Prototipação de Sensoriamento Embarcado de Fósforo e Potássio no Solo -SEPKS

Abstract

O agronegócio no Brasil tem crescido significativamente, destacando-se especialmente na produção de soja e milho, sendo um dos principais motores do PIB do país. Em 2023, o PIB brasileiro superou as expectativas, alcançando R$ 10,9 trilhões, com um crescimento de 15,1% nas atividades agrícolas. O setor enfrenta desafios relacionados à sustentabilidade e produtividade, e as novas tecnologias têm sido fundamentais para superá-los, como destaca DUAIK (2023). A Agricultura 4.0 e a agricultura de precisão, que utilizam drones e sensores, são exemplos de inovações que permitem uma gestão mais eficiente dos recursos. Este estudo visa analisar a precisão de um protótipo de um sensor de solo, comparando seus resultados com análises laboratoriais para verificar sua eficácia na medição de fósforo e potássio no solo. A pesquisa utiliza uma abordagem quantitativa e descritiva, destacando a importância da validação dos dados fornecidos pelos sensores. Resultados preliminares mostram divergências entre as medições do sensor e do laboratório, porém a aplicação de aprendizado de máquina melhorou a precisão das medições, indicando potencial para futuras aplicações e desenvolvimentos.

The agribusiness sector in Brazil has grown significantly, particularly excelling in the production of soybeans and corn, and stands as one of the main drivers of the country's GDP. In 2023, the Brazilian GDP surpassed expectations, reaching R$ 10.9 trillion, with a 15.1% growth in agricultural activities. The sector faces challenges related to sustainability and productivity, and new technologies have been fundamental in overcoming these challenges, as highlighted by DUAIK (2023). Agriculture 4.0 and precision agriculture, which utilize drones and sensors, are examples of innovations that enable more efficient resource management. This study aims to analyze the accuracy of a soil sensor prototype by comparing its results with laboratory analyses to verify its effectiveness in measuring phosphorus and potassium in the soil. The research adopts a quantitative and descriptive approach, emphasizing the importance of validating the data provided by the sensors. Preliminary results show discrepancies between the sensor and laboratory measurements, but the application of machine learning improved the precision of the measurements, indicating potential for future applications and developments.