
leaf chlorophyll concentration from leaf and canopy reflectance.
Proceedings... Vancouver: IEEE, 1989. p. 1355-1358.
Remote Sensing of Environment, v. 74, n. 2, p. 229-239, 2000.
BATISTELLA, M.; GUIMARÃES, M.; MIRANDA, E. E.; http://dx.doi.org/10.1016/S0034-4257(00)00113-9
VIEIRA, H. R.; VALLADARES, G. S.; MANGABEIRA, J. A. C.;
DELLINGER, A. E.; SCHMIDT, J. P.; BEEGLE, D. B. Developing
ASSIS, M. C. Monitoramento da Expansão Agropecuária na
nitrogen fertilizer recommendations for corn using an active
Região Oeste da Bahia. Campinas: Embrapa Monitoramento
sensor. Agronomy Journal, v. 100, n. 6, p. 1546-1552, 2008.
por Satélite, 2002. 39 p. (Documentos, 20).
http://dx.doi.org/10.2134/agronj2007.0386
BATISTELLA, M.; BOLFE, E. L. Pesquisa, desenvolvimento
DUCATI, J. R.; BOMBASSARO, M. G.; DULLIUS, M. V.
e inovações geoespaciais para a agropecuária. Pesquisa
Measurements by field radiometry on a Brazilian vineyard.
Agropecuária Brasileira, v. 47, n. 9, p. 3-7, 2012. http://dx.doi.
In: INTERNATIONAL SYMPOSIUM GIESCO, 18., 2013,
org/10.1590/S0100-204X2012000900003 Porto. Annals...

BIRTH, G. S.; MCVEY, G. Measuring the colour of growing turf E C H E V E R R IA , G . ; D U C AT I , J. R . ; F E R R E R , M .

with a reflectance spectrophotometer. Agronomy Journal, v. Implementation of techniques for Remote Sensing as a method
60, n. 6, p. 640-643, 1968. http://dx.doi.org/10.2134/agronj196 to determine the productive potential of a viticultural terroir.
8.00021962006000060016x In: INTERNATIONAL SYMPOSIUM GIESCO, 18., 2013,
Porto. Annals...
BLASCHKE, T.; STROBL, J. What’s wrong with pixels? Some
recent developments interfacing remote sensing and GIS. GIS EMBRAPA. Satélites de Monitoramento. Campinas: Embrapa
Zeitschrift für Geoinformationssys-teme, v. 14, p. 12-17, 2001. Monitoramento por Satélite, 2009. Disponível em: <http://www.
sat.cnpm.embrapa.br>. Acesso em: 27 jun. 2013.
BRAMLEY, R. G. V. Lessons from nearly 20 years of Precision
Agriculture research, development and adoption as a guide to FACCO, A. G.; RIBEIRO, A.; PRUSKI, F. F.; MONTEIRO,
its appropriate application. Crop and Pasture Science, v. 60, n. W. C.; LEITE, F. P.; ANDRADE, R. G.; MENEZES, S. J. M.
3, p. 197-217, 2009. http://dx.doi.org/10.1071/CP08304 C. Geoinformation techniques to estimate water balance in
eucalyptus. Pesquisa Agropecuária Brasileira, v. 47, p. 1270-
BRAMLEY, R. G. V.; PROFFITT, A. P. B. Managing variability 1278, 2012.
in viticultural production. The Australian Grapegrower and
GALLO, B. C.; ALVAREZ, I. A.; GARÇON, E. A. M. Comparação
Winemaker, v. 427, p. 11-16, 1999.
entre temperatura de superfície e presença de vegetação viária
BRANDÃO, Z. N.; BEZERRA, M. V. C.; FREIRE, E. C.; SILVA, em dois bairros de Campinas-SP. In: SIMPÓSIO BRASILEIRO
B. B. Agricultura de precisão para gerenciamento do algodão. In: DE SENSORIAMENTO REMOTO, 16., 2013, Foz do Iguaçu.
AZEVÊDO, D. M. P.; BELTRÃO, N. E. M. O agronegócio do Anais... São José dos Campos: INPE, 2013. Disponível em:
algodão no Brasil. Brasília: Embrapa Informação Tecnológica, <http://www.dsr.inpe.br/sbsr2013/capa.html>. Acesso em:
2008. 1309 p. cap. 20. v. 2. 25 jun. 2013.

70 | AGRICULTURA DE PRECISÃO: RESULTADOS DE UM NOVO OLHAR

G A R C ÍA- P É R E Z , L . ; G A R C ÍA- A L E G R E , M . C . ; HUPP, C.; FORTES, P. T. F. O. Geoprocessamento como
MARCHANT, J.; HAGUE, T. Dynamic threshold selection ferramenta para análise da ocupação urbana e relação com áreas
for image segmentation of natural structures based upon a de preservação permanente na sede do município de Alegre

performance criterion. In: BLACKMORE, S.; GRENIER, (ES). In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO
REMOTO, 16., 2013, Foz do Iguaçu. Anais... São José dos
G. (Ed.). EUROPEAN CONFERENCE ON PRECISION
Campos: INPE, 2013. Disponível em: <http://www.dsr.inpe.br/
AGRICULTURE, 3., 2001. Proceedings... p. 193-198.
sbsr2013/capa.html>. Acesso em: 25 jun. 2013.
GIRON, A. J.; BELLVERT, J. The use of multispectral and
JOHANN, J. A.; ROCHA, J. V.; DUFT, D. G.; LAMPARELLI, R.
thermal images as a tool for irrigation scheduling in vineyards.
A. C. Estimation of summer crop areas in the state of Paraná,
In: ERENA, M.; LÓPEZ-FRANCOS, A.; MONTESINOS, S.; Brazil, using multitemporal EVI/Modis images. Pesquisa
BERTHOUMIEU, J. P. (Coord.). The use of remote sensing and Agropecuária Brasileira, v. 47, p. 1270-1278, 2012.
geographic information systems for irrigation management
KAUFMAN, Y. J.; TANRE, D. Atmospherically resistant
in Southwest Europe. Zaragoza: CIHEAM, 2012. p. 131-137.
vegetation index (ARVI). IEEE Transaction Geoscience
(Options Méditerranéennes: Série B. Etudes et Recherches, 67).
Remote Sensing, v. 30, n. 2, p. 261-270, 1992. http://dx.doi.

GITELSON, A. A.; KAUFMAN, Y. J.; MERZLYAK, M. N. Use org/10.1109/36.134076

of a green channel in remote sensing of global vegetation from LEMAIRE, G.; FRANCOIS, C.; DUFRENE, E. Towards universal
EOS-MODIS. Remote Sensing of Environment, v. 58, n. 3, broad leaf chlorophyll indices using PROSPECT simulated
p. 289-298, 1996. database and hyperspectral reflectance measurements. Remote
Sensing of Environment, v. 89, n. 1, p. 1-28, 2004. http://dx.doi.
GITELSON, A. A.; GRITZ, Y.; MERZLYAK, M. N. Relationships
org/10.1016/j.rse.2003.09.004
between leaf chlorophyll content and spectral reflectance and
MCBRATNEY, A. B.; WHELAN, B. M.; ANCEV, T.; BOUMA,
algorithms for non-destructive chlorophyll assessment in
J. Future directions of precision agriculture. Precision
higher plant leaves. Journal of Plant Physiology, v. 160, n. 3,
Agriculture, v. 6, n. 1, p. 1-17, 2005. http://dx.doi.org/10.1007/
p. 271-282, 2003.
s11119-005-0681-8
HABOUDANE, D.; MILLER, J. R.; PATTEY E.; ZARCO-
MCKINION, J. M.; JENKINS, J. N.; AKINS, D.; TURNER,
TEJADA, P. J.; STRACHAN, I. B. Hyperspectral vegetation S. B.; WILLERS, J. L.; JALLAS, E.; WHISLER, F. D. Analysis
indices and novel algorithms for predicting green LAI of crop of a precision agriculture approach to cotton production.
canopies: modeling and validation in the context of precision Computers and Electronics in Agriculture, v. 32, n. 3, p. 213-
agriculture. Remote Sensing of Environment, v. 90, n. 3, p. 218, 2001. http://dx.doi.org/10.1016/S0168-1699(01)00166-1
337-352, 2004. http://dx.doi.org/10.1016/j.rse.2003.12.013
METTERNICHT, G. I. Vegetation indices derived from
HAY, G. J.; CASTILLA, G. Geographic Object-Based Image highresolution airborne videography for precision

Analysis (GEOBIA): a new name for a new discipline. In: crop management. International Journal of Remote
Sensing, v. 24, n. 14, p. 2855-2877, 2003. http://dx.doi.
BLASCHKE, T.; LANG, S.; HAY, G. (Ed.). Object based
org/10.1080/01431160210163074
image analysis. Berlin: Springer, 2008. p. 93-112. http://dx.doi.
org/10.1007/978-3-540-77058-9_4 OLIVEIRA, R. P.; WHELAN, B. M.; MCBRATNEY, A. A
segmentation approach to delineate zones for differential
HOLLAND, K. H.; SCHEPERS, J. S. Derivation of a Variable
nitrogen interventions. In: STAFFORD, J. V. (Ed.). Precision
Rate Nitrogen Application Model for In-Season Fertilization agriculture ’13. Wageningen Academic Publishers, 2013. p.
of Corn. Agronomy Journal, v. 102, n. 5, p. 1415-1424, 2010. 411-418. http://dx.doi.org/10.3920/978-90-8686-778-3_50
http://dx.doi.org/10.2134/agronj2010.0015
PEDROSO, M.; TAYLOR, J.; TISSEYRE, B.; CHARNOMORDIC,
HOLLAND, K. H.; SCHEPERS, J. S. Use of a virtual-reference B.; GUILLAUME, S. A segmentation algorithm for the
concept to interpret active crop canopy sensor data. Precision delineation of agricultural management zones. Computers and

Agriculture, v. 14, n. 1, p. 71-85, 2012. Electronics in Agriculture, v. 70, n. 1, p. 199-208, 2010. http://
dx.doi.org/10.1016/j.compag.2009.10.007
HUETE, A. R. A soil adjusted vegetation index (SAVI). Remote
PEÑUELAS, J.; BARET, F.; FILELLA, I. Semi-empirical indices
Sensing of Environment, v. 25, n. 3, p. 295-309, 1988. http://
to assess carotenoids/chlorophyll a ratio from leaf spectral
dx.doi.org/10.1016/0034-4257(88)90106-X
reflectance. Photosynthetica v. 31, p. 221-230, 1995.
HUETE, A. R.; LIU, H. Q.; BATCHILY, K.; VAN LEEUWEN,
PEÑUELAS, J.; PIÑOL, J.; OGAYA, R.; FILELLA, I. Estimation
W. A comparison of vegetation indices global set of TM of plant water concentration by the reflectance water
images for EOS-MODIS. Remote Sensing of Environment, index WI (R900/R970). International Journal of Remote
v. 59, n. 3, p. 440-451, 1997. http://dx.doi.org/10.1016/ Sensing, v. 18, n. 13, p. 2869-2875, 1997. http://dx.doi.
S0034-4257(96)00112-5 org/10.1080/014311697217396n.

FERRAMENTAS PARA AGRICULTURA DE PRECISÃO | 71

 PONS, J. M.; SERRANO, L.; GONZALES-FLOR, C.; GORCHS, SCHMITT, A.; ROSENFELDT, Y. A. Z.; OLIVEIRA, M. O.;
G. Is PCD a reliable indicator of berry quality attributes in water ROSOLEM, G. P. N.; LOCH, C. Proposta de mobilidade coletiva
stressed vineyards? INTERNATIONAL WORKSHOP ON para a Região Metropolitana de Florianópolis pensada a partir
VINEYARD MECHANIZATION AND GRAPE AND WINE de imagens do Satélite GeoEye e banco de dados de software
QUALITY, 1., 2013. Proceedings... Belgium: ISHS, 2013. p. SIG. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO
85-92. (ISHS Acta Horticulturae, 978). REMOTO, 16., 2013, Foz do Iguaçu. Anais... São José dos

PROFFIT, T.; BRAMLEY, R.; LAMB, D.; WINTER, E. Precision Campos: INPE, 2013. Disponível em: <http://www.dsr.inpe.br/

viticulture: a new era in vineyard management and wine sbsr2013/capa.html>. Acesso em: 25 jun. 2013.

production. Ashford: Winetitles, 2006. p. 6-48.

SHATAR, T. M.; MCBRATNEY, A. B. Subdividing a field into
QI, J.; CHEHBOUNI, A.; HUETE A.R.; KERR, Y. H.; contiguous management zones using a k-zones algorithm.
SOROOSHIAN, S. A modified soil ajusted vegetation index. In: BLACKMORE, S.; GRENIER, G. (Eds.). EUROPEAN
Remote Sensing Environmental, v. 48, p. 119-126, 1994. CONFERENCE ON PRECISION AGRICULTURE, 3., 2001.
Proceedings... p. 115-120.
QUARTAROLI, C. F.; CRISCUOLO, C.; HOTT, M. C.;
GUIMARÃES, M. Alterações no uso e cobertura das terras SHIRATSUCHI, L. S. Integration of plant-based canopy
no Nordeste do Estado de São Paulo no período de 1988 a sensors for site-specific nitrogen management. 2011. 157 f.
2003. Campinas: Embrapa Monitoramento por Satélite, 2006. Dissertação (Mestrado)-University of Nebraska, Lincoln, 2011.
57 p. (Documentos, 55).
SHIRATSUCHI, L.; FERGUSON, R.; SHANAHAN, J.;
RODRIGUES, C. A. G.; GREGO, C. R.; ALMEIDA, C. G. F.; ADAMCHUK, V.; RUNDQUIST, D.; MARX, D.; SLATER, G.
FURTADO, A. L. S.; TORRESAN, F. E. Uso e cobertura das Water and Nitrogen Effects on Active Canopy Sensor Vegetation
terras em área rural de Guararapes, SP: 1972, 1990 e 2009.
Indices. Agronomy Journal, v. 103, n. 6, p. 1815-1826, 2011a.
Campinas: Embrapa Monitoramento por Satélite, 2012. 24 p.
http://dx.doi.org/10.2134/agronj2011.0199
(Embrapa Monitoramento por Satélite. Boletim de Pesquisa e
Desenvolvimento, 25). SHIRATSUCHI, L. S.; VILELA, M. F.; FERGUSON, R. B.;
SHANAHAN, J. F.; ADAMCHUK, V. I.; RESENDE, A. V.;
RONDEAUX, G.; STEVEN, M.; BARET, F. Optimization of soil-
HURTADO, S. M. C.; CORAZZA, E. J. Desenvolvimento
adjusted vegetation indices. Remote Sensing of Environment,
de um algoritmo baseado em sensores ativos de dossel para
v. 55, n. 2, p. 95-107, 1996.
recomendação da adubação nitrogenada em taxas variáveis.
ROUDIER, P.; TISSEYRE, B.; POILVÉ, H.; ROGER, J. M. In: INAMASU, R. Y.; NAIME, J. M.; RESENDE, A. V.; BASSOI,
Management zone delineation using a modified watershed L. H.; BERNARDI, A. C. C. (Org.). Agricultura de precisão:
algorithm. Precision Agriculture, v. 9, n. 5, p. 233-250, 2008. um novo olhar. São Carlos: Embrapa, 2011b. p. 184-188. (v. 1).
http://dx.doi.org/10.1007/s11119-008-9067-z
SILVA, C. A.; KLAUBERG, C.; HUDAK, A.; LIEBERMANN,
ROUJEAN, J. L.; BREON, F. M. Estimating PAR absorbed R.; CARVALHO, S. P. C.; RODRIGUEZ, L. C. E. Utilização da
by vegetation from bidirectional reflectance measurements.
tecnologia LiDAR para estimação da biomassa florestal em
Remote Sens- ing of Environment, v. 51, n. 3, p. 375-384, 1995.
povoamentos de Eucalyptus sp. In: SIMPÓSIO BRASILEIRO
ROUSE, J. W.; HAAS, R. H.; SCHELL, J. A.; DEERING, D. DE SENSORIAMENTO REMOTO, 16., 2013, Foz do Iguaçu.
W.; HARLAN, J. C. Monitoring the vernal advancement and Anais... São José dos Campos: INPE, 2013. Disponível em:
retrogradation (green wave eff ect) of natural vegetation. <http://www.dsr.inpe.br/sbsr2013/capa.html>. Acesso em:
Texas: Texas A&M University, 1974. (Type III final rep. NASA/ 25 jun. 2013.
GSFC).
SOLARI, F.; SHANAHAN, J.; FERGUSON, R.; SCHEPERS, J.;
SCHARF, P. C.; SHANNON, D. K.; PALM, H. L.; SUDDUTH, GITELSON, A. Active sensor reflectance measurements of corn
K. A.; DRUMMOND, S. T.; KITCHEN, N. R.; MUELLER, L. J. nitrogen status and yield potential. Agronomy Journal, v. 100,
Sensor-based nitrogen applications out-performed producer- n. 3, p. 571-579, 2008.
chosen rates for corn in on-farm demonstrations. Agronomy
Journal, v. 103, n. 6, p. 1683-1691, 2011. http://dx.doi. TAYLOR, J. A.; MCBRATNEY, A. B.; WHELAN, B. M.

org/10.2134/agronj2011.0164 Establishing management classes for broadacre grain

production. Agronomy Journal, v. 99, n. 5, p. 1366-1376,
SCHEPERS, A. R.; SHANAHAN, J. F.; LIEBIG, M. A.;
2007. http://dx.doi.org/10.2134/agronj2007.0070
SCHEPERS, J. S.; JOHNSON, S. H.; LUCHIARI, A.
Appropriateness of management zones for characterizing TUCKER, C. J. Red and photographic infrared linear
spatial variability of soil properties and irrigated corn yields combinations for monitoring vegetation. Remote Sensing
across years. Agronomy Journal, v. 96, n. 1, p. 195-203, 2005. of Environment, v. 8, n. 2, p. 127-150, 1979. http://dx.doi.
http://dx.doi.org/10.2134/agronj2004.0195 org/10.1016/0034-4257(79)90013-0

72 | AGRICULTURA DE PRECISÃO: RESULTADOS DE UM NOVO OLHAR

VICENTE, L. E.; GOMES, D.; VICTORIA, D. C.; GARÇON, ZANARDI, R. P.; SCHNEIDER, A. H.; SALOMONI, T. R.;
E. A. M.; BOLFE, E. L.; ANDRADE, R. G.; SILVA, G. B. S. SALOMONI, C. S.; REISS, M. L. L. Validação da qualidade do
NDVI temporal series from the SPOT Vegetation sensor perfilamento a LASER aerotransportado da cidade de Porto
and SAM algorithm applied to sugarcane mapping. Pesquisa Alegre. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO
Agropecuária Brasileira, v. 47, n. 9, p. 1270-1278, 2012. http:// REMOTO, 16., 2013, Foz do Iguaçu. Anais... São José dos
dx.doi.org/10.1590/S0100-204X2012000900019 Campos: INPE, 2013. Disponível em: <http://www.dsr.inpe.br/
sbsr2013/capa.html>. Acesso em: 25 jun. 2013.
VICTORIA, D. C.; PAZ, A. R.; COUTINHO, A. C.; KASTENS,
J.; BROWN, J. C. Cropland area estimates using Modis NDVI ZARCO-TEJADA, P. J.; MILLER, J. R.; NOLAND, T. L.;
time series in the state of Mato Grosso, Brazil. Pesquisa MOHAMMED, G. H.; SAMPSON, P. H. Scaling-up and
Agropecuária Brasileira, v. 47, n. 9, p. 1270-1278, 2012. http:// model inversion methods with narrow-band optical indices
dx.doi.org/10.1590/S0100-204X2012000900012 for chlorophyll content estimation in closed forest canopies
with hyperspectral data. IEEE Transactions on Geoscience
WANG, M. A multiresolution remotely sensed image
Remote Sensing, v. 39, n. 7, p. 1491-1507, 2001. http://dx.doi.
segmentation method combining rainfalling watershed
org/10.1109/36.934080
algorithm and fast region merging. In: CHEN, J.; JIANG, J.;
NAYAK, S. International Archives of the Photogrammetry,
Remote Sensing & Spatial Information Sciences. ISPRS, 2008.
Part B4. (ISPRS Archives, 37).

WANG, Z. J.; WANG, J. H.; LIU, L. Y.; HUANG, W. J.; ZHAO,

C. J.; WANG, C. Z. Prediction of grain protein content in winter
wheat using plant pigment ratio (PPR). Field Crops Research,
v. 90, n. 2-3, p. 311-321, 2004. http://dx.doi.org/10.1016/j.
fcr.2004.04.004

FERRAMENTAS PARA AGRICULTURA DE PRECISÃO | 73