Search

Sensors are the basis of digital agriculture; they provide data that allows the development of agricultural control and supervisory systems, and it helps analyze the performance of management practices. Further, sensors can be used to provide data for algorithms developed to automate the prescription of inputs. Among the sensors used in agriculture, those used to monitor soil, plants, and crop yield are reviewed in this work. In soil monitoring, the aim is to measure variables associated with the physical and chemical characteristics of soil to evaluate soil fertility and compaction. In plant monitoring, sensors are used to detect diseases and pests, weed infestation, and nutritional stress. Sensors present in the yield monitors of the harvesters allow the generation of yield maps. Finally, remote sensing techniques for predicting crop yields are analyzed owing to their potential applications in crop management. RESUMO Os sensores são a base da agricultura digital. Eles fornecem os dados para permitir o desenvolvimento de sistemas de supervisão agrícola e para analisar o desempenho das práticas de gestão. Sensores podem ser usados para fornecer dados aos algoritmos desenvolvidos para automatizar a prescrição de insumos na agricultura. Dentre os sensores utilizados na agricultura com finalidades diversas, são revisados neste trabalho aqueles utilizados para monitorar o solo, as plantas e a produtividade das lavouras. No monitoramento do solo, busca-se medir as suas características físicas e químicas, que possibilitam avaliar, por exemplo, a sua fertilidade e compactação. No monitoramento de plantas, os sensores são utilizados para detectar doenças e pragas, infestação de plantas daninhas e avaliar o estado nutricional. Os sensores presentes nos monitores de produtividade das colhedoras permitem gerar os mapas de produtividade. O avanço das técnicas de sensoriamento remoto, nos sensores utilizados e ferramentas computacionais, permite predizer as produtividades das lavouras.

Um dos desafios da agricultura de precisão é oferecer subsídios para a definição de unidades de manejo para posteriores intervenções. Portanto, o objetivo deste trabalho foi avaliar os atributos químicos do solo e a produtividade da cultura de cana-de-açúcar por meio da geoestatística e mineração de dados pela indução da árvore de decisão. A produtividade da cana-de-açúcar foi mapeada em uma área de aproximadamente 23ha, utilizando-se o critério de célula, por meio de um monitor de produtividade que permitiu a elaboração de um mapa digital que representa a superfície de produção para a área em estudo. Para determinar os atributos de um Argissolo Vermelho-Amarelo, foram coletadas as amostras no início da safra 2006/2007, utilizando-se uma grade regular de 50 x 50m, nas profundidades de 0,0-0,2m e 0,2-0,4m. Os dados dos atributos do solo e da produtividade foram analisados por meio da técnica de goestatística e classificados em três níveis de produção para indução de árvore de decisão. A árvore de decisão foi induzida no programa SAS Enterprise Miner, sendo utilizado algoritmo baseado na redução de entropia. As variáveis altitude e potássio apresentaram os maiores valores de correlação com a produtividade de cana-de-açúcar. A indução de árvores de decisão permitiu verificar que a altitude é a variável com maior potencial para interpretar os mapas de produtividade de cana-de-açúcar, auxiliando na agricultura de precisão e mostrando-se uma ferramenta adequada para o estudo de definição de zonas de manejo em área cultivada com essa cultura. One of the challenges of precision agriculture is to offer subsidies for the definition of management units for posterior interventions. Therefore, the objective of this work was to evaluate soil chemical attributes and sugarcane yield with the use of geostatistics and data mining by decision tree induction. Sugarcane yield was mapped in a 23ha field, applying the cell criterion, by using a yield monitor that allowed the elaboration of a digital map representing the surface of production of the studied area. To determine the soil attributes, soil samples were collected at the beginning of the harvest in 2006/2007 using a regular grid of 50 x 50m, in the depths of 0.0-0.2m and 0.2-0.4m. Soil attributes and sugarcane yield data were analyzed by using geostatistics techniques and were classified into three yield levels for the elaboration of the decision tree. The decision tree was induced in the software SAS Enterprise Miner, using an algorithm based on entropy reduction. Altitude and potassium presented the highest values of correlation with sugarcane yield. The induction of decision trees showed that the altitude is the variable with the greatest potential to interpret the sugarcane yield maps, then assisting in precision agriculture and, revealing an adjusted tool for the study of management definition zones in area cropped with sugarcane.

A automação do processo de obtenção do mapa de produtividade introduz erros nos dados coletados. Processos de filtragem de dados podem eliminar parte dos erros e elevar a qualidade da informação. Um processo de filtragem foi desenvolvido para as características de cada erro presente em um mapa de produtividade. Tais erros podem ser de posicionamento, produtividades improvavelmente altas e baixas, largura de plataforma incorreta, umidade de grãos, distância entre pontos, intervalo de enchimento e limites estatísticos para dados discrepantes. O filtro foi aplicado a seis conjuntos de dados obtidos de seis diferentes monitores de produtividade comerciais. A análise geoestatística dos conjuntos de dados mostrou que a aplicação do filtro diminuiu o efeito pepita e obteve melhores resultados qualitativos na validação cruzada por krigagem, elevando a qualidade final da informação.As yield data are collected automatically it allows for errors to be introduced into the data collected. Filtering processes might be able to eliminate part of the errors and improve the quality of yield data. The development of a filtering process may be set up based on the individual characteristics of each error. These errors may be related to incorrect position, too high or too low yield, swath width, grain moisture, null distance between points, filling interval and outliers. The filtering algorithm was implemented on six sets of data generated from six different commercial yield monitors. A geostatistical analysis of the data sets showed that the application of the filtering process decreased the nugget effect and improved the cross validation quality index.

O mapa de produtividade é considerado, por muitos autores, o início da Agricultura de Precisão. A tecnologia para a coleta automatizada de pontos de produtividade proporciona intensa densidade amostral com a inevitável coleta de pontos que contêm erros na medição da produtividade e que podem interferir na análise e na tomada de decisão baseada no mapa. Este trabalho tem por objetivo desenvolver uma metodologia para identificar e caracterizar erros em mapas de produtividade, e aplicá-la para seis diferentes monitores de produtividade comerciais. Nos dados analisados foram encontrados erros de posicionamento, pontos com produtividade nula ou extrema, ausência de medida de umidade dos grãos, largura de plataforma incorretamente registrada pelo operador, dados inconsistentes durante o intervalo referente ao tempo de enchimento e de esvaziamento da colhedora nos inícios e finais de passadas e, também, dados discrepantes. Todos esses erros foram devidamente caracterizados e forneceram bases para a formulação de uma rotina de filtragem de dados brutos.For many researchers, yield mapping is the start of Precision Farming. Yield monitors measure the yield and collect data in a high frequency allowing the collection of erroneous data that may interfere in the decision-making based on yield maps. The objective of this work was to develop a methodology to identify and characterize errors in yield maps and apply the methodology to a set of data obtained from six different commercial yield monitors. With the analyzed data, errors were found and characterized as positioning errors, null or extremely high yield points with no measurements of grain moisture, swath width errors due to wrong interpretation of the effective cutting width by the operator, time errors and disagreeable data. All these errors were characterized and furnished the basis for the formulation of a routine for filtering the new yield data.

O mapa de produtividade é considerado, por muitos autores, o início da Agricultura de Precisão. A tecnologia para a coleta automatizada de pontos de produtividade proporciona intensa densidade amostral com a inevitável coleta de pontos que contêm erros na medição da produtividade e que podem interferir na análise e na tomada de decisão baseada no mapa. Este trabalho tem por objetivo desenvolver uma metodologia para identificar e caracterizar erros em mapas de produtividade, e aplicá-la para seis diferentes monitores de produtividade comerciais. Nos dados analisados foram encontrados erros de posicionamento, pontos com produtividade nula ou extrema, ausência de medida de umidade dos grãos, largura de plataforma incorretamente registrada pelo operador, dados inconsistentes durante o intervalo referente ao tempo de enchimento e de esvaziamento da colhedora nos inícios e finais de passadas e, também, dados discrepantes. Todos esses erros foram devidamente caracterizados e forneceram bases para a formulação de uma rotina de filtragem de dados brutos. For many researchers, yield mapping is the start of Precision Farming. Yield monitors measure the yield and collect data in a high frequency allowing the collection of erroneous data that may interfere in the decision-making based on yield maps. The objective of this work was to develop a methodology to identify and characterize errors in yield maps and apply the methodology to a set of data obtained from six different commercial yield monitors. With the analyzed data, errors were found and characterized as positioning errors, null or extremely high yield points with no measurements of grain moisture, swath width errors due to wrong interpretation of the effective cutting width by the operator, time errors and disagreeable data. All these errors were characterized and furnished the basis for the formulation of a routine for filtering the new yield data.