Planta daninha pode ser definida como toda e qualquer planta que se localiza em espaços indesejados que causam interferência negativa à atividade, quando localizada em meio agrícolas as plantas daninhas podem ocasionar interferências nos cultivos agrícolas de forma direta (competição de recursos naturais como luz, água e nutrientes) e indireta (dificuldade de manejos) (MACIEL et al., 2017).

Nos sistemas agrícolas as plantas daninhas apresentam distribuição espacial de forma agregada formando reboleiras (CHIBA et al., 2010) de diferentes tamanhos. Estudos da variabilidade espacial das plantas daninhas utilizando técnicas de geoestatística possibilitam o reconhecimento do comportamento espacial e seu mapeamento (SCHAFFRATH et al., 2007; POTT et al., 2019). Na figura 1, têm-se exemplos de ausência de plantas daninhas (Figura 1A), presença de plantas individuais ou pequenas reboleiras (Figura 1B), e grande reboleira de plantas daninhas (Figura 1C).

Uma vez identificada a distribuição, o tamanho e a forma de dispersão, bem como outros fatores que afetam a variabilidade da população e densidade das plantas daninhas, tais como banco de sementes no solo, fatores químicos do solo, textura, condutividade elétrica do solo, torna-se possível a integração das informações de modo a viabilizar o manejo de plantas daninhas em sítio-específico (SOUZA et al., 2008; POTT et al., 2016a).

Diversos métodos convencionais de levantamento da variabilidade de densidade de plantas daninhas têm sido empregados tais como: método de levantamento em zigue-zague, pontos georreferenciados, grades amostrais, delimitação de contornos (SHIRATSUCHI et al., 2003; POTT et al., 2016b). Porém, com dificuldades de utilização em médias e grandes áreas visto que a técnica de levantamento das plantas daninhas pode ser trabalhosa, tornando-se uma prática onerosa e inviável economicamente para os produtores de culturas anuais.

Por outro lado, os métodos tecnológicos de detecção de plantas daninhas vêm ganhado espaço no meio agrícola principalmente com a evolução de técnicas de agricultura de precisão e com o avanço da digitalização na agricultura tornando o setor primário mais eficiente, produtivo e sustentável.

Nesse sentido, abordagens de tecnologias para detecção de plantas daninhas vêm sendo amplamente estudas e utilizadas principalmente em aplicações de pré-semeadura dos cultivos agrícolas. Entre elas, se destaca a tecnologia de detecção e controle de plantas daninhas em tempo real, “on-the-go”, com sensores embarcados em sistemas pulverizadores, tais como WEEDit e WeedSeeker. Outra abordagem é o imageamento dos campos de cultivos, com sensores embarcados principalmente em sistema de aeronaves remotamente pilotadas (SARP), mas também com potencial de escalabilidade para plataformas de satélites de alta resolução espacial, aliado à utilização de ferramentas como machine learning e deep learning associadas a expansão da inteligência artificial aplicada à agricultura.

Em estudo utilizando o sensor optoeletrônico WEEDit acoplado à um quadriciclo juntamente com data-logger para registro “on-the-go” das plantas daninhas numa área de cultivo localizado na Área Nova na Universidade Federal de Santa Maria, Santa Maria, foi possível gerar a espacialização das plantas daninhas, visando a confecção de mapa temático com fins de aplicação de herbicida diretamente no alvo (pulverização precisa) e finalmente possibilitando cálculos de economia de herbicida.

Na figura 2A pode-se observar os pontos de registros dos bicos acionados pela detecção de plantas daninhas, e na figura 2B a confecção do mapa temático da infestação de plantas daninhas em função do registro da detecção do sensor WEEDit. Observa-se a existência de relevante variabilidade na ocorrência de plantas daninhas na área de estudo, mesmo em uma área relativamente pequena neste estudo.

Em cálculo de redução de aplicação de herbicida obteve-se uma economia na ordem de 81%. É evidente que a economia de herbicidas deve ser considerada e avaliada juntamente com o custo, ou investimento pela tecnologia, no entanto foi notória a eficácia da tecnologia. Mais informações sobre este estudo encontram-se detalhadas em Buhse et al. (2019).

Sistemas imageadores para levantamento de informações geoespacializadas, com intuito de monitorar a ocorrência de plantas daninhas também possui ampla viabilidade na digitalização da detecção de plantas daninhas e por consequência viabilizando o manejo e controle de plantas daninhas de forma precisa.

Sensores não-imageadores, mais comumente os sensores ópticos e os sensores imageadores (câmeras acopladas em plataformas como SARP e satélite) com a possibilidade de extração de variáveis, “features”, que caracterizem plantas daninhas diferindo de solo e palhada, ou de plantas de cultivo utilizando inteligência artificial com modelos de aprendizagem de máquina, “machine learning” e “deep learning” são tecnologias muito promissoras na integração de agricultura digital com controle e manejo de plantas daninhas.

Na figura 3A é demonstrado uma exemplificação de uma imagem de câmera acoplada em plataforma SARP com presença de plantas daninhas (visível), já na figura 3B se tem uma imagem classificada de plantas daninhas (preto) e não alvos (branco).

Diversos modelos estatísticos e de aprendizado de máquina podem ser empregados para detecção de plantas daninhas a partir do imageamento das plantas daninhas, e sua diferenciação de outros alvos através de algoritmos desde os mais simples aos mais complexos: como regressão logística, árvores de decisão, Random Forest, redes neurais e múltiplos modelos (“ensemble learning”) poderão dar um impulso a pulverização precisa (FERREIRA et al., 2017; WESTWOOD et al., 2018).

Em estudo de Pott et al. (2020), utilizando sensor hiperespectral à nível de campo, obteve-se resultados promissores na detecção de plantas com os melhores resultados reportados quando se utilizou as bandas espectrais do vermelho e do infravermelho próximo. Ainda, constatou-se que a eficácia dos modelos de árvores de decisão e Random Forest foram aumentados quando os índices de vegetação foram empregados na classificação.

Na figura 4, adaptada de Pott et al. (2020), é possível observar que a divisão simples da reflectância do infravermelho próximo e vermelho, bem como o índice de vegetação OSAVI foram efetivas na classificação de plantas daninhas de outros alvos presentes na área. Para tanto é necessário observar a resolução espacial das medições, que naquele trabalho foram de aproximadamente 0,15 x 0,15 m, levando em consideração observações puras, sem interferência de outros alvos.

A problemática envolvida nas questões de levantamento de informações são a determinação da resolução espacial para detecções, modelos utilizando não apenas “pixel” puros, e com diferentes densidades de plantas daninhas. Outra questão, é a grande quantidade de dados extraídos devido à alta resolução espacial, necessitando grande capacidade computacional, onde a computação em nuvem, “cloud computing”, para realização da detecção e disponibilização em ferramenta digital se sobressai de outras soluções. Trevisan et al. (2018) reportaram a relação de diferentes resoluções espaciais para detecção de plantas daninhas e economia de herbicidas, sendo dependente da densidade de plantas infestantes e da sua forma de distribuição nos campos de cultivos.

A detecção e, consequentemente, os manejos inteligentes (precisos) das plantas daninhas vêm evoluindo muito acompanhando a transformação digital, onde ferramentas tecnológicas que visam a detecção e controle com jato dirigido diretamente ao alvo, levando em consideração princípios de agricultura de precisão e inteligência artificial estão se difundindo rapidamente no meio agrícola favorecendo as práticas de controle preciso das plantas daninhas pelos agricultores com reflexos substanciais na economia e sustentabilidade.