INTEGRAÇÃO DE SENSORES EMBARCADOS, PLATAFORMAS DIGITAIS E CIÊNCIA DE DADOS NA ANÁLISE ESPACIAL DA PRODUTIVIDADE AGRÍCOLA
Integration of embedded sensors, digital platforms, and data science in the spatial analysis of crop yield
AUTORES/AUTHORS
Igor Drescher1; Larissa Meira1; André Müllich1; Luiz Felipe Silveira Pavão1; Marcelo S. Farias1; Luciano Z. Pes 1; Ivan C. Maldaner1; Luiz Patric Kayser1
RESUMO
A digitalização da agricultura tem impulsionado a integração de sensores embarcados, plataformas digitais e ciência de dados para aprimorar o monitoramento da colheita. Este estudo foi realizado em uma lavoura de soja em Santa Maria, RS, utilizando uma colhedora híbrida de grãos, da marca Massey Ferguson®, modelo MF 4690HD equipada com o sistema Yieldtrakk®. Os dados foram importados para uma plataforma digital, onde relatórios iniciais de rendimento foram gerados. Os arquivos brutos foram exportados e processados em Python (Google Colab) com bibliotecas específicas para manipulação, análise estatística e visualização. Registros iguais a zero e outliers foram removidos, obtendo-se um conjunto de dados aceitáveis. Esses valores foram interpolados por krigagem, resultando no mapa de produtividade classificado em três zonas de produtividade, por quartis. Os resultados evidenciaram a heterogeneidade produtiva do talhão e a importância do pré-processamento dos dados. Conclui-se que, a integração entre sensores, plataformas digitais e ciência de dados permite gerar mapas confiáveis de produtividade.
Palavras-chave: Agricultura Digital. Filtragem de dados. Mapas de produtividade.
ABSTRACT
The digitalization of agriculture has fostered the integration of embedded sensors, digital platforms, and data science to improve harvest monitoring. This study was conducted in a soybean field in Santa Maria-RS, using a Massey Ferguson MF 4690 hybrid combine harvester equipped with the Yieldtrakk® system. Data were imported into a digital platform, where initial yield reports were generated. The raw files were exported and processed in Python (Google Colab) with specific libraries for data handling, statistical analysis, and visualization. Records equal to zero and outliers were removed, resulting in an acceptable dataset. These values were interpolated by kriging, producing a yield map classified into three productivity zones by quartiles. The results highlighted the heterogeneity of field productivity and the importance of data preprocessing. It is concluded that the integration of sensors, digital platforms, and data science enables the generation of reliable yield maps.
Keywords: Digital Agriculture. Data filtering. Yield maps.
