Resumo em Português:

RESUMO Para atender as demandas futuras de alimentos e garantir sustentabilidade, novas tecnologias foram incorporadas à agricultura. Acredita-se que a quarta revolução agrícola ou Agricultura 4.0 esteja ocorrendo. Dentre as diversas tecnologias envolvidas na Agricultura 4.0, é necessário destacar a importância da geoestatística na implementação dessas tecnologias. A geoestatística é uma classe de estatística usada para analisar e predizer os valores associados à fenômenos espaciais ou espaço-temporais, e é muito importante para entender a distribuição espacial das variáveis agrícolas. Portanto, o objetivo desta revisão é mostrar o potencial da geoestatística na Agricultura 4.0. O artigo apresenta uma revisão exaustiva da literatura sobre geoestatística e seu potencial na agricultura, mostrando um resumo das abordagens geoestatísticas, alguns usos práticos da geoestatística na agricultura e uma descrição da geoestatística multivariada para fusão de dados de múltiplas fontes usando alguns estudos de caso. Esta revisão mostrou que a geoestatística tem sido usada para fins agrícolas e produzido resultados interessantes. Além disso, análises mais avançadas, como geoestatística multivariada na fusão de dados heterogêneos, podem ser facilmente adaptadas a quaisquer condições experimentais e tipo de dados de sensor e/ou dados de amostragem para aumentar a precisão da estimativa.

Resumo em Inglês:

ABSTRACT In order to meet future food demands and ensure sustainability new technologies have been incorporated into agriculture. Some researchers believe that we are living in the fourth agricultural revolution or Agriculture 4.0. Among the many technologies involved in the Agriculture 4.0, it is necessary to highlight the importance of geostatistics in the implementation of those technologies. Geostatistics is a class of statistics used to analyze and predict the values associated with spatial or spatiotemporal phenomena, and it is very important to understand the spatial distribution of agricultural variables. Therefore, the objective of this review is to show the potential of geostatistics in Agriculture 4.0. The article presents an exhaustive literature review of geostatistics and its potential in agriculture, by showing a brief of geostatistical approaches, some practical use of geostatistics in agriculture, and a description of multivariate geostatistics for multi-source data fusion using some case studies. This review showed that geostatistics has been used for agricultural purposes and has been producing exciting results. In addition, more advanced analysis such as multivariate geostatistics in fuse heterogeneous data can be easily adapted to any experimental conditions and type of sensor data and/or sampling data to increase estimation accuracy.

Resumo em Português:

RESUMO A evolução tecnológica é imprescindível para tornar a agricultura irrigada mais eficiente no uso da água. Sendo assim, esse artigo de revisão visa contextualizar a irrigação na era da agricultura 4.0 de forma a abordar como essas novas tecnologias estão a impactar no uso racional da água. No que concerne a automação de sistemas irrigados abordou-se a eficiência da irrigação com auxílio de sensores de umidade, aplicativos com uso de smartphone, controladores e injetores de fertilizantes e como o funcionamento destes pode promover a irrigação. Com relação ao manejo da irrigação, o uso do sensoriamento remoto como opção para determinação da evapotranspiração da cultura foi contextualizado, relacionando os tipos de bandas espectrais e sensores utilizados para a coleta de imagens (orbital, aéreo e terrestre), no acompanhamento do status hídrico da cultura. Versou-se também sobre a importância da coleta de dados nas delimitações das zonas de manejo para a irrigação de precisão e quais os possíveis avanços ainda podem ser alcançados no que concerne a obtenção e análise de dados. Por fim, conclui-se que, apesar da alta eficiência dos sistemas de irrigação automatizados, informações oriundas dos atributos do solo, clima e planta obtidas através da gama de dados fornecidos por sensores, serão responsáveis pela mitigação dos impactos globais ocasionados pela agricultura irrigada no futuro próximo, já que estas informações podem potencializar com máxima eficiência, a irrigação de precisão, reduzindo assim o consumo de água pela agricultura.

Resumo em Inglês:

ABSTRACT Technological evolution is essential to make irrigated agriculture more efficient in the use of water. Thus, this review article aims to contextualize irrigation in the age of agriculture 4.0 in order to address how these new technologies are impacting the rational use of water. With regard to the automation of irrigated systems, irrigation efficiency with moisture sensors, applications using smartphone, controllers and fertilizer injectors, as well as how their operation can promote irrigation, was addressed. Regarding irrigation management, the use of remote sensing as an option to determine crop evapotranspiration was contextualized, listing the types of spectral bands and sensors used to collect images (orbital, aerial and terrestrial), in the monitoring of crop water status. The importance of data collection in the delineations of management zones for precision irrigation and what possible advances can still be achieved with regard to obtaining and analyzing data were also discussed. Finally, it is concluded that, despite the high efficiency of automated irrigation systems, information of soil, climate and plant attributes obtained through the range of data provided by sensors will be responsible for mitigating the global impacts caused by irrigated agriculture in the near future, since this information can enhance irrigation, with maximum efficiency, thus reducing water consumption by agriculture.

Resumo em Português:

RESUMO Técnicas de fluido dinâmica computacional (CFD) se tornaram uma importante ferramenta para estudos e estimativas relacionadas ao escoamento de fluidos em diversos processos industriais e de engenharia. Nas últimas duas décadas, CFD tem sido utilizado para o estudo, projeto e aprimoramento de equipamentos de irrigação. Simulações numéricas podem ser utilizadas para estimativas de escoamento de fluidos, transferência de calor e reações químicas em sistemas complexos. O objetivo desta revisão é fornecer uma visão geral sobre uso de CFD em aplicações de engenharia de irrigação. O artigo está organizado em duas seções principais: fundamentos sobre CFD e aplicações em engenharia de irrigação. A primeira seção apresenta os principais métodos utilizados para simulação numérica, equações básicas para estimativa de parâmetros de escoamento, recomendações relacionadas a malha utilizada nas simulações, e critérios de convergência de resultados. Na segunda seção, são apresentadas aplicações relacionadas a perda distribuída e localizada de carga em tubulações, simulações de escoamento em labirinto de gotejadores com líquidos e sólidos-líquidos, precipitação de químicos, filtros, aspersores, válvulas reguladoras de pressão e injetores Venturi. As aplicações, embora descritas de modo breve, evidenciam que a modelagem utilizando CFD caracteriza um método que pode ser exato, rápido e viável para o estudo de parâmetros de escoamento em tubulações, conexões, emissores e acessórios de irrigação. As simulações empregando CFD podem ser úteis para o projeto de novos produtos, assim como para o aprimoramento e otimização de produtos existentes. Usos de CFD em engenharia de irrigação devem ser estimulados, especialmente com o propósito de inovação envolvendo parcerias entre a universidade e empresas de irrigação.

Resumo em Inglês:

ABSTRACT Computational fluid dynamics (CFD) techniques have become an important tool for investigating and predicting flow behavior in many industrial and engineering processes. In the last two decades, CFD has been used for the study, design, and improvement of irrigation equipment. Numerical simulations can be used to predict fluid flow, heat transfer, and chemical reactions within complex systems. The objective of this review is to provide an overview of the uses of CFD in irrigation engineering applications. The paper is organized into two main sections: fundamentals of CFD and irrigation engineering applications. The first section presents the main methods used in numerical simulations, basic equations to predict fluid flow parameters, meshing concerns, and convergence criteria. In the second section, we present applications related to friction and local head losses in pipes, liquid and solid-liquid flow simulation in drippers, chemical scaling, filters, sprinklers, direct-acting pressure-regulating valves, and Venturi injectors. The briefly described applications indicated that CFD modeling can be an accurate, quick, and feasible method for the investigation of flow parameters in irrigation pipes, fittings, emitters, and accessories. The CFD simulations can be useful for designing new products as well as for improving and optimizing existing products. Computational fluid dynamics uses in irrigation engineering must be encouraged, particularly for innovation purposes resulting from the cooperation between academia and irrigation companies.

Resumo em Português:

RESUMO O uso de dados digitais é uma das principais características da era da Agricultura 4.0. Diferentes dispositivos e sensores podem ser usados para capturar uma variedade de tipos de dados que permitem o desenvolvimento de aplicativos de visão computacional, eventos acústicos e processamento de dados. Esses aplicativos são úteis para monitorar, compreender e predizer diversos atributos da cadeia produtiva agrícola com o objetivo de auxiliar o agricultor na tomada de decisão. Em um cenário de crescente obrigatoriedade do uso sustentável dos recursos naturais e de aumento das taxas de produção para garantir uma situação de segurança alimentar no mundo, há uma grande demanda por melhorias em qualquer etapa dos processos agrícolas. Este artigo tem como objetivo contribuir com pesquisas futuras sobre Inteligência Artificial no contexto agrícola, listando exemplos de cenários práticos de IA, incluindo aqueles para os quais o Instituto de Pesquisa Eldorado tem contribuído. Ao longo deste trabalho, diferentes aplicações da IA são discutidas, destacando algumas características, vantagens, desvantagens e resultados, a fim de fornecer uma visão geral das diferentes tecnologias que podem ser aplicadas na agricultura. Além disso, apresentamos os principais desafios de popularizar o uso de sistemas baseados em IA, algumas abordagens possíveis para reduzir as dificuldades e uma visão das próximas tecnologias mais promissoras em conjunto com IA.

Resumo em Inglês:

ABSTRACT The usage of digital data is one of the main characteristics of the Agriculture 4.0 era. Different devices and sensors may be used to capture a variety of types of data that enable the development of applications of computer vision, acoustic events, and data processing. These applications are useful for monitoring, understanding, and predicting many attributes of agricultural chain production with the objective of assisting farmers in the decision-making process. In a scenario of increasing obligation for sustainable usage of natural resources and an increase in production rates to assure a food security situation in the world, there is a high demand for improvements at any stage of agricultural processes. This paper aims to contribute to further research on artificial intelligence in the agricultural context, listing sample practical AI scenarios, including those that the Eldorado Research Institute has contributed. Throughout this paper, different applications of AI are discussed, highlighting some characteristics, advantages, disadvantages, and results to provide an overview of the different technologies that can be applied in agriculture. Furthermore, we presented the main challenges of popularizing the use of AI-based systems, some possible approaches to reduce the difficulties, and a view of the next most promising technologies in conjunction with AI.

Resumo em Português:

RESUMO Os avanços tecnológicos, no atual contexto mundial, atingem todos os setores de produção, melhorando o cotidiano das pessoas, trazendo rapidez na informação e segurança do produto. O presente trabalho apresenta uma revisão de literatura do uso da interface Agricultura 4.0 em casas de vegetação e as melhorias que essas tecnologias trouxeram ao setor. Para o setor agropecuário, em especial a área de produção vegetal intensiva em ambientes protegidos, as tecnologias da Agricultura 4.0 são amplamente aplicadas diminuindo erros humanos e garantindo produtos de elevada qualidade. A modelagem matemática, os softwares, os medidores eletrônicos, a robótica, as decisões dos sistemas inteligentes em tempo real, o controle automático das atividades em todo ciclo de produção garante a segurança de produção intensiva nos sistemas de cultivo protegido e uma ambiência vegetal de precisão. A exatidão, precisão e desempenho da Agricultura 4.0 em estufas dependem, como em outros setores agrícolas, de uma melhor comunicação entre as plataformas digitais e também de uma internet estável para a programação das máquinas e operação nos sistemas de produção.

Resumo em Inglês:

ABSTRACT Global technological advances can be applied to all production sectors to improve people’s daily lives, efficiently deliver information, and product safety. This study is a literature review of the use of the Agricultura 4.0 interface in greenhouses and the improvements that these technologies have made to the industry. For the agricultural sector, especially intensive plant production in protected environments, Agricultura 4.0 technologies are widely used to reduce human error and ensure high quality plant products. Mathematical modeling, computer software, electronic meters, robotics, intelligent real-time system decisions, and automatic activity control throughout the production cycle guarantees extreme production safety in protected cultivation systems and precision planting environments. The accuracy, precision, and performance of Agricultura 4.0 in greenhouses depends, as in others agricultural sectors, on improved communication between digital platforms as well as in stable Internet for machine programming and operation in the production systems.

Resumo em Português:

RESUMO Os tratores agrícolas passaram por profundas transformações nas últimas duas décadas, impulsionadas pelo surgimento da Agricultura de Precisão e, recentemente, seguindo uma nova concepção, denominada de Agricultura 4.0. Neste sentido, este artigo de revisão tem por objetivo reunir informações sobre o estado atual e a perspectiva do uso de inteligência artificial e eletrônica avançada na avaliação de motores de tratores agrícolas. A partir de extensa busca na literatura científica tornou-se possível inferir que, os motores dos tratores agrícolas acompanham as tendências tecnológicas dentro das premissas da Agricultura 4.0. Foram constatados avanços tecnológicos significativos nos motores em relação às suas concepções originais decorrentes, principalmente da incorporação das unidades eletrônicas, nas quais são armazenados algoritmos e programações predefinidas, permitindo o autodiagnostico, o gerenciamento dos sistemas de alimentação de ar e combustível, em consonância com as emissões de poluentes em diferentes condições de funcionamento e a transmissão de informações. Portanto, tais avanços permitiram otimizar o processo de combustão, refletindo positivamente nos parâmetros de desempenho e eficiência termodinâmica dos motores, além da redução das emissões.

Resumo em Inglês:

ABSTRACT Agricultural tractors have undergone significant changes in the last two decades promoted by precision agriculture and Agriculture 4.0. This review article collects data on the current status and future prospects of the use of artificial intelligence and advanced electronics in agricultural tractor engines. A literature search showed that tractor engines follow the technological trends of Agriculture 4.0. There are significant technological advances in engines regarding the incorporation of electronic control units, in which algorithms and programs are stored, allowing self-diagnosis, the control of air and fuel feeding systems based on pollutant emissions under different operating conditions, and data transfer. Therefore, such advances improved combustion, performance, and thermodynamic efficiency, and reduced pollutant emissions.

Resumo em Português:

RESUMO As práticas de gestão localizada têm sido possibilitadas devido à ampla variedade de soluções para a aquisição de dados e as intervenções em nível de talhão. Diferentes abordagens devem ser consideradas para a coleta de dados, como os sensores de solo e de planta dedicados ou mesmo associados à capacidade das máquinas agrícolas gerarem dados relevantes que permitam ao agricultor ou ao gerente agrícola inferir a variabilidade espacial dos talhões. No entanto, elevados recursos computacionais são necessários para converter os extensos bancos de dados em informações úteis ao gerenciamento localizado da lavoura. Assim, as tecnologias oriundas da indústria, como a Internet das Coisas e a Inteligência Artificial, aplicadas à produção agrícola, têm direcionado o processo de tomada de decisão das práticas de agricultura de precisão. A interpretação e a integração de informações de diferentes fontes de dados permitem o aprimoramento do manejo agrícola devido à sua capacidade de predizer atributos de planta e de solo por meio de ferramentas avançadas baseadas em dados. Alguns exemplos são o monitoramento de cultivos, aplicações localizadas de insumos, e detecção de doenças por meio de sistemas baseados em nuvem nas plataformas digitais, previamente elaborados para os sistemas de apoio à decisão. Nesta revisão, discutimos as diferentes abordagens e recursos tecnológicos, popularmente denominados como Agricultura 4.0 ou Agricultura Digital, que se inserem no contexto do gerenciamento da variabilidade espacial das lavouras considerando diferentes fontes de dados de planta e de solo.

Resumo em Inglês:

ABSTRACT Site-specific management practices have been possible due to the wide range of solutions for data acquisition and interventions at the field level. Different approaches have to be considered for data collection, like dedicated soil and plant sensors, or even associated with the capacity of the agricultural machinery to generate valuable data that allows the farmer or the manager to infer the spatial variability of the fields. However, high computational resources are needed to convert extensive databases into useful information for site-specific management. Thus, technologies from industry, such as the Internet of Things and Artificial Intelligence, applied to agricultural production, have supported the decision-making process of precision agriculture practices. The interpretation and the integration of information from different sources of data allow enhancement of agricultural management due to its capacity to predict attributes of the crop and soil using advanced data-driven tools. Some examples are crop monitoring, local applications of inputs, and disease detection using cloud-based systems in digital platforms, previously elaborated for decision-support systems. In this review, we discuss the different approaches and technological resources, popularly named as Agriculture 4.0 or digital farming, inserted in the context of the management of spatial variability of the fields considering different sources of crop and soil data.

Resumo em Português:

RESUMO O conceito de conservação de precisão pode ser definido como um conjunto de tecnologias espaciais e outros procedimentos ligados as variáveis ambientais mapeáveis, que podem ser utilizadas para programar práticas de gestão da conservação recursos naturais que levam em consideração a variabilidade dessas variáveis no espaço e tempo dentro de sistemas naturais ou agrícolas. Nesse contexto, considera-se a perda estrutural do solo por meio de atividades antrópicas, como com um processo com variação espacial e temporal. A gestão da condição de agregação do solo pode contribuir para processos agrícolas mais regenerativos e sustentáveis, pois permite a utilização das tecnologias de análise espacial, por meio de indicadores visuais georreferenciados ou mesmo a utilização de sistemas com aprendizado automático, conhecidos como deep learning. Nesse sentido, foi desenvolvido um método visual justaposto com uma análise de lógica fuzzy para a classificação dos agregados quanto à forma, rugosidade superficial e estruturas biogênicas. Assim, numa segunda etapa foi desenvolvido um modelo de rede neural artificial capaz de detectar e classificar diferentes formas de agregados do solo, permitindo dessa maneira, uma breve discussão da temática e seu potencial de aplicação na gestão conservacionista por meio da análise de agregados via sistemas automáticos de classificação. Dessa maneira, são apresentados elementos para a motivação de pesquisas e desenvolvimento em tecnologias adaptativas, no apoio à decisão que possam auxiliar a integração de informações dinâmicas e espaciais no entendimento da condição estrutural do solo com a finalidade de uma conservação dos solos com mais precisão.

Resumo em Inglês:

ABSTRACT The concept of precision conservation can be defined as a set of space technologies and other procedures linked to mappable environmental variables, which can be used to program conservation management practices for natural resources that consider the variability of these variables in space and time within of natural or agricultural systems. In this context, structural loss of soil through human activities is considered, as with a process with a spatial and temporal variation. The management of soil aggregation conditions can contribute to more regenerative and sustainable agricultural processes. It allows spatial analysis technologies through georeferenced visual indicators or even the use of systems with automatic learning, known as deep learning. In this sense, a fair visual method was developed with an analysis of fuzzy logic to classify aggregates in terms of shape, surface roughness, and biogenic structures. Thus, in a second stage, a model of the artificial neural network was developed, capable of detecting and classifying different forms of soil aggregates, thus allowing a brief discussion of the theme and its potential for application in conservation management through the analysis of aggregates via systems automatic sorting. In this way, elements are presented for the motivation of research and development in adaptive technologies in supporting decision-making that can help integrate dynamic and spatial information in the understanding of the soil’s structural condition to preserve the soil more precisely.

Resumo em Português:

RESUMO Este paper pretende apresentar uma delimitação terminológica para a Agricultura 4.0 por meio da análise de artigos no estado da arte que abordam esta temática. Os fundamentos da Agricultura 4.0 que podem ser elencados como a Internet of Things, Conectividade e Computação em Núvem, Big Data e Inteligência Artificial e uma breve introdução à cada um deles é realizada. Como conclusão pode-se declarar que a Agricultura 4.0 é uma tendência irrefreável e sem volta no mundo agrícola moderno.

Resumo em Inglês:

ABSTRACT This paper presents a terminological delimitation of Agriculture 4.0 by analyzing relevant articles on the state of the art in this field. The fundamentals of Agriculture 4.0, which include the application of the Internet of Things, big data, artificial intelligence, cloud computing, and connectivity, is presented. In conclusion, it can be stated that Agriculture 4.0 is an inevitable and irreversible trend in modern agriculture.

Resumo em Português:

RESUMO Em virtude do crescimento exponencial no volume de dados considerados nas tomadas de decisões inteligentes, o sensoriamento remoto hiperespectral (SRH) tem indubitavelmente trazido maior domínio sobre os cultivos agrícolas porque ultrapassa o paradigma de pouca informação disponível sobre os alvos. Nesta revisão do estado da arte do SRH foram agrupadas visões complementares sobre o uso de sensores e técnicas analíticas na agricultura desta última década. Foram citadas tecnologias de ponta e as tendências de pesquisa associadas a cada nível de coleta de dados. Ainda há muito a avançar nas ciências agrárias, no entanto, os profissionais da agricultura de precisão estão devotados aos insights de aplicações valiosas com a maior disponibilidade de dados hiperespectrais. Neste sentido, esta revisão está organizada da seguinte maneira: A seção 1 contextualiza o leitor e conceitua fundamentos para o sensoriamento remoto. A segunda seção discorre sobre os tipos de sensores e suas resoluções. A seção 3 traz quatro subseções que apresentam aplicações recentes destas tecnologias segundo o nível de aquisição. Finalmente, a quarta seção oferece ao leitor a discussão sobre as tendências positivas alcançadas no manejo de vegetação, solos e corpos hídricos nos últimos dez anos, bem como as necessidades e desafios para a próxima década.

Resumo em Inglês:

ABSTRACT In view of the exponential growth in the volume of data that is considered in intelligent decision-making, hyperspectral remote sensing (HRS) has, without doubt, brought greater dominance over agricultural crops as it goes beyond the paradigm of little information being available about the targets. In this review of the state of the art of HRS, complementary views on the use of sensors and analytical techniques in agriculture over the last decade are grouped together. State-of-the-art technologies, and research trends associated with each level of data collection are cited. There is still a long way to go in the agricultural sciences; however, specialists in precision agriculture are devotees of the valuable insights offered with the increased availability of hyperspectral data. In this respect, this review is organised as follows: Section 1 helps the reader to contextualise and conceptualise the basics of remote sensing; the second section discusses the types of sensors and their resolutions; section 3 presents four subsections that show recent applications of these technologies according to their level of acquisition; finally, the fourth section offers the reader a discussion on the positive trends achieved in managing vegetation, soils and waterbodies over the last ten years, as well as the needs and challenges of the next decade.

Resumo em Português:

RESUMO À medida que a população mundial cresce, a agricultura enfrenta demandas cada vez maiores com relação à produtividade, eficiência e sustentabilidade para garantir segurança alimentar. A adoção de um sistema produtivo semelhante ao da Indústria 4.0 é considerada uma forma de enfrentar esse problema na agricultura. Esta estratégia pode ser observada na agricultura de precisão. Essa nova tendência tecnológica tem um impacto nas máquinas agrícolas e na maneira pela qual elas são projetadas. Assim, o objetivo deste artigo é fazer um apanhado dos sistemas digitais nas máquinas agrícolas e a maneira que eles afetam o processo de projeto desses equipamentos num cenário de agricultura digital em desenvolvimento. Dispositivos digitais já estão presentes em muitos equipamentos, desempenhando e dando suporte a tarefas como piloto automático e aplicações em taxas variáveis. Também uma grande quantidade de sensores monitoram a cultura, o ambiente, as perdas e parâmetros operacionais em tempo real. O avanço tecnológico, no entanto, é a adoção de alternativas emergentes como a IoT, veículos elétricos e pequenas máquinas autônomas, que já estão sendo empregadas em outras áreas. Consequentemente, o processo de desenvolvimento de máquinas agrícolas envolve agora diversos domínios do conhecimento além da mecânica comum, levando as empresas a empregarem engenharia simultânea transversal entre inúmeras especialidades ao mesmo tempo e para uma mesma situação de projeto.

Resumo em Inglês:

ABSTRACT As the world’s population grows, agriculture is facing an increasing demand for productivity, efficiency, and sustainability to ensure food security. The adoption of a production system similar to that of Industry 4.0 is considered to be a way to address this problem in agriculture. This approach can be seen in precision agriculture. This new technological trend has an impact on agricultural machinery and the way it is designed. Therefore, the objective of this article is to provide an overview of digital systems in agricultural machinery and their impact on equipment design processes in a developing digital agriculture scenario. Digital devices are already present in several types of equipment, performing or supporting tasks such as automatic steering and variable-rate applications. In addition, a large number of sensors monitor the crops, environment, production losses, and operational parameters in real time. Technological breakthroughs, however, are the adoption of emerging alternatives such as IoT, electric power vehicles, and small autonomous machines, which are already being implemented in other areas. Consequently, the development process of agricultural machines now involves several specialty domains besides the usual mechanics, compelling companies to employ the transverse concurrent engineering of several specialties at the same design situation and moment.

Resumo em Português:

RESUMO A agricultura digital contribui com a eficiência agrícola por meio da utilização de ferramentas como a visão computacional, robótica e agricultura de precisão. Com este trabalho o objetivo foi desenvolver um sistema capaz classificar imagens por meio do reconhecimento de padrões pré estabelecidos. Para este fim foi criado um sistema distribuído geograficamente, baseado no computador Raspberry Pi 3B+, que captura imagens no campo e armazena em um banco de dados, onde estão disponibilizadas para receber uma pré-classificação por parte de um supervisor. Depois disso, classificadores são gerados, avaliados e enviados para o dispositivo remoto realizar a classificação em tempo real. Para a avaliação do sistema foram definidas 23 classes agrupadas em 3 superclasses, capturadas 36.979 imagens e, realizadas 1.579 pré-classificações, que permitiram a realização de testes de classificação por meio de validação cruzada com divisão equivalente a quantidade de classes e de forma embaralhada. Estes testes mostraram que a acurácia entregue por cada classificador é diferente e, diretamente proporcional a quantidade e balanceamento das amostras, com variação da acurácia de 11% a 79%, com 26 e 2.200 amostras consideradas, respectivamente. O tempo de resposta do sistema foi avaliado em 1.585 períodos e se mantiveram em aproximadamente 0,20 segundos, podendo, sob velocidade controlada do veículo, ser utilizada para dispersão de insumos em tempo real.

Resumo em Inglês:

ABSTRACT Digital agriculture contributes to agricultural efficiency through the use of such tools as computer vision, robotics, and precision agriculture. In this study, the objective was to develop a system capable of classifying images through the recognition of pre-established patterns. For this purpose, a geographically distributed system was created, based on the Raspberry Pi 3B+ computer, which captures images in the field and stores them in a database, where they are available to receive a pre-classification by a supervisor. Subsequently, classifiers are generated, evaluated, and sent to the remote device to conduct a classification in real time. For an evaluation of the system, 23 classes were defined and grouped into 3 superclasses, 36,979 images were captured, and 1,579 pre-classifications were conducted, which allowed the classification tests to be carried out by means of a cross-validation by randomly dividing into the equivalent number of classes. These tests revealed that the accuracy delivered by each classifier is different and directly proportional to the quantity and balance of the samples, with a variation of 11% to 79%, with 26 and 2,200 samples considered, respectively. The response time of the system was evaluated during 1,585 periods and was maintained within approximately 0.20 s, and under controlled speed of the vehicle, can be used for the dispersion of inputs in real time.

Resumo em Português:

RESUMO A Agricultura 4.0 envolve a incorporação de tecnologias de informação e comunicação em máquinas, equipamentos e sensores para uso em sistemas de produção agrícola e tem como principal objetivo, facilitar a tomada de decisões em processos agrícolas. O Controle Estatístico de Qualidade (CEQ) é um método estatístico que utiliza várias técnicas e ferramentas para analisar a variabilidade dos dados, ferramentas estas que podem ser utilizadas para fornecer informações importantes para a tomada de decisões, inclusive para operações agrícolas mecanizadas. Este trabalho teve como objetivo buscar na literatura científica mundial o estado da arte na utilização do Controle Estatístico de Qualidade em processos agrícolas mecanizados, demonstrando também o seu potencial para ser incorporado na Agricultura 4.0. Nossa pesquisa envolveu um levantamento bibliométrico nas bases de dados Scopus e Google Acadêmico. Os estudos analisados permitiram inferir que as ferramentas CEQ podem melhorar a compreensão das operações mecanizadas e serem utilizadas na Agricultura 4.0. Esses recursos também podem agilizar e aprimorar a tomada de decisões, de modo a converter dados massivos (big data) em informações úteis e precisas (right data).

Resumo em Inglês:

ABSTRACT Agriculture 4.0 involves the incorporation of information and communication technologies into machines, equipment, and sensors for use in agricultural production systems. It aims to ease decision-making in agricultural processes. Statistical Quality Control (SQC) is a statistical method with several techniques and tools used to analyze the variability. These tools can be used to provide important information for decision making, including for mechanized agricultural operations. This paper aimed to characterize the worldwide scientific literature on Statistical Process Control use in mechanized agricultural processes, demonstrating its potential to be incorporated into Agriculture 4.0. Our research involved a bibliometric survey on Scopus and Academic Google databases. The analyzed studies allowed us to infer that SQC tools may improve understanding of mechanized operations and be used in Agriculture 4.0. Such features can also streamline and enhance decision making, converting big data into useful information.

Resumo em Português:

RESUMO As potencialidades de uso de UAVs na agricultura são enormes e, com a entrada na era da digitalização das lavouras e da Agricultura 4.0, essa plataforma tem ganhado cada vez mais importância. Levantamento rotineiros de dados em campo podem ser melhorados ou mesmo substituídos por imagens obtidas via UAVs e as aplicações de produtos fitossanitários podem ser otimizados. A altíssima resolução espacial das imagens torna os UAVs atrativos para diversas aplicações que o tradicional sensoriamento via satélite ainda não atendem. Ainda, com o enorme desenvolvimento recente das técnicas e aplicações de ciência dos dados, os UAVs têm posição de destaque para auxiliar o agricultor na tomada de decisão mais eficiente e na viabilização da automação de processos agrícolas. Assim, neste trabalho abordaremos as principais aplicações dos UAVs na agricultura, dividindo o texto em cinco grandes tópicos: Levantamento topográfico, Avaliações fisiológicas, Avaliações biofísicas, Monitoramento de alvos biológicos, e Pulverização de produtos fitossanitários e aplicação de bioinsumos.

Resumo em Inglês:

ABSTRACT Unmanned Aerial Vehicles (UAVs) have potentially significant application in agriculture and, with the emergence of the digital farming era and Agriculture 4.0, this platform has become increasingly important. UAV imagery may improve or even replace routine data surveys, as well as optimize phytosanitary product application. High-spatial resolution imagery makes UAVs attractive for several applications where traditional satellite sensing is still unsuitable. With the significant recent development of data science techniques, UAVs have a prominent position in assisting farmers for more efficient decision-making and automating agricultural processes. Thus, this work addresses the main agricultural applications of UAVs into five major topics: topographic survey, physiological assessments, biophysical assessments, monitoring of biological targets, and spraying of phytosanitary products and application of bio inputs.

Resumo em Português:

RESUMO A visão computacional (CV) tem sido aplicada há anos para automatizar muitas atividades humanas. É uma das tecnologias-chave para a modernização da indústria agroalimentar em direção à quarta revolução industrial (Indústria 4.0). No setor agrícola, sistemas CV são aplicados para automatizar ou obter informações de muitas tarefas agrícolas, como plantio, cultivo, gerenciamento de fazenda, controle de doenças, controle de ervas daninhas ou colheita robótica. Também é amplamente utilizado em pós-colheita para automatizar e obter informações objetivas em processos como controle de qualidade e avaliação , detecção de danos, classificação de frutas ou vegetais em categorias comerciais ou análise de composição. Uma das principais vantagens é a capacidade desta tecnologia de obter informações em regiões do espectro invisíveis ao olho humano. Um exemplo é o caso de sistemas de imagens hiperespectrais. Esses sistemas geram uma grande quantidade de dados que precisam ser processados de forma eficiente, criando modelos estatísticos robustos e repetíveis que permitam a tecnologia a ser implementada a nível industrial. Para isso, é necessário acoplar os sistemas de CV a ferramentas avançadas de inteligência artificial, como aprendizado de máquina ou aprendizado profundo. O objetivo deste trabalho é revisar os últimos avanços em sistemas de CV aplicados a alimentos e produtos e processos agrícolas.

Resumo em Inglês:

ABSTRACT Computer vision (CV) has been applied for years to automate many human activities. It is one of the key technologies for the modernization of the agri-food industry towards the fourth industrial revolution (Industry 4.0). In the agricultural sector, CV systems are applied to automate or obtain information from many agricultural tasks such as planting, cultivation, farm management, disease control, weed control or robotic harvesting. It is also widely used in postharvest to automate and obtain objective information in processes such as quality control and evaluation, damage detection, classification of fruits or vegetables in commercial categories or composition analysis. One of the main advantages is the ability of this technology to obtain information in regions of the spectrum that are invisible to the human eye. An example is the case of hyperspectral imaging systems. These systems generate a large amount of data that needs to be processed efficiently, creating robust and repeatable statistical models that allow the technology to be implemented at an industrial level. To achieve this, it is necessary to couple CV systems with advanced artificial intelligence tools such as machine learning or deep learning. The objective of this work is to review the latest advances in CV systems applied to food and agricultural products and processes.

Resumo em Português:

RESUMO Os ensaios de máquinas em geral são procedimentos padronizados que objetivam apresentar informações confiáveis e imparciais a respeito dos espécimes avaliados. O trator agrícola é a principal fonte de potência no meio agrícola e os ensaios de tratores permitem conhecer profundamente as características construtivas dessa máquina, conferindo a estes maiores rendimentos no campo. A realização de ensaios em tratores e máquinas agrícolas normalmente é de responsabilidade de órgãos governamentais oficiais ou instituições de pesquisa, além dos próprios fabricantes. Novas máquinas e tecnologias estão sendo desenvolvidas e, conhecer a situação atual dos ensaios de tratores, detalhar seus procedimentos e avançar na elaboração de metodologias voltadas para avaliação de máquinas é fundamental na atual agricultura 4.0. Esta revisão buscou apresentar o estado da arte na realização de ensaios com tratores agrícolas no mundo e, particularmente, no Brasil. A agricultura 4.0 ou agricultura inteligente, incorpora novos e avançados recursos, tais como a computação embarcada, os sensores e os atuadores aos ensaios de desempenho operacional e de eficiência, contribuindo assim com a modernização da tecnologia e o aprimoramento das máquinas. Novas formas de avaliação do desempenho e coleta de dados estão latentes e precisam ser estabelecidas através de normas claras e específicas.

Resumo em Inglês:

ABSTRACT Machine tests are standardized procedures that aim to present reliable and impartial information of the evaluated machines. The agricultural tractor is the main source of power in the agricultural setting. Therefore, to acquire an in-depth knowledge of the operational and performance characteristics of these machines, a tractor test is necessary as this will help in achieving higher yields in the field. Performance of tests of tractors and agricultural machinery is usually the responsibility of the manufacturers, official government agencies, and research institutions. New machines and technologies are being developed; therefore, information on the current status of tractor testing and the procedures and advances in the methodologies used for the evaluation of machines is fundamental in today’s agriculture 4.0. This review aims to examine the current state of agricultural tractor testing worldwide, with special focus on that in Brazil. Agriculture 4.0, or intelligent agriculture, incorporates new and advanced resources, such as computers, sensors, and actuators, which are used in operational performance and efficiency testing, thus contributing to the modernization of technology and improvement of machines. New methods of performance assessment and data collection are under consideration and should be established through clear and specific standards.

Resumo em Português:

RESUMO Os sensores são a base da agricultura digital. Eles fornecem os dados para permitir o desenvolvimento de sistemas de supervisão agrícola e para analisar o desempenho das práticas de gestão. Sensores podem ser usados para fornecer dados aos algoritmos desenvolvidos para automatizar a prescrição de insumos na agricultura. Dentre os sensores utilizados na agricultura com finalidades diversas, são revisados neste trabalho aqueles utilizados para monitorar o solo, as plantas e a produtividade das lavouras. No monitoramento do solo, busca-se medir as suas características físicas e químicas, que possibilitam avaliar, por exemplo, a sua fertilidade e compactação. No monitoramento de plantas, os sensores são utilizados para detectar doenças e pragas, infestação de plantas daninhas e avaliar o estado nutricional. Os sensores presentes nos monitores de produtividade das colhedoras permitem gerar os mapas de produtividade. O avanço das técnicas de sensoriamento remoto, nos sensores utilizados e ferramentas computacionais, permite predizer as produtividades das lavouras.

Resumo em Inglês:

ABSTRACT Sensors are the basis of digital agriculture; they provide data that allows the development of agricultural control and supervisory systems, and it helps analyze the performance of management practices. Further, sensors can be used to provide data for algorithms developed to automate the prescription of inputs. Among the sensors used in agriculture, those used to monitor soil, plants, and crop yield are reviewed in this work. In soil monitoring, the aim is to measure variables associated with the physical and chemical characteristics of soil to evaluate soil fertility and compaction. In plant monitoring, sensors are used to detect diseases and pests, weed infestation, and nutritional stress. Sensors present in the yield monitors of the harvesters allow the generation of yield maps. Finally, remote sensing techniques for predicting crop yields are analyzed owing to their potential applications in crop management.

Resumo em Português:

RESUMO Nos últimos anos, a agricultura tem enfrentado muitos desafios, desde uma crescente população global a ser alimentada, a evasão da força de trabalho no setor, até requisitos de sustentabilidade e restrições ambientais. Para satisfazer as partes interessadas cada vez mais exigentes, o setor agrícola tem procurado novas formas de lidar com essas questões. Nesse contexto, as Tecnologias da Informação e Comunicação (TICs) têm sido aplicadas para ajudar o setor agrícola a superar esses desafios. Este artigo investiga como duas TICs - conectividade e computação em nuvem - podem alavancar e explorar outras TICs, como Internet das Coisas e inteligência artificial, permitindo que todo o setor produtivo seja apoiado por sistemas de tomada de decisão, que por sua vez são baseados em modelos orientados por dados. Além disso, é apresentado um estudo de caso de sucesso sobre como a computação em nuvem ajudou um dos maiores clientes da SiDi - uma empresa global - a melhorar seu desempenho operacional ao obter insights a partir de seus dados.

Resumo em Inglês:

ABSTRACT In recent years, agriculture has faced many challenges, from a growing global population to be fed, the work power evasion in the sector, to sustainability requirements and environmental constraints. To satisfy the increasingly demanding stakeholders, the agricultural sector has looked for new ways to tackle these issues. In this context, Information and Communications Technologies (ICTs) have been applied to help the agricultural sector overcome these challenges. This article investigates how two ICTs - connectivity and cloud computing - can leverage and traverse other ICTs, such as Internet of Things and artificial intelligence, enabling the entire productive sector to be supported by decision-making systems, which in turn are based on data-driven models. Moreover, a successful case study on how cloud computing has helped one of SiDi’s biggest customers - a global company - improve its operational performance by obtaining insights from its data is presented.

Resumo em Português:

RESUMO Máquinas agrícolas terrestres transitam em terrenos não estruturados, ou seja, um terreno cujas condições não se pode prever com exatidão ao longo de seu deslocamento. Tal característica restringe a aplicação de robôs em campo uma vez que a estabilidade pode ser comprometida por sua interação com o terreno. Por não contar com um operador capaz de observar, prever e controlar a interação do veículo com o terreno, um robô deve ser dotado da habilidade de lidar com as imprevisibilidades provocadas pela interação com o terreno, tarefa esta que era antes executada pelo operador. Dada a relevância do tema, o presente trabalho faz uma revisão da literatura sob o ponto de vista da estabilidade, além de apresentar critérios para o projeto e seleção de robôs agrícolas no que diz respeito à estabilidade.

Resumo em Inglês:

ABSTRACT Agricultural ground vehicles often have to traverse unstructured terrain, i.e., terrain whose conditions cannot be precisely predicted during its displacement. Such characteristics restrict the use of robots in the agricultural field because their stability could be compromised by their interaction with the terrain. As it does not have a human operator capable of observing, predicting, and controlling the interaction of the vehicle with the terrain. Therefore, a robot must deal with the unpredictability caused by this interaction, a task that was previously performed by the human operator. Given the relevance of the topic, this study investigates the literature on agricultural unmanned ground vehicles from the stability point of view, and also presents relevant criteria for dealing with the stability of agricultural robots in terms of their design and selection.

Resumo em Português:

RESUMO Em seu esforço para conservar recursos e criar uma agricultura mais ecológica, a 4a revolução agrícola em andamento precisa de métodos inovadores e novas tecnologias para alcançar uma indústria agrícola mais sustentável. Além dos diferentes métodos e aplicações, incluídos no termo agricultura 4.0, este artigo enfoca as áreas em que a disciplina da mobilidade elétrica está se tornando cada vez mais importante. Portanto, as duas categorias superordenadas da agricultura “familiar” e “industrial” foram consideradas separadamente para comparar abordagens técnicas e soluções que estão atualmente em uso ou concebíveis no futuro.

Resumo em Inglês:

ABSTRACT In its endeavor to conserve resources and create a more environmental-friendly agriculture, the 4th agricultural revolution now underway needs innovative methods and new technologies to achieve a more sustainable farming industry. In addition to the different methods and applications, subsumed under the term agriculture 4.0, this article focuses on the areas in which the discipline of electric mobility is becoming more and more important. Therefore, the two superordinate categories “family” and “industrial” farming were considered separately to compare technical approaches and solution which are currently in use or conceivable in the future.

Resumo em Português:

RESUMO Alguns anos se passaram desde o surgimento da tecnologia Internet of Things (IoT) e sua massificação. Depois vimos o surgimento da Indústria 4.0 e agora o Agro 4.0, tornando a digitalização de áreas rurais um tema relevante, especialmente no Brasil onde o agronegócio é muito importante para a economia. Hoje em dia, o IoT já é uma tecnologia madura, evidenciado por casos de sucesso de implementação em grande escala desta tecnologia na produção agrícola. No entanto, a combinação desta tecnologia com outras ainda abre muitas oportunidades, potencializando ainda mais as chances de agregar valor à cadeia de produção agrícola. Ou seja, as oportunidades dentro da tecnologia IoT estão na agregação e integração de um conjunto de outras tecnologias disruptivas. Este artigo apresenta uma revisão de literatura com os conceitos de IoT, o status atualizado dessa tecnologia, as oportunidades previstas, as tecnologias agregadas, o futuro do IoT, e a visão de implementação prática agrícola no campo no Brasil.

Resumo em Inglês:

ABSTRACT A few years have passed since the emergence of the Internet of Things (IoT) technology and its massification. Then, we saw the rise of Industry 4.0 and Agro 4.0, making the digitization of rural areas a hot topic, especially in Brazil where agribusiness is very important for the economy. Nowadays, IoT is already a mature technology, evidenced by cases of successful large-scale implementation of this technology in agricultural production. However, the combination of this technology with others still opens many opportunities, thereby further enhancing the chance to add value to the agricultural production chain. That is, the opportunities within IoT technology are in the aggregation and integration of a set of other disruptive technologies. This article presents a reference review with concepts of IoT, the updated status of this technology, foreseen opportunities, aggregated technologies, the future of IoT, and the vision of practical agricultural implementation in the field in Brazil.

Resumo em Português:

RESUMO Indústria 4.0 caracteriza-se pela utilização de big data & analytics, robôs autônomos, ferramentas de simulação, integração horizontal e vertical de sistemas, IoT, computação em nuvem, manufatura aditiva, realidade aumentada e cyber security, o que foi transposto para o agronegócio como Agricultura 4.0 ou Agro 4.0. O governo brasileiro vem implementando iniciativas de fomento a esse segmento, sendo a mais recente a Seleção Pública Tecnologias 4.0, para apoio aos temas Agro 4.0, Cidades Inteligentes, Indústria 4.0 e Saúde 4.0. O objetivo deste estudo é caracterizar e avaliar a demanda para o apoio à inovação nas empresas brasileiras através desse edital, com ênfase no Agro 4.0. As informações utilizadas se originam de sistemas e documentos Finep e pesquisa bibliográfica. Foi aplicada a técnica de nuvem de palavras sobre conteúdo de campo não confidencial de cada proposta do tema Agro 4.0. A demanda foi analisada abordando número de projetos e valores frente a porte das empresas, ocorrência de tecnologias habilitadoras, distribuição por Estado e Região, parcerias tecnológicas com ICTs e afunilamento do processo seletivo. Foram analisados qualitativamente e categorizados os termos em destaque na nuvem de palavras. Os resultados apontam que o País está no limiar de nova revolução tecnológica no campo, havendo fortes indícios no sentido da adoção ampla das tecnologias caracterizadoras da Indústria 4.0 e do Agro 4.0. A existência do grande contingente de projetos bem avaliados em todas as linhas temáticas que não poderão receber subvenção aponta a necessidade de continuidade do fomento à inovação no segmento 4.0.

Resumo em Inglês:

ABSTRACT Industry 4.0 is characterized by the use of big data & analytics, autonomous robots, simulation tools, horizontal and vertical systems integration, IoT, cloud computing, additive manufacturing, augmented reality and cyber security, what was transposed to agribusiness as Agriculture 4.0 or Agro 4.0. The Brazilian government has been implementing initiatives to promote this segment, the most recent being the Public Selection Technologies 4.0, to support the themes Agro 4.0, Smart Cities, Industry 4.0 and Health 4.0. The objective of this study is to characterize and evaluate the demand for supporting innovation in Brazilian companies through this notice, with emphasis on Agro 4.0. The demand was analyzed addressing the number of projects and values i n relation to the size of the companies, the occurrence of key/enabling technologies, distribution by State and Region, technological partnerships with STIs and the narrowing of the selection process. The terms highlighted in the tag cloud were qualitatively analyzed and categorized. The results indicate that the country is on the threshold of a new technological revolution in the field, with strong indications towards the wide adoption of technologies that characterize Industry 4.0 and Agro 4.0. The existence of a large contingent of well-evaluated projects in all thematic lines that will not be able to receive a grant points to the need to continue fostering innovation in segment 4.0.

Resumo em Português:

RESUMO Uma característica importante dos produtos agrícolas está intimamente associada à geometria complexa e também do material que os constituí. O estudo do comportamento mecânico dos materiais biológicos merece uma análise detalhada das leis da mecânica dos sólidos, particularmente das integrais hereditárias e dos modelos analógicos. O levantamento do volume, superfície e forma dos órgãos das plantas podem fornecer suporte fundamental para o desenvolvimento de equipamentos capazes de manusear esses produtos com precisão adequada. A determinação da qualidade dos produtos agrícolas é um processo dinâmico, para o qual técnicas interativas e não invasivas são de relevante importância. Este trabalho tem como objetivo revisar a literatura pertinente associada à análise das propriedades físicas e mecânicas de materiais vegetativos. A seguir os avanços científicos associados às técnicas para estudar o comportamento físico e mecânico dos tecidos vegetativos e como elas podem dar suporte a projetos de engenharia. As conclusões deste artigo incluem a análise da importância destas novas técnicas e suas aplicações para as ciências agrícolas.

Resumo em Inglês:

ABSTRACT A relevant characteristic of agricultural products is the close association between their complex geometry and material constitution. A study of the mechanical behavior of biological materials should involve a detailed analysis of the laws of solid mechanics, particularly of hereditary integrals and analogical models. Moreover, volume, surface, and shape surveys of plant organs support, on a fundamental level, the development of equipment capable of processing and handling these products with adequate precision. Quality determination of agricultural products is a dynamic process, as part of which interactive and non-invasive techniques are relevant. Accordingly, this review targets pertinent literature associated with the analysis of physical as well as mechanical properties of vegetative materials. Following this, the review covers scientific advances associated with techniques employed to study the physical and mechanical behavior of vegetative tissues and how these techniques can support engineering projects. Finally, the conclusions present an analysis of the importance of these new techniques and their applications to the agricultural sciences.

Resumo em Português:

RESUMO Historicamente, a agricultura tem contribuído muito para as emissões globais de gases de efeito estufa devido ao uso de máquinas movidas a combustíveis fósseis durante o ciclo de produção. Nos últimos anos, houve uma necessidade urgente de substituir o consumo de combustível fóssil devido às crescentes ameaças associadas às mudanças climáticas. Este artigo apresenta uma revisão dos últimos estudos publicados na área de energia no setor agrícola, com enfoque específico no Brasil. Com base nas tendências de pesquisa observadas nos últimos anos (2012-2020), os resultados tendem a apontar para a melhoria das práticas atuais ao invés de estudar alternativas para o consumo de combustíveis fósseis, com publicações recentes (2020-2021) que continuam essa tendência, principalmente por meio do mercado. e estudos baseados em indicadores. Conforme relatado na literatura revisada, a produção de fumo apresenta a maior demanda de energia, enquanto a produção de trigo, cana-de-açúcar e eucalipto apresenta o maior potencial de produção de etanol. Tanto a produção de colza quanto a de jatropha compartilham um potencial maior para a produção de biodiesel do que a soja. Das 14 safras consideradas neste estudo, quatro apresentaram superávit energético negativo: fumo, laranja, arroz e algodão.

Resumo em Inglês:

ABSTRACT Historically, agriculture has been a large contributor to the global green house gas emissions due to the use of fossil fuel-powered machinery during the production cycle. In recent years, there has been a pressing need to replace fossil fuel consumption given the increasing threats associated with climate change. This paper presents a review of the latest studies published in the field of energy in the agricultural sector, with a specific focus on Brazil. Based on the research trends observed over the last few years (2012-2020), findings tend to point towards improving current practices rather than studying alternatives to fossil fuel consumption, with recent publications (2020-2021) continuing this trend, primarily via market- and indicator-based studies. As reported in the reviewed literature, tobacco production has the largest energy demand, while wheat, sugarcane, and eucalyptus production have the greatest ethanol production potential. Both rapeseed and jatropha production share greater biodiesel production potential than soybean. Of the 14 crops considered in this study, four had a negative energy surplus: tobacco, orange, rice, and cotton.

Resumo em Português:

RESUMO O agronegócio brasileiro vem se modernizando pela intensa adoção de tecnologias, com aumento de produtividade e redução de riscos. Mais recentemente, observa-se um crescente aumento no uso das tecnologias digitais no campo, fazendo emergir a chamada Agricultura Digital. Neste contexto, este artigo apresenta o Programa de Aceleração de startups, denominado TechStart Agro Digital, uma iniciativa da Embrapa Informática Agropecuária e da aceleradora Venture Hub com o apoio de vários atores do ecossistema de inovação agrícola. Este trabalho apresenta a metodologia de aceleração tecnológica e de negócios com foco no agronegócio, proposta pelas duas instituições, ilustrando sua aplicação no primeiro ciclo do programa em 2019. Os resultados demonstram que as 11 startups graduadas no Programa demonstraram um aperfeiçoamento e crescimento após os 6 meses de aceleração, viabilizando a proposição de tecnologias mais consolidadas e focadas nos reais problemas da agricultura. O acompanhamento pós-programa indica que estas AgTechs têm auxiliado o produtor rural, efetiva e eficazmente, agregando valor à agricultura brasileira.

Resumo em Inglês:

ABSTRACT The Brazilian agribusiness sector has been witnessing increasing modernization, caused by the extensive adoption of technologies, with increase in productivity and reduction of risks In addition, the use of digital technologies in farms has recently been increasing, engendering the emerging field of digital agriculture. In this context, this article presents a startup acceleration program, called TechStart Agro Digital, an initiative of Embrapa Agricultural Informatics and Venture Hub with the support of various stakeholders in the agricultural innovation ecosystem. Further, this article presents a methodology for technological and business acceleration focused on agribusinesses, which was proposed by the two institutions, and its application in the first cycle of the program in 2019. The results show that the 11 startups that graduated from the program demonstrated an improvement and growth six months after the acceleration program, and validate the potential of the program in facilitating the development of technologies that are more consolidated and focused on the real problems of agriculture. The post-program follow-up indicates that these agricultural technology startups and organizations (AgTechs) have helped rural producers effectively and efficiently, thereby adding value to Brazilian agriculture.