Informativo GEA
Obtenção de dados para mapas de produtividade de grãos
As primeiras tentativas de medir o fluxo dos grãos em colhedoras de cereais surgiram no final dos anos 80, quando foram gerados de forma experimental os primeiros mapas de produtividade na Europa. Os sistemas de mapeamento, no entanto, passaram a ser comercializados somente em 1992 (BLACKMORE & MOORE, 1998). No Brasil, o primeiro relato de atividade é de um mapa de produtividade de milho pela ESALQ/USP, em 1996 (BALASTREIRE et al., 1997). Esse mapeamento pode ser considerado como ponto de partida para a Agricultura de Precisão, já que materializa as respostas das culturas e fornece informações valiosas para que se enxergue a variabilidade espacial de uma área (MALDANER; WEI; MOLIN, 2019).
A geração dos mapas de produtividade é assumida, de maneira inicial, como uma junção de pontos, que englobam quantificação dos grãos colhidos, sua umidade, posição e área representada (MOLIN, 2002). Para isso, utilizam-se os sistemas de monitoramento de colheita, conjunto de sensores integrados que torna o mapeamento possível a partir da integração das informações derivadas desses sensores (SANTI et al., 2016).
Para quantificar os grãos que entram no tanque graneleiro em um determinado período de tempo, é realizada a instalação do sensor de fluxo de grãos, que pode ser gravimétrico ou volumétrico, no elevador de grãos limpos da colhedora (MOLIN et al., 2015).
No método gravimétrico, o sensor é instalado junto a saída de grãos limpos do elevador e o deslocamento sofrido com o impacto dos grãos é estimado por meio de um potenciômetro ou uma cédula de carga (SANTI et al., 2016). Esses sensores tem alta sensibilidade a alterações na velocidade do elevador de grãos, portanto é comum a utilização de um sensor auxiliar para adaptação do valor obtido (MOLIN et al., 2015).
Enquanto isso, no método volumétrico o sensor é instalado em um ponto de passagem no elevador de grãos limpos, baseando se na emissão de radiação em um lado e um fotossensor do lado oposto, para registrar o tempo de recepção e ausência de luz, podendo inferir que com as taliscas do elevador mais cheias, o tempo sem luz será maior (MOORE, 1998). Esse método é altamente dependente de calibração para informar a densidade dos grãos e tem alta sensibilidade a inclinação da máquina, o que exige a utilização de sensores auxiliares para correção (MOLIN, 2002).
Para a geração dos mapas de produtividade também são essenciais os sensores de velocidade, umidade e posição da plataforma. O sensor de altura de plataforma desativa a coleta de dados a partir do momento em que a plataforma é levantada, buscando evitar que dados sejam erroneamente coletados, como em manobras e desvios (MOLIN, 2002). Paralelo a isso, o sensor de umidade permite que, de maneira instantânea, os dados de umidade dos grãos sejam estimados, geralmente por capacitância (MOLIN, 2002). Já a velocidade de deslocamento da colhedora pode ser mensurada de diferentes maneiras, como por instalação de radares e ultrassom em estruturas próximas do solo ou sensores de pulso magnético nas rodas, mas receptores GNSS de alta precisão acoplados podem substituir a utilização desses sensores (SANTI et al., 2016).
Com a vasta quantidade de aparelhos integrados e informações processadas, é natural que haja erros nessa obtenção de dados, geralmente resultantes de uma junção de fatores como a coleta em condições dinâmicas, interferências de campo e o elevado volume de informações a serem processadas em uma pequena fração de tempo. Porém, grande parte dos erros são provenientes de falta de atenção dos operadores em procedimentos necessários, como a falta de calibração e limpeza dos sensores, manobras com plataforma abaixada, ausência de registro de colheitas com meia plataforma e falta de empatia do operador com o sistema operacional do monitor (SANTI et al., 2016).
A partir disso, pode-se perceber grande necessidade de investimentos em treinamentos para capacitar e familiarizar os operadores com os novos recursos oferecidos e os cuidados requisitados, possibilitando assim que os erros na aquisição de dados sejam minimizados e as informações, essenciais para avaliar a eficiência das prática de manejo adotadas e as possíveis diferenças presentes dentro de uma área, sejam mais confiáveis para contribuir de maneira efetiva em tomadas de decisão posteriores.
Redigido por:
Matheus Feitosa
Referências:
BALASTREIRE, L. A.; ELIAS, A. I.; AMARAL, J. R. AGRICULTURA DE PRECISÃO: MAPEAMENTO DA PRODUTIVIDADE DA CULTURA DO MILHO. REVISTA ENGENHARIA NA AGRICULTURA, v. 5, p. 308-324, 1997.
BLACKMORE, B. S.; MOORE, M. R. REMEDIAL CORRECTION OF YIELD MAP DATA. PRECISION AGRICULTURE, v. 1, n.1, p. 53-66, 1998.
MALDANER, Leonardo F.; WEI, Marcelo C. F.; MOLIN, José P.. BOLETIM TÉCNICO 04: MAPAS DE PRODUTIVIDADE. Piracicaba: ESALQ, 2019.
MOLIN, José Paulo. GERAÇÃO E INTERPRETAÇÃO DE MAPAS DE PRODUTIVIDADE PARA AGRICULTURA DE PRECISÃO. 2002. Disponível em: http://www.ler.esalq.usp.br/download/CLP%202000.01.PDF. Acesso em: 23 abr. 2020.
MOLIN, José Paulo; AMARAL, Lucas Rios do; COLAÇO, André Freitas. AGRICULTURA DE PRECISÃO. São Paulo: Oficina de Textos, 2015. 233 p.
MOORE, M. AN INVESTIGATION INTO THE ACCURACY OF YIELD MAPS AND THEIR SUBSEQUENT USE IN CROP MANAGEMENT. 1998. 379 f. (Ph. D. Thesis) Department of Agriculture and Biosystems Engineering. Cranfield University. Silsoe - UK.
SANTI, Antonio Luis; SEBEM, Elódio; GIOTTO, Enio; CARNEIRO, Telmo Jorge. AGRICULTURA DE PRECISÃO NO RIO GRANDE DO SUL. Santa Maria: Cespol, 2016. 309 p.
Fonte: BALASTREIRE et al., 1997.
Figura 1 - Mapa de produtividade de milho elaborado pela ESALQ/USP em 1996.
Figura 2 - Mapa de produtividade em diferentes visualizações
Fonte: Agricultura de precisão no RS.
Figura 3 - Método gravimétrico via placa de impacto.
Fonte: Adaptado de Morgan & Ess, 1997(A) e Precision Planting, 2015
Figura 4 - Método volumétrico via sensor infravermelho.
Fonte: A) Moore (1998); B) Trimble (2013).
Figura 5 - Localização dos sensores em uma colhedora de grãos.
Fonte: Agricultura de precisão no RS.