• 7 de abril de 2020
• Agronegócio

A utilização de drones e análise de imagens na agricultura

A utilização da tecnologia de drones é uma inovação que trouxe mudanças a toda a sociedade, transformando nossas vidas e a maneira como fazemos negócios. O circuito do agronegócio abraçou os drones de maneira que transformou a agricultura moderna através de monitoramento, pulverização de defensivos e, especialmente, da obtenção de imagens.

Aplicações de drones na agricultura

• Pulverização e adubação

Drones possuem um potencial de utilização em pulverização de defensivos, entretanto, ainda existem barreiras legais para que eles sejam utilizados dessa forma. As maiores barreiras referem-se a problemas ambientais e leis anti-terrorismo, que impedem que drones carreguem produtos químicos. Porém, a utilização dos drones em pulverização traz vários benefícios, tais como:

– Não causa compactação do solo (aumento da densidade do solo, que dificulta, por exemplo, o crescimento de raízes. Geralmente é influência de tratores e outros maquinários agrícolas terrestres);

– Não há necessidade de ter uma pessoa (aplicador) exposta à aplicação. Dessa forma, evita-se possíveis contaminações pelos combativos;

– Permite pulverizar plantas mais altas;

– Alcança até terrenos de difícil acesso;

– Reduz custos;

– Reduz riscos ambientais.

• Planejamento de adubação de precisão

Áreas com deficiência em nitrogênio podem ser identificadas facilmente através da utilização de drones com câmeras e sensores. Os sensores são calibrados de maneira a limitar o efeito do nível da luz do sol e permitir um cálculo preciso da área verde.

Durante todo o ciclo de produção, centenas de imagens do desenvolvimento da plantação são extraídas. Todas as imagens são colocadas lado a lado, de forma a gerar um mapa. Softwares podem ser utilizados para identificar os padrões de crescimento a partir dessas imagens. Dessa maneira, um programa de adubação pode ser projetado para ajustar os requisitos nutricionais da plantação.

• Programa de controle de doenças e plantas daninhas

Os drones podem auxiliar na identificação de diferenças das propriedades — como coloração de folhagem, estado hídrico, entre outras —, das espécies de plantas e áreas da lavoura que sucumbiram a doenças. As imagens feitas pelo drone, adicionadas a potentes softwares, permitem a análise dos dados e direcionar as medidas de controle da lavoura, tanto em relação a manejo de plantas daninhas, quanto a controle de doenças.

• Mapeamento e diferenciação entre árvores e terreno

Fruticultores e silvicultores podem se beneficiar de registros das plantas e espaçamento com cálculos de cobertura de área a ser cultivada. Os drones permitem acessar locais remotos que seriam difíceis de serem cobertos. Centenas de hectares podem ser mapeados por dia, apontando problemas no terreno com detalhamento de até 10 cm. Com esses dados, é possível criar um modelo 3D afim de se ter uma análise melhor da plantação.

Relação entre a utilização de drones e as imagens na agricultura

Como é possível observar nos exemplos, grande parte das tarefas em que os drones podem fazer a diferença em agro refere-se à coleta e tratamento das imagens do campo. Análise de imagens não é algo novo dentre as tecnologias utilizadas na agricultura de precisão, principalmente o uso de imagens provenientes de satélites, que já vêm sendo utilizadas na agricultura há bastante tempo.

A utilização desse tipo de imagem apresenta, no entanto, algumas restrições, tais como:  preço elevado das imagens; análise de dados apenas de maneira macro, visto que detalhes de glebas podem não ter uma granularidade muito boa; demora na obtenção das imagens; e necessidade de pagamento, pois geralmente é necessário algum tipo de assinatura para ter acesso a tais serviços.

O uso de drones na agricultura de precisão tem crescido muito nos últimos anos, como uma opção que oferece respostas às restrições de imagens de satélites. Os VANTs (Veículos Aéreos Não Tripulados, outro nome para drones) são uma ferramenta revolucionária para que o produtor rural ganhe conhecimento a respeito do desenvolvimento da lavoura e para alavancar a produtividade e maximizar a produção. Os drones possuem a vantagem única de fornecer respostas rápidas com os dados de campo, além de fornecerem imagens com um nível de detalhe muito alto. Fora isso, com eles, pode-se obter imagens de muitos hectares com um simples voo e com custos mais acessíveis ao produtor rural.

Os drones capturam imagens, mas necessitam de potentes softwares para realizar a sua análise. Um bom sistema de drones na agricultura precisa englobar drones, sensores e software. A utilização de software em drones permite, em primeiro lugar, mapear o campo e criar planos de voos. Após o drone seguir corretamente o plano de voo, é necessário um outro software adequado, que vai definir as ações a serem tomadas e o envio de dados para a equipe e para servidores.

Os sensores são parte importante deste conjunto, pois captam dados extras, como temperatura, insolação e umidade do ar, entre outros, ajudando a enriquecer os dados fornecidos ao sistema. O uso das imagens obtidas pelos drones permitiria a obtenção de dados de glebas de plantações, com análise de índice vegetativo (algoritmos para analisar imagens de plantações a partir de saturação de cores) do lote, análise de dados de pragas e doenças.

Ou seja, a utilização de drones no campo possibilita a análise de imagens com detalhes específicos da propriedade agrícola, com dados mais detalhados. Dessa forma, eles permitem a obtenção e tratamento de dados de produção agrícola e pecuária de maneira mais focada — diferente das imagens de satélites, que são imagens genéricas — e possibilitam a comparação de dados mais detalhados, tais como obter amostras de infestação de pragas ou mesmo de doenças dentro de um talhão.

A análise de imagens no agro, aliada às mais recentes tecnologias de software — como aprendizado de máquina, inteligência artificial, localização, detecção de eventos e outras tecnologias — permite que precisão da agricultura dê um salto de qualidade de informações e detalhes, o que traz melhorias para a tomada de decisão e permite aumento da produtividade agrícola.

Um exemplo seria uma plantação de café. As imagens geolocalizadas de um cafezal que um drone captura já trazem, por si só, uma grande possibilidade de auxílio no manejo da cultura, através do olhar analítico do dono que lê as imagens. Mas, além da do olhar humano, também podem ser implementados algoritmos de aprendizado de máquina na análise das imagens. Esses algoritmos podem ser usados para sinalizar ao produtor a ocorrência de eventos inesperados, como deficiência hídrica, deficiência nutricional ou mesmo plantas doentes.

Em culturas perenes como o café, as análises de imagens podem ainda armazenar dados de séries históricas e, com isso, permitir análises antecipadas pelo próprio histórico do cafezal. A análise de imagens permitiria que o estado da vegetação antes da adubação e sua evolução possam ser analisadas.

Além disso, dados coletados podem ser utilizados para refinar a análise de softwares. Por exemplo, no inverno o tom de verde de folhagens é mais forte e, no verão, menos intenso, sem que isso seja um problema. No entanto, a maioria dos softwares estariam calibrados para identificar essa variação como indicativo de doença.

Com dados de imagens e produção de dados de série histórica, seria possível fazer análises da produção fundamentadas nas características da cultura e verificar alterações coerentes com o período do ano (por exemplo, o efeito de adubação na plantação). Assim, os usos dos dados de imagens e as análises que se permitem criar vão depender das informações e necessidades do agrônomo/produtor.

Índices de vegetação para análise de imagem

Existem vários índices vegetativos. Esses índices são algoritmos desenvolvidos para analisar as imagens capturadas por câmeras e disponibilizar diversos relatórios comparando dados através da coloração de cada índice. Eles são identificados através da análise de imagens e permitem verificar dados de saúde das plantas na agricultura de precisão.

Independente do propósito, o índice vegetativo deve refletir a realidade das plantas no campo. Os resultados dos índices vegetativos das plantas podem variar bastante de cultura para cultura. Assim, recomenda-se utilizar o índice vegetativo que melhor represente a cultura agrícola que é o foco da análise e que disponibilize as informações mais relevantes — tais como o vigor da vegetação, controle hídrico, necessidade de aplicação de insumos, entre outros.

• NDVI (Normalized Difference Vegetation Index ou Índice de Vegetação por Diferença Normalizada)

O índice NDVI (Normalized Difference Vegetation Index) é, atualmente, o índice mais utilizado na agricultura, devido à sua versatilidade e confiabilidade na análise de dados de biomassa em geral. O NDVI quantifica a vegetação ao medir a diferença entre o nível do infravermelho e o vermelho das imagens. A diferença entre os valores de verde e vermelho das plantas diferenciam as plantas do solo. Ele é usado para detectar diferenças na área de cobertura — quais áreas estão cultivadas e com qual densidade de plantas —, enfatizando o verde de uma planta sadia.

No entanto, a luz vermelha usada pelo NDVI geralmente é absorvida no topo da cobertura. Dessa forma, níveis mais baixos da vegetação não aparecem tão fortemente nas imagens processadas pelo NDVI. Quanto maior a quantidade de folhas (árvores, milho em fase final, por exemplo), maiores as distorções possíveis.

Outro caso problemático são as gramíneas e cereais nos seus estágios finais de produção. Nesses estágios, essas plantas ficam saturadas de clorofila. Isso dificulta a análise de variabilidade de cores, visto que pode parecer que a vegetação está com problemas (alto índice de vermelho), mas essa variação faz parte do ciclo natural das gramíneas e cereais.

• ENDVI (Enhanced Normalized Difference Vegetation Index)

O ENDVI é um equivalente próximo do NDVI, mas ele utiliza a cor azul e a cor verde ao invés de utilizar apenas o vermelho. O algoritmo do ENDVI isola melhor os indicadores de saúde das plantas, visto que a absorção de luz azul e alta refletância da cor verde são marcadores confiáveis da saúde das plantas. Assim, nos casos em que o enfoque principal da análise das imagens é a saúde das plantas, mais que o índice vegetativo, recomenda-se utilizar o método ENDVI, pois ele apresenta mais recursos para diferenciar estados de cada planta.

• VARI (Visual Atmospheric Resistance Index)

O VARI é um índice de vegetação que foi originalmente projetado para ser utilizado para imagens de satélites. A grosso modo, o VARI indica “o quão verde estão as plantas”. Este índice vegetativo se baseia na presença do azul no cálculo do espectro.

Quando a luz do sol atinge a atmosfera terrestre, a luz é espalhada em todas as direções pelos gases e partículas no ar. A luz azul tende a se esparramar mais que todas as outras cores, visto que ela é emitida em comprimentos de ondas menores que o resto das cores do espectro.

O VARI não dispensa a utilização de outros índices como o NDVI, mas é um auxiliar nos casos em que a atmosfera não tem grande impacto sobre as imagens — como é o caso das imagens feitas por drone, já que elas são tiradas muito mais próximas do campo e o efeito da atmosfera é muito pequeno.

• NDRE (Normalized Difference Red Edge)

O NDRE é um índice utilizado para avaliar o teor de clorofila nas plantas, assim como sua captação de nitrogênio e a demanda de fertilizantes. Ele utiliza a banda na borda do vermelho no espectro de luz, sendo que valores altos de NDRE representa maior quantidade de clorofila que valores baixos. Imagens de solo apresentam valores mais baixos, plantas debilitadas, valores intermediários, e plantas sadias apresentam valores mais altos.

Dessa forma, o uso do NDRE permite uma análise mais precisa da transição entre as plantas mais saudáveis para as menos saudáveis, pois ele não satura o mapa tão facilmente quanto o NDVI. Plantas de maior porte, com maior densidade, podem ser analisadas com o NDRE, visto que este índice permite uma análise mais detalhada da planta como um todo, diferente do NDVI, que foca no topo das plantas. Com plantas de menor porte, menos adensadas, pode-se utilizar o NDVI.

Conclusão

Índices de vegetação são usados há mais de 40 anos por cientistas e agrônomos para avaliar a saúde das culturas e das plantas. Ou seja, já faz um bom tempo que imagens do campo são analisadas por índices como NDVI.  Mas, com a chegada e consolidação do uso de drones no campo, o que se nota é que as tecnologias de análise de imagens podem saltar para um novo patamar de utilidade na produtividade do campo. Aliando a tecnologia de análise de imagens, drones, sensores e software, a agricultura de precisão passa a ter um papel muito mais efetivo no auxílio ao campo.

O tratamento de imagens via satélite já mostrou sua utilidade no campo. Entretanto, fatores como custo, representação de grandes áreas, pequena granularidade (se comparado ao grau de detalhes que permitem as imagens por drones) e o fato de que satélites capturam apenas imagens estáticas nos mostram que a utilização de drones e as imagens que são capazes de captar levam um novo patamar de informações e orientações para a agricultura de precisão ao produtor rural.

Drones podem gerar imagens mais nítidas, com localização geográfica e com alto grau de confiabilidade além de permitir que rotas sejam traçadas e planejadas na obtenção de dados. Esses dados, aliados à tecnologias tais como machine learning e inteligência artificial permitem obter dados cada vez mais precisos e relevantes na tomada de decisão dos produtores rurais.