Corn nitrogen (N) applications are still done on a field basis in Kentucky, according to previous crop, soil tillage management and soil drainage. Soil tests, as well as plant analysis for N, are not very useful in making N fertilizer rate recommendations for corn. Recommended rates assume that only 1/3 to 2/3 of applied N is recovered, variability largely due to the strong affect of weather on the release of soil N and fertilizer N fate. Many attempts have been made to apply N in a more precise and efficient way. Two experiments were conducted at Spindeltop, the University of Kentucky’s experimental farm near Lexington, over two years (2010, 2011), using a commercially available active optical sensor (GreanSeekerTM) to compute the normalized difference vegetative index (NDVI), and with this tool/index assess the possibility of early (V4-V6) N deficiency detection, grain yield prediction by NDVI with and without side-dressed N, and determination of the confounding effect of soil background on NDVI measurements. Results indicated that the imposed treatments affected grain yield, leaf N, grain N and grain N removal. Early N deficiency detection was possible with NDVI. The NDVI value tended to saturate in grain yield prediction models. The NDVI was affected by tillage management (residue/soil color background differences), which should be taken into account when using NDVI to predict grain yield. Side-dress N affected NDVI readings taken one week after side-dressing, reducing soil N variability and plant N nutrition. There is room for improvement in the use of this tool in corn N management.

Made available in DSpace on 2017-07-21T14:19:37Z (GMT). No. of bitstreams: 1 CLAUDIO KAPP JUNIOR.pdf: 1815678 bytes, checksum: d0a947fefc0e6b1b5a0242eb975f3cb7 (MD5) Previous issue date: 2013-03-18 / No-till systems with diversified crop rotations have stood out of the most effective strategies to improve the sustainability of farming in tropical and subtropical regions. Wheat (Triticum aestivum L.) is one of the most important crops used in this rotation during the autumn-winter season. Nitrogen (N) is uptake in larger amounts by plants, it is essential for the structure and functions in the cell, for all enzymatic reactions and is part of the chlorophyll molecules. Nitrogen fertilizers represent a significant part of the costs of production and due to the dynamics of N in soil, losses of N occur and cause economic and environmental damages. In the same agricultural area may exist changing demands for this nutrient. The attributes of the plant commonly used as indicators of N are NO3- content in stem, leaf chlorophyll content, the intensity of the green color and the N foliar content, dry biomass, and the extraction of N by plants. Lower levels of N can cause chlorophyll deficiency that is recognized by whitish or pale foliar coloration, and this changing in plant color can be identified using remote sensing techniques. This study aimed to evaluate the correlations between spectral reflectance data obtained by commercial ground sensors (Clorofilog 1030, GreenSeeker, and Crop Circle ACS-470) and attributes of wheat crop in response to N rates in top dressing under a no-till system. The efficiency of the sensors was evaluated in two ways: (i) by classical statistical methods, and (ii) through the application of Artificial Neural Networks, a machine learning technique. For the use of Artificial Neural Networks, this study compared the performance of the algorithms Resilient Propagation and Backpropagation. Because wheat plants exhibited adequate nutritional status, even without N application in top dressing, Clorofilog 1030 readings were not sensitive to variations of N rates. Thus, this sensor also did not correlate significantly with the N foliar content, dry biomass, and the extraction of N by wheat plants. The indices obtained by reflectance sensors Crop Circle and GreenSeeker had close correlation with the rates of N in top dressing, dry biomass, and the extraction of N by wheat plants. The Crop Circle and GreenSeeker sensors showed weaker correlation with the N content in leaves, and especially with the wheat grain yield. In this way, it was evident that grain yield has not followed the dry biomass production when high wheat grain yields were obtained. The correlation coefficients obtained by the Resilient Propagation and Backpropagation algorithms were similar to those found by statistical analysis. The Artificial Neural Networks technique had satisfactory behavior similar to classical statistical methods. / O sistema plantio direto com rotação diversificada de culturas tem sido apontado como uma das melhores estratégias para aumentar a sustentabilidade da agricultura em regiões tropicais e subtropicais. Uma das culturas de maior importância nessa rotação durante a estação de outono–inverno é o trigo (Triticum aestivum L.). O nitrogênio (N) é um dos nutrientes extraídos em maior quantidade pelas plantas, sendo essencial para a estrutura e funções nas células, para todas as reações enzimáticas e faz parte das moléculas de clorofila. Os fertilizantes nitrogenados representam parte significativa dos custos da produção agrícola e, em razão da dinâmica do N no solo, perdas consideráveis de N podem ocorrer e causar prejuízos econômicos e ambientais. Em uma mesma área agrícola podem existir demandas variáveis por este nutriente. Os atributos da planta mais utilizados como indicadores de N são o teor de NO3- no colmo, o teor de clorofila, a intensidade da cor verde e o teor de N na folha bandeira, a produção de matéria seca da parte aérea e a extração de N pelas plantas. Níveis baixos de N podem ocasionar deficiência de clorofila que é reconhecida pela coloração pálida ou mesmo esbranquiçada da folha, e esta variação de coloração da planta pode ser identificada por meio de técnicas de sensoriamento remoto. Este trabalho teve o objetivo de estudar as correlações entre dados de refletância espectral obtidos por sensores terrestres comerciais (Clorofilog 1030, GreenSeeker e Crop Circle ACS-470) e atributos de desempenho da cultura do trigo em resposta à doses de N aplicadas em cobertura no sistema plantio direto. A eficiência dos sensores foi avaliada de duas maneiras: (i) por meio de métodos estatísticos clássicos e (ii) por meio da aplicação de Redes Neurais Artificiais com uso da técnica de aprendizado de máquina, software MatLab. Para a utilização de Redes Neurais Artificiais, este trabalho comparou o desempenho dos algoritmos Backpropagation e Resilient Propagation. Os resultados mostraram que as leituras do Clorofilog 1030 não foram sensíveis às variações das doses de N aplicadas em cobertura na cultura do trigo, pois as plantas de trigo apresentaram bom estado nutricional, mesmo sem aplicação de N em cobertura. Logo, este sensor também não teve correlação significativa com o teor de N na folha bandeira, a produção de matéria seca da parte aérea e a extração de N pelas plantas de trigo. Os índices obtidos pelos sensores de refletância Crop Circle e GreenSeeker tiveram estreita correlação com as doses de N aplicadas em cobertura, a produção de matéria seca da parte aérea e a extração de N pelas plantas de trigo. Os sensores Crop Circle e GreenSeeker apresentaram correlação mais fraca com o teor de N no tecido foliar e, principalmente, com a produtividade de grãos de trigo. Isso aconteceu porque ficou bem evidenciado que a produtividade de grãos não acompanhou os ganhos de matéria seca da parte aérea do trigo, quando os rendimentos de grãos de trigo foram elevados. Os coeficientes de correlação obtidos pelos algoritmos Backpropagation e Resilient Propagation foram semelhantes aos encontrados pelas análises estatísticas. A técnica de Redes Neurais Artificiais teve comportamento satisfatório e similar aos métodos estatísticos clássicos.

Made available in DSpace on 2017-07-24T19:38:08Z (GMT). No. of bitstreams: 1 CLAUDIO KAPP JUNIOR.pdf: 1815678 bytes, checksum: d0a947fefc0e6b1b5a0242eb975f3cb7 (MD5) Previous issue date: 2013-03-08 / No-till systems with diversified crop rotations have stood out of the most effective strategies to improve the sustainability of farming in tropical and subtropical regions. Wheat (Triticum aestivum L.) is one of the most important crops used in this rotation during the autumn-winter season. Nitrogen (N) is uptake in larger amounts by plants, it is essential for the structure and functions in the cell, for all enzymatic reactions and is part of the chlorophyll molecules. Nitrogen fertilizers represent a significant part of the costs of production and due to the dynamics of N in soil, losses of N occur and cause economic and environmental damages. In the same agricultural area may exist changing demands for this nutrient. The attributes of the plant commonly used as indicators of N are NO3- content in stem, leaf chlorophyll content, the intensity of the green color and the N foliar content, dry biomass, and the extraction of N by plants. Lower levels of N can cause chlorophyll deficiency that is recognized by whitish or pale foliar coloration, and this changing in plant color can be identified using remote sensing techniques. This study aimed to evaluate the correlations between spectral reflectance data obtained by commercial ground sensors (Clorofilog 1030, GreenSeeker, and Crop Circle ACS-470) and attributes of wheat crop in response to N rates in top dressing under a no-till system. The efficiency of the sensors was evaluated in two ways: (i) by classical statistical methods, and (ii) through the application of Artificial Neural Networks, a machine learning technique. For the use of Artificial Neural Networks, this study compared the performance of the algorithms Resilient Propagation and Backpropagation. Because wheat plants exhibited adequate nutritional status, even without N application in top dressing, Clorofilog 1030 readings were not sensitive to variations of N rates. Thus, this sensor also did not correlate significantly with the N foliar content, dry biomass, and the extraction of N by wheat plants. The indices obtained by reflectance sensors Crop Circle and GreenSeeker had close correlation with the rates of N in top dressing, dry biomass, and the extraction of N by wheat plants. The Crop Circle and GreenSeeker sensors showed weaker correlation with the N content in leaves, and especially with the wheat grain yield. In this way, it was evident that grain yield has not followed the dry biomass production when high wheat grain yields were obtained. The correlation coefficients obtained by the Resilient Propagation and Backpropagation algorithms were similar to those found by statistical analysis. The Artificial Neural Networks technique had satisfactory behavior similar to classical statistical methods. / O sistema plantio direto com rotação diversificada de culturas tem sido apontado como uma das melhores estratégias para aumentar a sustentabilidade da agricultura em regiões tropicais e subtropicais. Uma das culturas de maior importância nessa rotação durante a estação de outono–inverno é o trigo (Triticum aestivum L.). O nitrogênio (N) é um dos nutrientes extraídos em maior quantidade pelas plantas, sendo essencial para a estrutura e funções nas células, para todas as reações enzimáticas e faz parte das moléculas de clorofila. Os fertilizantes nitrogenados representam parte significativa dos custos da produção agrícola e, em razão da dinâmica do N no solo, perdas consideráveis de N podem ocorrer e causar prejuízos econômicos e ambientais. Em uma mesma área agrícola podem existir demandas variáveis por este nutriente. Os atributos da planta mais utilizados como indicadores de N são o teor de NO3- no colmo, o teor de clorofila, a intensidade da cor verde e o teor de N na folha bandeira, a produção de matéria seca da parte aérea e a extração de N pelas plantas. Níveis baixos de N podem ocasionar deficiência de clorofila que é reconhecida pela coloração pálida ou mesmo esbranquiçada da folha, e esta variação de coloração da planta pode ser identificada por meio de técnicas de sensoriamento remoto. Este trabalho teve o objetivo de estudar as correlações entre dados de refletância espectral obtidos por sensores terrestres comerciais (Clorofilog 1030, GreenSeeker e Crop Circle ACS-470) e atributos de desempenho da cultura do trigo em resposta à doses de N aplicadas em cobertura no sistema plantio direto. A eficiência dos sensores foi avaliada de duas maneiras: (i) por meio de métodos estatísticos clássicos e (ii) por meio da aplicação de Redes Neurais Artificiais com uso da técnica de aprendizado de máquina, software MatLab. Para a utilização de Redes Neurais Artificiais, este trabalho comparou o desempenho dos algoritmos Backpropagation e Resilient Propagation. Os resultados mostraram que as leituras do Clorofilog 1030 não foram sensíveis às variações das doses de N aplicadas em cobertura na cultura do trigo, pois as plantas de trigo apresentaram bom estado nutricional, mesmo sem aplicação de N em cobertura. Logo, este sensor também não teve correlação significativa com o teor de N na folha bandeira, a produção de matéria seca da parte aérea e a extração de N pelas plantas de trigo. Os índices obtidos pelos sensores de refletância Crop Circle e GreenSeeker tiveram estreita correlação com as doses de N aplicadas em cobertura, a produção de matéria seca da parte aérea e a extração de N pelas plantas de trigo. Os sensores Crop Circle e GreenSeeker apresentaram correlação mais fraca com o teor de N no tecido foliar e, principalmente, com a produtividade de grãos de trigo. Isso aconteceu porque ficou bem evidenciado que a produtividade de grãos não acompanhou os ganhos de matéria seca da parte aérea do trigo, quando os rendimentos de grãos de trigo foram elevados. Os coeficientes de correlação obtidos pelos algoritmos Backpropagation e Resilient Propagation foram semelhantes aos encontrados pelas análises estatísticas. A técnica de Redes Neurais Artificiais teve comportamento satisfatório e similar aos métodos estatísticos clássicos.

Submitted by Angela Maria de Oliveira (amolivei@uepg.br) on 2018-05-09T13:45:12Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Alessandro Stachak.pdf: 2666037 bytes, checksum: b9d6cfbe55279b9d7942ae1afa0c2115 (MD5) / Made available in DSpace on 2018-05-09T13:45:12Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Alessandro Stachak.pdf: 2666037 bytes, checksum: b9d6cfbe55279b9d7942ae1afa0c2115 (MD5) Previous issue date: 2018-03-15 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Estimar a produtividade de biomassa na agricultura é uma ferramenta chave no manejo da lavoura, gerando informações que podem auxiliar a complexa tomada de decisões no campo. O nitrogênio (N), por ser é um nutriente que participa da estrutura e de funções celulares vitais à planta, apresenta estreita correlação com a produtividade de biomassa, principalmente na cultura do trigo (Triticum aestivum L.). Uma técnica muito utilizada na estimativa de biomassa e estado nutricional de N é o sensoriamento remoto (SR), que consiste na aquisição de informações de um objeto sem existir contato entre o sensor e o alvo. No SR existem três plataformas de obtenção de dados, sendo elas: orbital, por meio de satélites; aéreo, com aviões, helicópteros e aeronaves remotamente pilotadas (RPA); e terrestre, com sensores óticos e espectroradiômetros. Na criação de modelos de estimativa de produtividade de biomassa e de teor foliar de N, as três plataformas do SR são empregadas, já existindo produtos comerciais para tais finalidades. Entretanto, existe carência de informações a respeito da eficiência das tais plataformas em um mesmo estudo de campo. Tradicionalmente, os modelos preditivos com dados de SR na agricultura são gerados por técnicas clássicas de estatística, como a regressão linear. No entanto, técnicas da mineração de dados (MD) podem obter resultados mais relevantes. Dentre as técnicas da MD promissoras, a máquina de vetores de suporte para regressão (SVR), devido a sua grande capacidade de generalização e criação de modelos lineares e não lineares, tem sido empregada em dados de SR. Os objetivos deste trabalho foram:(i) avaliar a correlação entre os dados obtidos a partir das três plataformas do SR na estimativa da produtividade de biomassa seca da parte aérea e da concentração de N nas folhas de trigo, e (ii) comparar os resultados obtidos com a técnica clássica de regressão linear em relação aqueles gerados pela SVR. Para isso, plantas de trigo, cultivar TBIO Sinuelo, foram cultivadas em diferentes ambientes envolvendo manejos distintos de adubação nitrogenada. A avaliação da capacidade dos sensores foi abordada de duas formas: (i) com amostras aleatórias em diferentes estádios de desenvolvimento da cultura do trigo dentro de cada tratamento de adubação nitrogenada, verificando a capacidade do sensor em detectar a variabilidade em áreas com um mesmo tratamento, e (ii) com as médias das amostras em cada tratamento, avaliando a capacidade do sensor em detectar as diferenças provocadas por manejos variados de adubação nitrogenada. Os resultados obtidos demonstraram existência de correlação dos dados gerados pelos equipamentos utilizados (sensor terrestre GREENSEEKER, satélites RAPIDEYE e RPA EBEE) com a produtividade de biomassa seca da parte aérea e a concentração de N nas folhas de trigo. A SVR gerou coeficientes de correlação (r) mais expressivos do que a regressão linear sobre os dados obtidos com todos os equipamentos utilizados. Dentre as plataformas, considerando a abordagem com as amostras aleatórias no campo, os dados gerados com a RPA EBEE apresentaram correlação mais estreita com a estimativa de biomassa da parte aérea e a concentração foliar de N. Já, quando se consideraram as médias dos tratamentos de adubação nitrogenada, tanto a RPA EBEE como os satélites RAPIDEYE apresentaram resultados similares na estimativa de produtividade de biomassa da parte aérea. Porém, para a predição do teor foliar de N, a RPA EBEE proporcionou resultados superiores em relação aos obtidos com os satélites RAPIDEYE. Concluiu-se que a plataforma RPA EBEE foi mais eficiente do que as plataformas terrestre (GREENSEEKER) e orbital (satélites RAPIDEYE) para estimar a produtividade de biomassa da parte aérea e a concentração de N nas folhas de trigo, quando existe maior variabilidade na área de estudo, e que a SVR foi uma técnica mais eficiente do que a regressão linear para análise dos dados das três plataformas: orbital, aérea e terrestre. / Estimating biomass productivity in agriculture is a key part in crop management, providing information that can help the complex decision making in the field. Nitrogen (N), for being a nutrient that participates in the structure and vital cellular functions to the plant, has a close correlation with biomass productivity, mainly in wheat crop (Triticum aestivum L.). Remote sensing (RS), which consists of acquiring information from an object without contact between the sensor and the target, is a widely employed technique in estimating biomass and nutritional status of N. There are three RS platforms for obtaining data: orbital, with satellites; aerial, with aircraft, helicopters and remotely piloted aircraft (RPA); and terrestrial, with optical sensors and spectral radiometers. When determining biomass productivity and N foliar content estimation models, both RS platforms are employed, and commercial products for these purposes already exists. However, there is a lack of information regarding the efficiency of the three platforms in the same experimental area. Traditionally, predictive models with RS data in agriculture are generated by classic statistical techniques, such as linear regression. However, data mining (DM) techniques can provide more relevant results. Due to its generalization capacity and feature of creating linear and nonlinear models, support vector machine for regression (SVR) is a DM technique with intensive use over RS data. The goals of this work were: (i) to evaluate the correlation between data obtained from the three RS platforms for estimating dry biomass productivity and N concentration in wheat leaves, and (ii) to compare the results obtained with a classical linear regression technique against those of the SVR technique. Were cultivated wheat plants, TBIO Sinuelo variety, in different environments involving distinct management of nitrogen fertilization. The sensors evaluation was performed in two ways: (i) with random samples at different wheat crop development stages for each nitrogen fertilization treatment, aiming to verify the sensor ability to detect variability in areas with the same treatment, and (ii) considering the mean value of the samples in each treatment, evaluating the ability of the sensor to detect the differences caused by varied management of nitrogen fertilization. The results showed that data generated by the equipment (GREENSEEKER terrestrial sensor, RAPIDEYE satellites and RPA EBEE) displayed correlation with dry biomass productivity and N concentration in wheat leaves. More expressive correlation coefficients (r) were obtained with SVR against those of linear regression in the data obtained with all equipment used. Considering the approach with the random samples in the field, data generated with the RPA EBEE showed a closer correlation with the biomass estimation and the foliar concentration of N. When considering the mean value of nitrogen fertilization treatments, both RPA EBEE and RAPIDEYE satellites presented similar results for estimating biomass productivity, however, the RPA EBEE provided results slightly higher than those obtained with the RAPIDEYE satellites for the prediction of N foliar content. It was concluded that, for estimating the biomass productivity and the N concentration in the wheat leaves RPA EBEE platform is more efficient than the terrestrial (GREENSEEKER) and orbital platforms (RAPIDEYE satellites) when there is greater variability in the study area. Also, SVR was a more efficient technique than linear regression for data analysis of the three platforms: orbital, aerial and terrestrial.

En Viticulture de Précision, l’imagerie multi-spectrale est principalement utilisée pour des dispositifs de télédétection. Ce manuscrit s’intéresse à son utilisation en proxidétection, pour la caractérisation du feuillage. Il présente un dispositif expérimental terrestre mobile composé d’un GPS, d’une caméra multi-spectrale acquérant des images visible et proche infrarouge, et d’un Greenseeker RT-100 mesurant l’indice Normalized Difference Vegetation Index (NDVI). Ce système observe le feuillage de la vigne dans le plan de palissage, en lumière naturelle. La parcelle étudiée comporte trois cépages (Pinot Noir, Chardonnay et Meunier) plantés en carré latin. En 2013, six jeux de données ont été acquis à différents stades phénologiques.Pour accéder aux propriétés spectrales de la végétation, il est nécessaire de calibrer les images en réflectance. Cela requiert l’utilisation d’une mire de MacBeth comme référence radiométrique. Lorsque la mire est cachée par les feuilles, les paramètres de calibration sont estimés par une interpolation linéaire en fonction des images les plus proches sur lesquelles la mire est visible. La cohérence de la méthode d’estimation employée est vérifiée par une validation croisée (LOOCV).La comparaison du NDVI fournie par le Greenseeker avec celui déterminé via les images corrigées permet de valider les données générées par le dispositif. La polyvalence du système est évaluée via les images où plusieurs indices de végétation sont déterminés. Ils permettant des suivis de croissance de la végétation originaux offrant des potentialités de phénotypage ou une caractérisation de l’état sanitaire de la végétation illustrant la polyvalence et le gain en précision de cette technique. / Mutispectral imaging systems are widely used in remote sensing for Precision Viticulture. In this work, this technique was applied in the proximal sensing context to characterize vine foliage. A mobile terrestrial experimental system is presented, composed of a GPS receiver, a multi-spectral camera acquiring visible and near infrared images, and a Greenseeker RT-100 which measures the Normalized Difference Vegetative Index (NDVI). This optical system observes vine foliage in the trellis plan, in natural sunlight. The experimental field is planted with Chardonnay, Pinot Noir and Meunier cultivars in a latin squared pattern. In 2013, six datasets were acquired at various phenological stages.Spectral properties of the vegetation are accessible on images when they are calibrated in reflectance. This step requires the use of a MacBeth colorchart as a radiometric reference. When the chart is hidden by leaves, the calibration parameters are estimated by simple linear interpolation using the results from resembling images, which have a visible chart. The performance of this method is verified with a cross-validation technique (LOOCV).To validate the data provided by the experimental system, the NDVI given by the Greenseeker was compared to those computed from the calibrated images. The assessment of the versatility of the system is done with the images where several indices were determined. It allows an innovative follow-up of the vegetative growth, and offering phenotyping applications. Moreover, the characterization of the sanitary state of the foliage prove that this technique is versatile and accurate.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / The no-tillage system (SPD) was one of the main innovations in Brazilian agriculture, but there are still discussions about how to achieve and maintain its quality and sustainability. The management of SPD areas through management zones presents great potential for this purpose, since it integrates different variables in order to facilitate and increase the technical and computerized management of agricultural practices and consequently the reduction of polluting potencies in environments. Among the main variables used to delimit management zones are the chemical attributes, yield maps and recently the NDVI index. In this sense, with Article I, the objective was to delimit management zones through yield maps and NDVIs derived from satellite images in historical series. To do this, in an area of 118 ha, three yield maps of different cultures between the years of 2010 to 2015 were selected and for each yield map we searched for the images from the Landsat 5 and 8 satellite that included a date in of the cycle of the crop in question from which the NDVI was calculated and also with the intention of verifying the stability of the NDVI generated in different crop cycles, four other satellite images were selected for four crops according to the historical of the study area, between the years 2007 and 2013. In article II, the objective was to verify the variability caused by the winter cover crop in the summer crop and if the NDVI index performed by land and with a RPAS is able to evidence this variability in the summer crop. In an area 73.96 there was applied a sampling grid of 70.71 x 70.71 m (0.5 ha), where soil sampling for chemical analysis and dry matter nutrients accumulated in the winter cover crop of black oats where soybean was sown in the summer, in which in the R5 and R5.5 stages evaluations were carried out with a portable sensor "by land" and with a RPAS for obtaining of the NDVI index and finally the grain yield of the soybean was determined, as well as the final population of plants. With the results, NDVI from satellite images can replace and/or compose the yield maps (article I) and that the dry mass and accumulated nutrients in the winter crop interfere with the yield of the summer crop and the NDVI index performed by land or with a RPAS was effective in expressing this variability (article II). / O Sistema Plantio Direto (SPD) foi uma das principais inovações na agricultura brasileira, contudo ainda há discussões sobre como alcançar e manter sua qualidade e sustentabilidade. A gestão de áreas sob SPD por meio de zonas de manejo, apresenta grande potencial para essa finalidade, pois integra diferentes variáveis afim de facilitar e incrementar a gestão tecnificada e informatizada das práticas agrícolas, e em consequência a redução de potencias poluidores no ambiente. Entre as principais variáveis utilizadas para delimitar zonas de manejo estão os atributos químicos, mapas de rendimento e recentemente o índice NDVI. Nesse sentido, com o artigo I objetivou-se delimitar zonas de manejo por meio de mapas de rendimento e NDVI oriundos de imagens de satélite em series históricas. Para isso, em uma área de 118 ha, selecionou-se três mapas de rendimento de diferentes culturas compreendidas entre os anos de 2010 a 2015 e para cada mapa de rendimento buscou-se selecionar as imagens satélite oriundas série Landsat que compreendessem uma data dentro do ciclo da cultura em questão a partir das quais procedeu-se o cálculo do NDVI e ainda com o intuito de verificar a estabilidade do NDVI gerado em diferentes ciclos de cultivo, foram selecionadas outras quatro imagens de satélites referentes a quatro cultivos, segundo o histórico de cultivo da área de estudo, compreendidos entre os anos de 2007 a 2013. Já no artigo II, o objetivo foi verificar a variabilidade causada pela cultura de cobertura de inverno na cultura de verão e se o índice de NDVI realizado “por terra” e com um RPAS é capaz de evidenciar essa variabilidade na cultura de verão. Em uma área 73,96 ha, aplicou-se uma malha amostral de 70,71 x 70,71 m (0,5 ha), onde realizou-se a amostragem de solo para a análise química e as avaliações de matéria seca e os nutrientes acumulados na cultura de cobertura inverno da aveia preta onde sobre esta, foi semeada no verão a cultura da soja, na qual nos estágios R5 e R5.5 foram realizadas avaliações com um sensor portátil “por terra” e com um RPAS para a obtenção do índice de NDVI e por final determinou-se o rendimento de grãos da soja, bem como, a população final de plantas. Com os resultados, constatou-se que O NDVI foi um bom parâmetro para delimitar duas zonas de manejo de alto e baixo potencial (artigo I) e que a matéria seca e os nutrientes acumulados na cultura de inverno interferem o rendimento da cultura de verão, sendo que o índice de NDVI realizado “por terra” ou com um RPAS foi eficaz em expressar essa variabilidade (artigo II).