ARTIGO ORIGINAL
ARAÚJO, Marlon Breno Soares de [1], ALMEIDA, Edmilson Igor Bernardo [2], SOUSA, Washington da Silva [3], SOUSA, Andreza Maciel de [4], MOREIRA, Katarina Lopes [5], ALMEIDA, Samira Luns Hatum de [6], CARVALHO, Marcus Willame Lopes [7], MARQUES, Jordânio Inácio [8]
ARAÚJO, Marlon Breno Soares de et al. Aplicabilidade de técnicas de inteligência artificial para o mapeamento e controle localizado de vassourinha-de-botão (Spermacoce sp.) na sojicultura. Revista Científica Multidisciplinar Núcleo do Conhecimento. Ano. 10, Ed. 12, Vol. 02, pp. 19-38. Dezembro de 2025. ISSN:2448-0959. Link de acesso: https://www.nucleodoconhecimento.com.br/agronomia/vassourinha-de-botao, DOI: 10.32749/nucleodoconhecimento.com.br/agronomia/vassourinha-de-botao
A vassourinha-de-botão (Spermacoce sp.) é uma das plantas daninhas mais problemáticas do Brasil, pois apresenta tolerância ao glifosato, principal herbicida utilizado no mundo. Objetivou-se (1) analisar a variabilidade espacial de vassourinha-de-botão com técnicas de inteligência artificial e (2) recomendar alternativas eficazes para o controle localizado desta espécie em lavouras de soja. O estudo foi conduzido numa lavoura de soja, com histórico de uso sucessivo de glifosato há mais de 10 anos, em Mata Roma, Maranhão, Brasil. Realizaram-se dois levantamentos com uso de técnicas convencionais e inteligência artificial, durante as fases de pré-plantio (entressafra) e pós-plantio da soja (safra). Conclui-se que o uso de técnicas de inteligência artificial foi efetivo no mapeamento de vassourinha-de-botão, a qual apresentou uma distribuição contagiosa, com picos de densidade de 27 pl m-2, geralmente dispostos em reboleiras espaçadas na lavoura. Estes resultados indicam que o controle corretivo desta espécie pode ser feito de forma localizada, com um uso mais sustentável de insumos e recursos naturais.
Palavras-chave: Agricultura digital, Classificação Random Forest, Drone,Planta tolerante a glifosato.
A vassourinha-de-botão é uma planta daninha herbácea, perene, nativa do Brasil, pertencente à família Rubiaceae (Nepomuceno et al., 2018), que tem apresentado tolerância ao controle químico com glifosato (C3H8NO5P), principalmente no estágio de 4-6 folhas e/ou na floração (Albrecht et al., 2022). Isto é um problema significativo, pois o glifosato (C3H8NO5P) é o herbicida mais utilizado no mundo, notadamente para o controle não-seletivo de plantas daninhas em pós-emergência da soja, quando a competição com espécies invasoras pode comprometer a produtividade (Adegas et al., 2022).
A tolerância da vassourinha-de-botão ao glifosato abrange características inatas, ou seja, em decorrência de atributos anatômicos, morfológicos e/ou fisiológicos que lhe permite sobreviver mesmo após a aplicação de doses hipoteticamente letais (Fadin et al., 2018). Isto tem resultado em diversos problemas na produção de grãos, especialmente nas regiões Norte e Nordeste do Brasil, pois a vassourinha-de-botão é uma planta rústica e de fácil dispersão, que se adapta bem a condições climáticas adversas (Santos et al., 2025; Castilho; Forti; Monquero, 2022).
Diante do exposto, o controle antecipado desta espécie, na entressafra ou pré-plantio da soja, tem apresentado resultados eficazes (Ponte et al., 2024). Contudo, a persistência de populações não controladas pode demandar a necessidade de aplicações sequenciais (double-spraying). Neste aspecto, o mapeamento da lavoura com uso de métodos convencionais ou técnicas de inteligência artificial pode permitir a implementação do controle localizado de plantas daninhas, priorizando a aplicação seletiva de herbicidas, posicionados diretamente sobre zonas infestadas, geralmente remanescentes da aplicação de glifosato nas primeiras operações de dessecação pré-plantio (Moreira et al., 2024; Yu et al., 2019).
O mapeamento de plantas daninhas é o primeiro passo para implementação do controle localizado, que tem se expandido na agricultura de larga escala, com o uso de técnicas de sensoriamento remoto e/ou tecnologias espectrais (Mohidem et al., 2018), que visam melhorar a eficiência e sustentabilidade do controle químico de plantas daninhas, com a deposição variável de insumos na lavoura (Rocha et al., 2015).
Neste contexto, o uso de Aeronaves Remotamente Pilotadas (ARP) tem oportunizado melhorias no mapeamento de lavouras, uma vez que comportam sensores e pode superar limitações das plataformas terrestres, aéreas tripuladas e orbitais, para diferentes finalidades de manejo agrícola, notadamente o controle químico localizado de plantas daninhas na entressafra (Kawamura et al., 2021).
As imagens aéreas podem ser submetidas a uma classificação com técnicas de inteligência artificial. Dentre os métodos de classificação em ascensão, o Random Forest é um algoritmo típico de Bootstrap Aggregation, que cria uma série de árvores de decisão e combina suas classificações para determinada categoria criada por um agente classificador (Leite et al., 2021). O uso deste método para a classificação de plantas daninhas, especialmente a vassourinha-de-botão em pré e/ou pós-plantio da soja, ainda está na fronteira do conhecimento científico.
Diante do exposto, objetivou-se (1) analisar a variabilidade espacial de vassourinha-de-botão com técnicas de inteligência artificial e (2) recomendar alternativas eficazes para o controle localizado desta espécie em lavouras de soja.
O estudo foi conduzido numa lavoura de soja, situada no município de Mata Roma (3º44’2713”S, 43º9’51.91”W), mesorregião leste, Maranhão, Brasil. O clima do município é classificado como tropical quente e úmido (Aw), cujos dados meteorológicos durante o período de estudo, abrangeram precipitação pluviométrica acumulada de 488,4mm, temperatura máxima de 28,4°C e mínima de 27,2°C, no intervalo de 60 dias.
O solo foi classificado como Argissolo Amarelo distrocoeso típico (Santos et al., 2018), cujas análises químicas na camada de 0-20 cm, exprimiram os seguintes resultados: potencial hidrogeniônico (pH) – 5,2; Fósforo (P) – 1,9 mg dm-3; Matéria Orgânica (M.O.) – 1,9%; Soma de Bases (SB) – 2,0cmol dm-3; Saturação por Bases (V) – 54%.
O talhão experimental foi selecionado pelo histórico de uso sucessivo do herbicida glifosato há mais de 10 anos, em diferentes fases (safra e entressafra) da cultura da soja, conforme relatos do produtor rural. A área foi cultivada na entressafra com braquiária ruziziensis [Urochloa ruziziensis (R.Germ.& Evrard) Crins] na taxa de semeadura de 4 kg ha-1. Aos 60 dias antes da semeadura da soja (DAS), a área foi dessecada com glifosato (2.160 g e.a. ha-1); aos 12 DAS foi gradeada; e aos 3 DAS foi pulverizada com glifosato (1,152g e.a. ha-1) + piroxassulfona + flumioxazina (100 g e.a. ha-1 + 50 g i.a. ha1 – Kyojin®). O plantio da soja foi realizado na última semana de janeiro de 2023, com a cultivar Pampeana 9310 IPRO, para população esperada de 260.000 pl ha-1.
O levantamento convencional de plantas daninhas foi realizado em dois períodos: (I) – em pré-plantio da soja, 34 dias antes da semeadura, em período de transição climática seca-chuvosa; (II) – em pós-plantio da soja, 24 dias depois da semeadura, em período climático chuvoso. Para isto, utilizou-se o Método do Quadrado Inventário, alocando-se um quadrado vazado de 1 m2, em 100 amostras georreferenciadas, dispostas numa malha regular de 20 m x 20 m, distribuída em 4 percursos e 25 amostras por percurso.
Os dados do levantamento convencional foram analisados por estatística descritiva e geoestatística. A estatística descritiva abrangeu a estimativa da Média Aritmética (), Desvio padrão (s), Variância (S2), Coeficiente de Variação (CV) e Índice de Dispersão (ID), o qual foi obtido pelo quociente entre a variância e média aritmética.
A variabilidade espacial de vassourinha-de-botão foi mapeada por geoestatística, através da estimativa da semivariância, modelagem de dados espaciais de densidade (pl m-2) e interpolação por krigagem, com uso do software GS+. Os resultados foram plotados em mapas de superfície. A variabilidade especial foi classificada com base em limites de coeficiente de variação, abrangendo as seguintes classes: variabilidade espacial fraca (CV < 12%), moderada (12% < CV < 60%) e forte (CV > 60%). O semivariograma foi representado pelo gráfico da variância versus a distância (Equação 1):
O modelo de maior relação entre a semivariância experimental e a distância h fo definido com base em testes dos modelos gaussiano, esférico e exponencial. Para isto, utilizou-se a menor Soma dos Quadrados do Resíduo (SQR), maior Grau de Dependência Espacial (GDE) e maior Coeficiente de Determinação (R²). Posteriormente, determinaram-se o Efeito Pepita (C0), Patamar (C0 + Ci) e Alcance (A). O Grau de Dependência Espacial (GDE) entre as amostras foi classificado através da razão entre o Efeito Pepita e a Linha de Base (Ci/C0 + Ci), em fraco (GDE < 25%), moderado (25 < GDE < 75%) e forte (GDE > 75%).
Em seguida, realizou-se a técnica de krigagem ordinária para interpolação dos valores em locais não amostrados. Essa técnica fundamentou-se numa média móvel ponderada de amostras vizinhas, estimadas pela Equação 2.
O mapeamento de plantas daninhas com aeronave remotamente pilotada (ARP) ocorreu simultaneamente ao levantamento convencional. O voo foi planejado pelo aplicativo PIX4D®, instalado a um smartphone. A coleta de imagens foi realizada por uma câmera RGB, embarcada numa ARP, modelo DJI Phantom 4, controlado de forma remota e composto por baterias inteligentes. Os voos foram realizados de forma autônoma em dias ensolarados, sem nebulosidade, entre às 11h00 a.m. e 13h00 a.m., a uma altura de 30 metros, velocidade de 3,0m s-1, taxa de sobreposição horizontal de 60%, taxa de sobreposição longitudinal de 70%.
O processamento dos ortomosaicos das imagens aéreas obtidas com ARP foi realizado pelo método de classificação supervisionada Random Forest. A classificação foi agrupada em três classes: solo exposto (vermelho), palhada (amarelo) e BOIVE (verde), em pré-plantio. Ao passo que em pós, solo exposto (vermelho), soja (verde claro) e BOIVE (verde escuro). A sigla BOIVE foi utilizada para identificação da vassourinha-de-botão, conforme os códigos publicados pela European and Mediterranean Plant Protection Organization (EPPO), também denominados de Bayer Code.
Para aferição da acurácia da classificação supervisionada procedeu-se com a estimativa do coeficiente Kappa, conforme as equações 3,4 e 5:
Em que:
Cujo é a taxa de aceitação relativa e , a taxa hipotética de aceitação. Também, estimou-se a acurácia como estimador de precisão, através da equação 6:
Os valores de Kappa, nível de concordância e porcentagem de confiabilidade foram classificados com base nas informações da Tabela 1.
Tabela 1. Classificação do coeficiente Kappa com base no nível de concordância e acurácia
A vassourinha-de-botão apresentou uma densidade média de 5,21 pl m-² em pré-plantio da soja, e 2,1 pl m-² em pós-plantio, com uma redução de 40,3% entre os dois períodos de levantamento (Tabela 2).
Tabela 2. Indicadores descritivos estimados pelo método de levantamento convencional, com base na densidade de Spermacoce verticillata, em pré-plantio e pós-plantio da soja
Nas duas avaliações observou-se uma forte variabilidade espacial e índice de dispersão, com CV > 60% e ID > 1,0, resultando numa distribuição contagiosa, expressa pela presença de reboleiras espaçadas na lavoura (Tabela 2). A ocorrência de alta variabilidade é comum em estudos com plantas daninhas devido ao aparecimento de amostras com uma alta infestação e outras com baixa ou nenhuma densidade (Santos et al., 2015). Logo, visando um melhor entendimento e mapeamento desta infestação, estimaram-se modelos e indicadores geoestatísticos, que abrangeram os valores apresentados na Tabela 3.
Tabela 3. Indicadores geoestatísticos de vassourinha-de-botão, em pré-plantio e pós-plantio da soja
O modelo gaussiano obteve o melhor ajuste para avaliação em pré-plantio da soja, ao passo que o modelo esférico foi selecionado em pós-plantio. Estes resultados corroboram com Rocha et al. (2015), que também observaram melhores ajustes com uso do modelo esférico, em estudos da variabilidade espacial de Conyza spp. (buva) e Eleusine indica (capim pé-de-galinha) no Paraná. Segundo esses autores, o modelo esférico apresenta um intervalo em que a semivariância se torna constante, ou seja, limitando a sua área de influência para cada uma das amostras. Isto pode estar relacionado à redução da densidade de vassourinha-de-botão na segunda amostragem, em pós-plantio.
Ambas as amostragens apresentaram forte grau de dependência espacial, estimado entre 99,7 a 99,9%. A vassourinha-de-botão apresentou uma distribuição espacialmente heterogênea, com baixo efeito pepita, validando a precisão dos métodos utilizados no presente estudo. Segundo Ferreira et al. (2023), um dos fatores que limitam o uso de agricultura de precisão é o número de amostras, a qual deve ser a menor possível e espacialmente dependente, a fim de produzir resultados confiáveis na construção de zonas de manejo por técnicas de krigagem. Deste modo, a boa precisão experimental obtida no presente estudo pode estar relacionada ao número de amostras e transecto amostral escolhido.
As densidades de vassourinha-de-botão foram interpoladas para a construção de mapas de variabilidade espacial, os quais auxiliaram na interpretação da relação espacial e implementação do controle localizado por zonas de infestação, cuja escala de cores variou do verde escuro ao vermelho. O verde escuro expressou nenhuma ou baixa densidade, ao passo que o vermelho exibiu picos de alta densidade (Figura 1).
Figura 1. Variabilidade espacial de vassourinha-de-botão em pré-plantio (1A) e pós-plantio (1B) da soja
Em pré-plantio, observou-se a ocorrência da vassourinha-de-botão em expressiva extensão do talhão, com picos de densidade de 27pl m-2, situados bem próximos a zonas de densidade de 14 e 21pl m-2, o que possivelmente incrementou o banco de sementes, uma vez a vassourinha-de-botão é uma planta rústica (Castilho et al., 2022), com rápida dispersão (Gallon et al., 2018).
Em pós-plantio, observou-se predominância de manchas de coloração verde escuro e verde claro, com densidades de 0 a 4 pl m-2. Os picos sofreram redução de aproximadamente 245%, possivelmente pela implementação de mais medidas de controle, adotadas próximo a plantio da soja (3 DAS).
As imagens aéreas obtidas com ARP abrangeram informações sobre a ocorrência de vassourinha-de-botão (BOIVE – verde) e, adicionalmente, solo exposto (vermelho) e palhada (amarelo), em pré-plantio da soja (Figura 2).
Figura 2. Mapa do talhão experimental no período de pré-plantio, obtido por imagens aéreas e uso do método de classificação supervisionada Random Forest. Índice Kappa = 0,991, Acurácia = 0,995
Com base no processamento do ortomosaico e distribuição das classes, estimou-se um Índice Kappa de 0,991 e acurácia de 0,995, com nível de concordância categorizado em “quase perfeito”, validando o uso de ARP para o mapeamento de plantas daninhas em pré-plantio da soja. Estes resultados apontam sobre a viabilidade de aplicações sequenciais, com métodos de pulverização localizada na área mapeada, cuja implementação pode prevenir a ocorrência de plantas resistentes a herbicidas, bem como, o uso mais sustentável de insumos e recursos naturais. Em consonância com os resultados obtidos por Quan et al. (2019) e Jin et al. (2022), que estudaram o uso de métodos da agricultura de precisão para melhoria da sustentabilidade do controle químico de plantas daninhas em cultivos anuais.
O processamento do ortomosaico pelo método Random Forest revelou 61,30% de solo exposto, 36,35% de resíduos culturais (palhada) e 2,35% de ocupação pela vassourinha-de-botão, única planta daninha presente na área experimental (Figura 3).
Figura 3. Taxa de ocupação por classes, estimada pelo método de inteligência artificial Random Forest, em imagens aéreas obtidas por aeronave remotamente pilotada, na fase de pré-plantio da soja
Estes resultados apontam para dois aspectos importantes: 1 – pode estar havendo desperdício de tempo, mão-de-obra, insumos e recursos naturais com o controle sequencial de vassourinha-de-botão em área total, uma vez que ela ocupou apenas 2,35% da área amostrada, apresentando uma distribuição contagiosa, com reboleiras espaçadas; 2 – embora em baixa densidade, a vassourinha-de-botão precisa ter um controle efetivo, pois é uma planta agressiva (Diesel et al., 2018), capaz de causar sérios prejuízos na lavoura (Fadin & Moquero, 2019), quando não manejada adequadamente (Gallon et al., 2019).
Em pós-plantio da soja estimou-se um Índice Kappa de 0,918, acurácia de 0,963 e nível de concordância “quase perfeito”, em anuência com a precisão de mapeamento obtida em pré-plantio. Desta forma, foi possível mapear a vassourinha-de-botão com excelente precisão em ambos os períodos, utilizando ARP e o método de classificação supervisionada Random Forest (Figura 4).
Figura 4. Mapa do talhão experimental no período de pós-plantio, obtido por imagens aéreas e uso do método de classificação supervisionada Random Forest. Índice Kappa = 0,918; Acurácia = 0,963
O emprego de técnicas da inteligência artificial permitiu selecionar plantas de interesse econômico (soja), plantas espontâneas e solo exposto. O cruzamento de informações obtidas pelo levantamento convencional e levantamento aéreo infere que a vassourinha-de-botão foi a única espécie remanescente no talhão experimental, demonstrando um difícil controle e tolerância ao uso de glifosato. Ao longo do mapa observam-se vários pontos de infestação, com povoamentos sobre as linhas de semeadura, possivelmente pelas vantagens competitivas da vassourinha-de-botão sobre a cultura da soja (Figura 4).
O mapeamento em pós-plantio revelou uma taxa de ocupação de 61,30% por solo exposto, 36,43% por restos culturais (palhada) e 2,43% por vassourinha-de-botão (Figura 5).
Figura 5. Taxa de ocupação por classes, estimada pelo método de inteligência artificial Random Forest, em imagens aéreas obtidas por aeronave remotamente pilotada, na fase de pré-plantio da soja
A taxa de ocupação da vassourinha-de-botão permaneceu semelhante ao período de pré-plantio, levantando dúvidas sobre a eficiência do controle em área total. É provável que a competição desta espécie com a cultura da soja possa ter ocasionado prejuízos, uma vez que é uma espécie agressiva, de fácil adaptação, mesmo em ambientes com resíduos de palha sobre o solo (Vargas et al., 2018) e durante o período de fechamento do estande da soja (Castilho et al., 2022).
O uso de técnicas de inteligência artificial foi efetivo no mapeamento de vassourinha-de-botão, a qual apresentou uma distribuição contagiosa, com picos de densidade de 27 pl m-2, geralmente dispostos em reboleiras espaçadas. Estes resultados indicam que o controle corretivo desta espécie pode ser feito de forma localizada, com uso mais sustentável de insumos e recursos naturais.
ADEGAS, F. S.; CORREUA, N. M.; SILVA, A. E.; CONCENÇO, G.; GAZZIERO, D. L. P.; DALAZEN, G. Glyphosate-resistant (GR) soybean and corn in Brazil: past, present, and future. Advances in Weed Science, v.40, P. e0202200102, 2022. DOI: https://doi.org/10.51694/AdvWeedSci/2022;40:seventy-five004
ALBRECHT, A. J.; LORENZETTI, J. B.; ALBRECHT, L. P.; DANILUSSI, M. T. Y.; BARROSO, A. A. M.; SILVA, A. F. Herbicide efficacy on Spermacoce verticillata control and selectivity for maize plants. Weed Control Journal, v.21 e202200769, 2022. DOI: http://dx.doi.org/10.7824/wcj.2022;21:00769
CASTILHO, J. FORTI, V. A.; MONQUERO, P. A. ‘Biology and Non-Chemical Management of Spermacoce Verticillata and Spermacoce Densiflora’. Renewable Agriculture and Food Systems, v. 37, p. 103–12, 2022. DOI: http://dx.doi.org/10.1017/S1742170521000375
DIESEL, F.; TREZZI, M. M.; GALLON, M.; BALBINOT JUNIOR.; A. A.; PAGNONCELLI, F. B. Tolerance to Glyphosate in Broadleaf Buttonweed and White-Eye Biotypes. Planta Daninha, v. 36, p. e018175310, 2018. DOI: https://doi.org/10.1590/S0100-83582018360100137
FADIN, D. A.; & MONQUERO, P. A. Leaf characterization of “Spermacoce verticillata” at three stages of development. Australian Journal of Crop Science, v. 13, n. 5, p. 792–797, 2019. DOI: http://dx.doi.org/10.21475/ajcs.19.13.05.p1663
FADIN, D. A.; TORNISIELO, V. L.; BARROSO, A. A. M; RAMOS, S.; REIS, F. C. D.; MONQUERO, P. A. Absorption and translocation of glyphosate in Spermacoce verticillata and alternative herbicide control. Weed Research, v. 58, p.389–396, 2018. DOI: https://doi.org/10.1111/wre.12329
FERREIRA, G. A.; MISKIW, E.; SUSZEK, G.; LIMA, M. Spatial variability of weeds in direct planting area in the municipality of Nova Andradina-MS. Brazilian Journal of Animal and Environmental Research, v. 6, p.163–176, 2023. DOI: https://doi.org/10.34188/bjaerv6n1-015
GALLON M.; TREZZI, M. M.; PAGNONCELLI JR, F. B.; PASINI, R.; VIECELLI, M.; CAVALHEIRO, B. M. Chemical management of broadleaf buttonweed and Brazilian pusley in different application methods. Planta Daninha, v.37, p.e019185625, 2019. DOI: doi.org/10.1590/S0100-83582019370100098
GALLON, M.; TREZZI, M. M.; DIESEL, F.; BALBINOT JUNIOR, A. A.; PAGNONCELLI JUNIOR, F. D. B.; BARANCELLI, M. V. J. Environmental factors action on the germination process and initial growth of weeds of Rubiaceae family. South African Journal of Botany, v. 117, p. 26–33, 2018. DOI: http://dx.doi.org/10.1016/j.sajb.2018.04.009
JIN, X.; SUN, Y.; CHE, J.; BAGAVATHIANNAN, M.; YU, J.; CHEN, Y. A novel deep learning- based method for detection of weeds in vegetables. Pest Management Science, v. 78, n. 5, p. 1861-1869, 2022. DOI: https://doi.org/10.1002/ps.6804
KAWAMURA, K.; ASAI, H.; YASUDA, T.; SOISOUVANH, P.; PHONGCHANMIXAY, S. Discriminating crops/weeds in an upland rice field from UAV images with the SLIC-RF algorithm. Plant Production Science, v. 24, n. 2, p.198–215, 2021. https://doi.org/10.1080/1343943X.2020.1829490
LEITE, D. R. A.; MORAES, R. M.; LOPES, L. W. Método de Aprendizagem de Máquina para Classificação da intensidade do desvio vocal utilizando Random Forest. Journal of Health Informatics, v. 12, 2021. https://jhi.sbis.org.br/index.php/jhi-sbis/article/view/814
MOHIDEM, N. A.; HASHIM, Z.; OSMAN, M.; SHAHARUDIN, R.; MUHARAM, F. M.; MAKESWARAN, P. Demographic, socio-economic and behavor as risk factors of tuberculosis in Malaysia: a systematic review of the literature. Reviews on Environmental Health, v. 33, p.407–421, 2018. DOI: https://doi.org/10.1515/reveh-2018-0026
NEPOMUCENO, F. A. A.; SOUZA, E. B.; NEPOMUCENO, I. V.; MIGUEL, L. M.; CABRAL, E. L.; LOIOLA, M. I. B. O gênero Borreria (Spermacoceae, Rubiaceae) no estado do Ceará, Brasil. Rodriguésia, v. 69, n. 2, p. 715–731, 2018. DOI: http://dx.doi.org/10.1590/2175-7860201869232
PONTE, I. S.; ALMEIDA, E. I. B.; SOUSA, A. M.; SILVA, B. S. B.; SOUSA, D. L.; SILVA, M. P. P.; SILVA, W. S.; OLIVEIRA, L. B. T.; LESSA, B. F. T.; SOUZA, J. B. C. Aerial survey and glyphosate-resistant weeds control before soybean seeding. Australian Journal of Crop Science, v. 18, p. 29–36, 2024. DOI: 10.21475/ajcs.24.18.01.p4019.
QUAN, L.; FENG, H.; LV, Y.; WANG, Q.; ZHANG, C.; LIU, J.; YUAN, Z. Maize seedling detection under different growth stages and complex field environments based on an improved Faster R–CNN. Biosystems Engineering, v.184, p.1–23, 2019. DOI: https://doi.org/10.1016/j.biosystemseng.2019.05.002
ROCHA, F. C.; OLIVEIRA NETO, A. M.; BOTTEGA, E. L.; GUERRA, N.; ROCHA, R. P.; VILAR, C. C. Weed mapping using techniques of precision agriculture. Planta daninha, v.33, n.1, p.157–164, 2015. DOI: https://doi.org/10.1590/S0100-83582015000100018
SANTOS, H. G.; JACOMINE, P. K. T.; ANJOS, L. H. C.; OLIVEIRA, V. A.; LUMBRERAS, J. F.; COELHO, M. R.; ALMEIDA, J. A.; ARAUJO FILHO, J. C.; OLIVEIRA, J. B.; CUNHA, T. J. F. Sistema Brasileiro de Classificação de Solos. 5ª ed. Brasília, DF: Embrapa, 2018.
SANTOS, W. F.; PROCÓPIO, S. O.; SILVA, A. G.; FERNANDES, M. F.; BARROSO, A. L. L. Influence of glyphosate herbicide in the weed community in the agricultural region of Rio Verde, Goiás. Revista Brasileira de Herbicidas, v.14, p. 1–14, 2015. http://dx.doi.org/10.7824/rbh.v14i1.303
VARGAS, L. A.; PASSOS, A. M. A.; KARAM, D. Allelopathic potential of Cover Crops in Control of Shrubby False Buttonweed (Spermacoce verticillata). Planta daninha, v.36, p.e0181733592018, 2018. DOI: https://doi.org/10.1590/S0100-83582018360100052
YU, J.; SHARPE, S. M.; SCHAUMANN, A. W.; BOYD, N. S. Detection of broadleaf weeds growing in turfgrass with convolutional neurais networks: precision weed control in turfgrass landscape. Pest Management Science, v.75, p.2211–2218, 2019. DOI: https://doi.org/10.1002/ps.5349
[1] Graduado em Engenharia Agrícola. ORCID: https://orcid.org/0000-0002-4951-0744. Currículo Lattes: http://lattes.cnpq.br/2344809494566741.
[2] Pós-Doutorado em Weed Science pela North Carolina State University. Doutorado em Agronomia/Fitotecnia pela Universidade Federal do Ceará, Mestrado em Agronomia/Fitotecnia pela Universidade Federal do Ceará e Graduado em Agronomia pela Universidade Federal da Paraíba. ORCID: https://orcid.org/0000-0003-2051-7085 Currículo Lattes: http://lattes.cnpq.br/4485991332506597
[3] Pós-Doutorado no Instituto de Física de São Carlos da Universidade de São Paulo, Doutorado em Física pela Universidade de São Paulo. Mestre em Física pela Universidade de São Paulo e Graduado em Física pela Universidade Federal do Piauí. ORCID: https://orcid.org/0000-0002-6563-6814. Currículo Lattes: http://lattes.cnpq.br/3325519024009786.
[4] Mestranda em Ciências Ambientais pela Universidade Federal do Maranhão, Graduada em Engenheira Agrícola pela Universidade Federal do Maranhão. ORCID: https://orcid.org/0000-0002-9660-425X. Currículo Lattes: http://lattes.cnpq.br/2514598692269307.
[5] Graduada em Engenharia Agrícola. ORCID: https://orcid.org/0009-0003-4718-6578. Currículo Lattes: http://lattes.cnpq.br/5917143470317950.
[6] Pós-Doutoranda no Laboratório de Máquinas e Mecanização Agrícola da Universidade Estadual Paulista – UNESP, Campus Jaboticabal, São Paulo;Doutorado em Agronomia (Produção Vegetal), pela Universidade Estadual Paulista “Júlio de Mesquita Filho” – UNESP com período intercâmbio internacional na University of Georgia, Estados Unidos. Mestrado em Engenharia Agrícola pela Universidade Federal de Viçosa. Graduada em Agronomia pela Universidade Federal do Espírito Santo. ORCID: https://orcid.org/0000-0001-6900-1616. Currículo Lattes: http://lattes.cnpq.br/6704738688858606.
[7] Doutorado em Agronomia pela Universidade Federal do Piauí, Mestrado em Agronomia pela Universidade Federal do Piauí e Graduado em Engenharia Agronômica pela Universidade Federal do Piauí. ORCID: https://orcid.org/0000-0002-5882-7399. Currículo Lattes: http://lattes.cnpq.br/1641894254872050.
[8] Doutorado e Mestrado em Engenharia Agrícola pela Universidade Federal de Campina Grande e Graduação em Engenharia Agrícola pela Universidade Federal de Campina Grande. ORCID: http://orcid.org/0000-0002-7665-8218. Currículo Lattes: http://lattes.cnpq.br/5997682599019407.
Contribuição dos autores:
Marlon Breno Soares de Araújo: Concepção, coleta de dados, análise de dados e elaboração do manuscrito.
Edmilson Igor Bernardo Almeida: Orientação e coordenação da concepção, coleta de dados, análise de dados e elaboração do manuscrito.
Washington da Silva Sousa: Co-orientação e coordenação da concepção, coleta de dados, análise de dados e elaboração do manuscrito.
Andreza Maciel de Sousa: Coleta de dados, normatização do manuscrito.
Katarina Lopes Moreira: Coleta de dados, normatização do manuscrito.
Samira Luns Hatum de Almeida: Supervisão na análise e interpretação de imagens aéreas obtidas por drone.
Marcus Willame Lopes Carvalho: Supervisão na análise e interpretação da geoestatística.
Jordânio Inácio Marques: Supervisão na análise estatística e normatização do manuscrito.
Conflito de interesse:
Não há conflito de interesse.
Agradecimentos e Financiamento:
À Fundação de Amparo à Pesquisa e ao Desenvolvimento Científico e Tecnológico no Maranhão (FAPEMA) pelo fomento financeiro concedido no processo 750/22, Edital Universal 02/2019. À Associação dos Produtores de Soja do Maranhão, núcleo Meio-Norte (APROSOJA Meio-Norte), pelo apoio logístico e operacional.
Apêndice – Nota de Rodapé:
Artigo científico resultante do projeto 750/22, Edital FAPEMA Universal 02/2019, cujo plano de trabalho foi desenvolvido e defendido pelo primeiro autor deste artigo, na modalidade de Trabalho de Conclusão de Curso, no curso de bacharelado em Engenharia Agrícola, da Universidade Federal do Maranhão, Campus Chapadinha.
Nota:
Os autores utilizaram Inteligência Artificial, através do pacote Microsoft Word e Excel, versão 2010 (14.0.7261.5000) e QGIS versão 3.26.4 para escrita, tabulação de dados, análises estatísticas, confecção de mapas e figuras. No entanto, todas as buscas pelos conteúdos e classificação da qualidade dos artigos foram realizadas de maneira autoral.
Informações sobre Direitos Autorais e Licença:
Este é um artigo de Acesso Aberto distribuído sob os termos da Creative Commons Attribution License, que permite uso, distribuição e reprodução irrestritos em qualquer meio, desde que o autor e a fonte originais sejam creditados.
Os nomes e endereços informados nesta revista serão usados exclusivamente para os serviços prestados por esta publicação, não sendo disponibilizados para outras finalidades ou a terceiros.
Histórico da Publicação:
Material recebido: 18 de março de 2024.
Material aprovado pelos pares: 13 de fevereiro de 2025.
Material editado aprovado pelos autores: 05 de dezembro de 2025.
Este artigo analisa a instrumentalização política da arte, com especial atenção ao cinema, como possível…
A violência doméstica contra a mulher constitui uma das mais persistentes violações de direitos humanos…
O comércio eletrônico impõe aos sistemas de venda on-line elevada taxa de mudança em regras…
O objetivo deste estudo é compreender os sentimentos das primíparas frente às dificuldades no processo…
A gestão administrativa eficiente constitui um dos principais pilares de sustentação do desempenho organizacional no…
O artigo examina criticamente o fundamento da periculosidade nas medidas de segurança do direito penal…
