No description available.

Die Landwirtschaft ist bereits digital – seit vielen Jahren prägen Informatik und Elektronik den landwirtschaftlichen Alltag. Digitale Anwendungen helfen beim Pflanzenschutz und der Wettervorhersage. Für die Präzisionslandwirtschaft sind Landmaschinen mit intelligenten Technologien bestückt. So kommunizieren sie untereinander. Automatisierte Arbeitsprozesse sind auf dem Feld und im Hof angekommen. Wie lässt sich Ökonomie und Ökologie nachhaltig verbinden und gut mit dem Faktor „Mensch“ integrieren? Die Frage, wer über Daten verfügt und sie interpretieren kann, wird zum Wettbewerbsfaktor in der Landwirtschaft – ist aber auch fachlich, juristisch und ethisch von Interesse. Diesen Themen widmet sich unter Schirmherrschaft des Bundeslandwirtschaftsministeriums (BMEL) die erste Konferenz zur Digitalisierung in der Landwirtschaft. Dabei geht es neben Begriffsfindung (z.B. Digitalisierung, Transformation, Big Data, Farming 4.0, Precision Farming), um das Aufzeigen der Potenziale und Risiken sowie den Erfahrungsaustausch über praxisnahe Lösungsansätze für die in der Wertschöpfungskette Beteiligten. Die Veranstaltung wird im Rahmen eines Programmkomitees durch DLG, KTBL, Leibniz Institut für Agrartechnik Potsdam, Bornim, Hochschule Osnabrück, Gesellschaft für Informatik in der Landtechnik und das Institut für Naturstofftechnik der TU Dresden unterstützt. Die Veranstaltung findet parallel zum IEEE 5G Summit statt (https://5glab.de/5gsummit/). Dies erlaubt erste Blicke auf die Anwendungsdemonstrationen der nächsten Mobilfunkgeneration und den direkten Kontakt mit den Teilnehmern des Summits während der Abendveranstaltung.

The diplom thesis presents some elements of precision agriculture and their possible use. The thesis focuses on using the elements of precision farming in practice. In the practical part, the work is focused on the practical use of the sensor system Isaria Crop sensor N in the conditions of the agricultural company Kooprodukt Lišov a.s.

Orientador: Célia Regina Lopes Zimback / Resumo: Com o crescente interesse de produtores rurais e grandes empresas no ramo da agricultura de precisão, muito tem sido feito e desenvolvido para adequar essa tecnologia, na sua maioria estrangeira, para as condições tropicais. Aplicadores de insumos à taxa variável são cada vez mais comuns, otimizando as operações e reduzindo seu impacto ambiental. Mas para que isso funcione de maneira dinâmica como ocorre no solo, é necessário conhecer a dependência espacial entre os parâmetros analisados, aplicando a geoestatística uni e multivariada no lugar da estatística tradicional. Assim, mapas mais condizentes com a realidade podem ser elaborados por krigagem, com auxílio de um Sistema de Informações Geográficas (SIG). O objetivo desse trabalho foi investigar o comportamento de variáveis ligadas à química do solo por meio de técnicas geoestatísticas, a fim de entendê-lo e obter mapas de fertilidade da área, auxiliando na elaboração de um mapa final de aplicação de fertilizantes em formato digital. A área estudada foi de 71,79 ha em uma propriedade rural localizada em Araguari-MG, utilizando-se como metodologia amostragens com grade conhecida e amostras georreferenciadas. Pôde-se concluir que a amostragem em malha (grid) regular de 60 m possibilitou a caracterização geoestatísticas das variáveis estudadas da fertilidade do solo, exceto para P e K; a análise de corregionalização foi uma ferramenta eficaz no estudo do comportamento das variáveis envolvidas em diferentes processos no solo; a krigagem mostrou-se um interpolador eficaz na confecção de mapas de fertilidade quando detectada a dependência espacial entre as amostras; quando não detectada a dependência espacial, o Inverso do Quadrado da Distância foi uma boa alternativa de interpolação para a construção de mapas de fertilidade;...(Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Following the great interest of farmers and big companies in precision farming, lot of things have been done to adapt this technology, in majority foreigner, for tropical conditions. Agrotoxics variable rate applicators are each time more commons, optimizing operations and reducing environmental impact. But to make that work dynamically as the soil as, is necessary to know spatial dependence among analyed parameters, using univariate and multivariate geostatistics instead of traditional statistics. In this way, maps can be elaborate with Geografical Informations Systems (GIS). The area studied covers 71,79 ha of a rural property at Araguari-MG, in which georeferrenced samples were taken allow a known grid. It could be concluded that 60m grid soil sampling allowed geostatistic characterization of the studied soil fertility variables, excepted P and K; corregionalization analysis was a efficient tool on studied variables behavior involved in different soil process; kriging has proved to be a efficient interpolator for fertility maps when there was spatial correlation; otherwise inverse distance weight was used as an good alternative for fertility maps; finally Geographic Information System (GIS) optimize data management process, helping maps preparation for the prescription of fertilizers and liming. / Mestre

O emprego de câmeras digitais multiespectrais torna possível a utilização de índices de vegetação, obtidos por meio de operações matemáticas entre bandas espectrais de uma mesma imagem. Estes índices podem ser empregados na estimativa de produtividade de culturas agrícolas e no delineamento de zonas de manejo, por apresentarem relação com o vigor da cultura. Algumas variáveis obtidas no campo, como o índice de área foliar (IAF), a altura de plantas e o número de plantas por metro linear, também podem ser empregadas na avaliação do vigor da cultura. O objetivo principal deste trabalho foi avaliar imagens obtidas por meio de videografia aérea digital multiespectral, quanto ao seu potencial na estimativa da produtividade e na determinação de zonas de manejo em culturas de grãos. As imagens foram adquiridas por meio de uma câmera de vídeo digital multiespectral (Duncantech MS3100). Também foram utilizados mapas de produtividade, referentes a duas áreas cultivadas, primeiramente com trigo, no inverno de 2001, e na seqüência com soja, no verão de 2002. Além disso, foi realizado um trabalho de campo, na cultura da soja, em uma das áreas de estudo, onde foram determinados, em uma grade amostral, o índice de área foliar, a altura de plantas e o número de plantas por metro linear. As imagens aéreas foram corrigidas geometricamente e normalizadas radiometricamente no software Idrisi32, após o que foi realizada uma regressão linear simples entre as imagens e os mapas de produtividade, pixel-a-pixel e com as imagens classificadas. Os dados coletados em grade foram analisados por meio da estatística descritiva e da geoestatística, sendo posteriormente interpolados, gerando os mapas de superfície das variáveis estudadas. Os mapas de superfície criados para as variáveis medidas no campo apresentaram elevada correlação entre sí. A imagem NDVI apresentou uma melhor relação com a estimativa de produtividade, quando comparada com as imagens das bandas espectrais individualizadas, do vermelho e do infravermelho próximo. Concluiu-se que as imagens aéreas digitais multiespectrais obtidas por videografia são eficientes na estimativa da produtividade de grãos quando existe elevada variabilidade nas imagens e as mesmas não apresentam valores discrepantes. Também proporcionam informações importantes ao delineamento de zonas de manejo. / The utilization of multispectral digital cameras makes it possible the use of vegetation indices, generated by means of mathematical operations between spectral bands from the same image. These indices can be used to estimate crop yields and delineate management zones due to the relation between them and crop vigor. Some variables, measured on the field, such as leaf area index (LAI), plants height and plants per linear meter, can also be used in the assessment of the crop vigor. The main objective of this work was to evaluate multispectral digital aerial videographic images regarding their potential in crop yield estimate as well as in management zones delineation. The images were acquired with a multispectral digital camera (Duncantech MS3100). Yield maps were also used, for two cropped areas, firstly with wheat, in the 2001 winter, and afterwards, with soybean, in the 2002 summer. Moreover, a field work was accomplished, for soybean, in one of the study areas. Three variables were measured, on a sampling grid: leaf area index, plants height and plants per linear meter. The aerial images were geometrically rectified and radiometrically normalized, in the software Idrisi32, and then a simple linear regression was performed between images and yield maps, pixel-by-pixel and with the classified images and maps. Data collected on the sampling grid were analyzed by means of descriptive statistics and also geostatistics. After an interpolation procedure, surface maps of these variables were generated. The surface maps generated for the variables measured on the field presented high correlation among themselves. The NDVI image showed a better relation with yield estimate than the individual spectral bands, red and near infrared. One can conclude that the multispectral digital aerial videographic images are efficient for grain crops yield estimates, when there is a high variability on the images, without outliers. These images can also provide important information to the management zones delineation.

Precision farming integrates satellite coordination and information communication technologies into farming practices to deliver self-driving and auto-regulating machinery and equipment to farmers, who can afford to invest, right across the globe. It is often sold on the basis that it can help clean up or ‘ecologically modernise’ conventional, industrial agriculture. It should also increase production rates in industrial agriculture to help to ‘feed the world’ as well as being cost effective in ways that could make farmers more money – miracle-grow formula and win-win technology. There are critical concerns that precision farming facilitates a continuing trend of transnational firms appropriating control over agricultural industries. Many neo-Marxist or neo-Weberian critics contend that any ‘green’ benefits fall secondary to the more dominant social and economic trend of ongoing capital accumulation, increasing rationalisation and industrial progress that has been deemed detrimental to natural environments and human populations. These social and economic pressures are actually the real drivers in change. Rather than greening industrial agriculture, precision farming is another way of masking over and profiting from the risks caused by ongoing capitalist accumulation and industrial agriculture. The other set of concerns are to do with human culture and labour. Farming is the grass roots of modern civilisation and dependent upon human labour, knowledge and cultural methods. With the introduction of data over knowledge, and auto-steering tractors over human labour and skills, what kinds of impacts will this have on farm families, rural cultures within countryside landscapes in Britain or other countries where precision farming is being adopted? As a farmer’s son, I was concerned about the impact the computerisation of agriculture will have on family farms, nature and rural communities. I spent four years interviewing and working with a cooperative group of Duchy of Cornwall farmers in the West Country of England. I wanted to know why they were using these new technologies and the kinds of benefits, impacts or outcomes that they experienced following adoption. The results tend to confirm critics’ concerns, unfortunately. Precision farming has much more to do with the organising of agricultural production. The restructuring of farming by way of precision farming greater empowers transnational agribusinesses and Agri-Food supply chains, rather than protecting the environment, feeding hungry people or making family farming more sustainable. I conclude my research by suggesting that it is not technology, or agricultural technologies such as precision farming that will deliver these end goals in and of them selves. There could be room to improve precision farming systems if they are coupled with well-managed policy designs and agri-environmental schemes.

A agricultura nacional, buscando uma maior integração e participação no mercado global, tende a investir cada vez mais na automação de máquinas e implementos agrícolas, visando maior eficiência e qualidade em seus produtos. Para responder rapidamente às mudanças impostas pelo mercado, o emprego do conceito de Agricultura de Precisão (AP), têm mostrado bons resultados, tais como uma melhor utilização das máquinas, melhor aproveitamento na área de plantio entre outros benefícios. Para tal, pesquisas voltadas ao desenvolvimento de máquinas, com nível elevado de automação, capazes de operar de forma autônoma, estão ganhando cada vez mais espaço no setor agrícola. Considerando esse cenário, no presente trabalho são apresentadas uma revisão sobre Controle Supervisório e Aquisição de Dados (SCADA), no contexto da Agricultura de Precisão, e a proposta de um modelo supervisório, aplicável na robótica móvel utilizando, como plataforma experimental o veículo Agribot. / National agriculture, seeking greater integration and participation in the global market tends to increasingly invest in the automation of agricultural machinery and implements, aiming at greater efficiency and quality in their products. To respond quickly to changes driven by the market, the use of the concept Precision Farming (PF) have shown good results, such as better machine utilization, better utilization in the planting area among others benefits. To this end, research aimed at developing machines with high level of automation, able to operate autonomous, are gaining more and more space in the agricultural sector. Considering this factor, this work is a review on the Supervisory Control and Data Acquisition (SCADA) in the Precision Farming context and the proposal of a supervisory model applicable in mobile agricultural robotics using as platform the vehicle Agribot.

A agricultura nacional, buscando uma maior integração e participação no mercado global, tende a investir cada vez mais na automação de máquinas e implementos agrícolas, visando maior eficiência e qualidade em seus produtos. Para responder rapidamente às mudanças impostas pelo mercado, o emprego do conceito de Agricultura de Precisão (AP), têm mostrado bons resultados, tais como uma melhor utilização das máquinas, melhor aproveitamento na área de plantio entre outros benefícios. Para tal, pesquisas voltadas ao desenvolvimento de máquinas, com nível elevado de automação, capazes de operar de forma autônoma, estão ganhando cada vez mais espaço no setor agrícola. Considerando esse cenário, no presente trabalho são apresentadas uma revisão sobre Controle Supervisório e Aquisição de Dados (SCADA), no contexto da Agricultura de Precisão, e a proposta de um modelo supervisório, aplicável na robótica móvel utilizando, como plataforma experimental o veículo Agribot. / National agriculture, seeking greater integration and participation in the global market tends to increasingly invest in the automation of agricultural machinery and implements, aiming at greater efficiency and quality in their products. To respond quickly to changes driven by the market, the use of the concept Precision Farming (PF) have shown good results, such as better machine utilization, better utilization in the planting area among others benefits. To this end, research aimed at developing machines with high level of automation, able to operate autonomous, are gaining more and more space in the agricultural sector. Considering this factor, this work is a review on the Supervisory Control and Data Acquisition (SCADA) in the Precision Farming context and the proposal of a supervisory model applicable in mobile agricultural robotics using as platform the vehicle Agribot.

Orientador: José Alfredo Covolan Ulson / Banca: Adriano de Souza Marques / Banca: Fernando de Souza Campos / Resumo: As espécies exóticas invasoras, também conhecidas como plantas daninhas, competem por recursos, como sol, água e nutrientes paralelamente a cultura plantada, impondo prejuízos econômicos ao agricultor. Para minimizar este problema, atualmente os agricultores fazem uso de herbicidas para a eliminação e/ou controle das plantas daninhas. O uso de herbicidas depara-se com problemas: i) algumas plantas daninhas são resistentes a aplicação de herbicidas e, ii) quando aplicados em demasia pode-se ter a contaminação da cultura plantada, do lençol freático e dos mananciais como rios e lagos. Nesse contexto, visando o desenvolvimento de ferramentas que permitam a minimização do emprego de herbicidas, novas abordagens que fazem uso de visão computacional e inteligência artificial aparecem como soluções promissoras, agregando novas ferramentas a agricultura de precisão. Dentre essas soluções destaca-se o aprendizado profundo (do inglês Deep Learning), que utiliza as redes neurais convolucionais para extrair características relevantes, principalmente em imagens, dessa maneira, permite por exemplo a identificação e a classificação de plantas daninhas, o que possibilita ao agricultor optar tanto pela eliminação mecânica da planta daninha quanto a aplicação localizada de herbicidas e em quantidades adequadas. A partir deste desafio que é a correta classificação de diferentes espécies de plantas daninhas, especialmente plantas resistentes aos herbicidas comerciais, o objetivo deste trabalho f... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Exotic invasive species, also known as weeds, compete for resources such as sun, water and nutrients in parallel with the planted crop, imposing economic losses to the farmer. To minimize this problem, farmers are currently using herbicides for the elimination and / or control of weeds.The use of herbicides has problems: i) some weeds are resistant to the application of herbicides and ii) when applied too much can contaminate the planted crop, groundwater and springs such as rivers and lakes. In this context, aiming at developing tools to minimize the use of herbicides, new approaches that make use of computer vision and artificial intelligence appear as promising solutions, adding new tools to precision agriculture. Among these solutions are the Deep Learning, which uses the convolutional neural networks to extract relevant features, mainly in images, thus, allows for example the identification and classification of weeds, which enables the farmer to opt for the mechanical elimination of the weeds as well as the localized application of herbicides and in adequate quantities. From this challenge, which is the correct classification of different weed species, especially plants resistant to commercial herbicides, the objective of this study was to apply and compare the performance of four architectures of convolutional neural networks for classification of weed five species contained in an image bank developed for this work. The training and classification of the species were c... (Complete abstract click electronic access below) / Mestre

A portable dual-camera video system was used to evaluate the potential for using total projected green cover as an indirect measure of weed infestations in a wheat crop during early growth stages. The video system would have applications in mapping weed infestations to assist precision farming operations. <p>The two cameras provided a real-time composite image of reflected light measured in red (640 nm), and near-infrared (860 nm) wavelengths. A simple ratio of reflected light intensity in each wavelength was used to isolate the growing plants from the background. Software was developed to automatically adjust for varying ambient light conditions and calculate the percentage of the image occupied by growing plants. Total green cover was measured at randomly selected sites prior to direct seeding wheat and at four growth stages following wheat emergence. The portion of green cover observed was compared to crop and weed dry matter at each location. Weed infestations at each location were estimated by measuring the total green cover and subtracting the projected green cover due to the crop alone. A minimum weed dry matter of 20 g/m2 and 30 g/m2 could be detected by the video system at the 3-leaf and 5-leaf growth stages, respectively. Weed dry matter less than 20 g/m2 could not be detected reliably due to the variability of the wheat crop. Detection of weeds within the crop beyond the 5-leaf stage using this method was difficult due to crop canopy closure.