The monitoring and determination of peanut maturity are fundamental to reducing losses during digging operation. However, the methods currently used are laborious and subjective. To solve this problem, we developed models to access peanut maturity using images from unmanned aerial vehicles (UAV) and satellites. We evaluated an area of approximately 8 hectares in which a regular grid of 30 points was determined with weekly evaluations starting at 90 days after sowing. Two Artificial Neural Networking (ANN) were used with Radial Basis Function (RBF) and Multilayer Perceptron (MLP) to predict the Peanut Maturity Index (PMI) with the spectral bands available from each sensor. Several vegetation indices were used as input to the ANN, with the data being split 80/20 for training and validation, respectively. The vegetation index, Normalized Difference Red Edge Index (NDRE), was the most precise coefficient of determination (R² = 0.88) and accurate mean absolute error (MAE = 0.06) for estimating PMI, regardless of the type of ANN used. The satellite with Normalized Difference Vegetation Index (NDVI) could also determine PMI with better accuracy (MAE = 0.05) than the NDRE. The performance evaluation indicates that the RBF and MLP networks are similar in predicting peanut maturity. We concluded that satellite and UAV images can predict the maturity index with good accuracy and precision.

PROTOTIPAGEM E CALIBRAÇÃO DE CLOROFILÔMETRO DE BAIXO CUSTO COMPOSTO POR LDR’S PARA DETERMINAÇÃO DE NDVI MARIANA DIAS MENESES1, WELINGTON GONZAGA DO VALE2, EDSON PATTO PACHECO3, ADILSON MACHAFO ENES4, PATRICIA AZEVEDO CASTELO BRANCO DO VALE5 1 Pós graduanda em Ciência do Solo, agronomia, Faculdade de Ciências Agrarias e Veterinárias – FCAV/Unesp, Via de acesso Professor Paulo Donato Castelane Castellane S/N, 14884-900, Jaboticabal, São Paulo, Brasil, marianadiasm19@gmail.com. 2 Professor doutor, engenharia agrícola, Universidade Federal de Sergipe, Avenida Marechal Rondon Jardim s/n, Rosa Elze, 49100-000, São Cristóvão, Sergipe, Brasil, valewg@gmail.com. 3 Pesquisador Embrapa Tabuleiros Costeiros, Av. Beira Mar, 3250, Jardins, 49025-040, Aracaju, Sergipe, Brasil, edson.patto@embrapa.br. 4 Professor doutor, engenharia agrícola, Universidade Federal de Sergipe, Avenida Marechal Rondon Jardim s/n, Rosa Elze, 49100-000, São Cristóvão, Sergipe, Brasil, adilsonenes@gmail.com. 5 Professora doutora, zootecnia, Universidade Federal de Sergipe,A v. Vinte e Seis de Setembro, 1126, Nova Esperança, Nossa Senhora da Glória, Sergipe, Brasil, patriciaacbvale@hotmail.com. RESUMO: O presente projeto teve como objetivo desenvolver e calibrar um clorofilômetro de baixo custo usando materiais do mercado local e reciclados. Leituras de NDVI (Índice de Vegetação por Diferença Normalizada) foram feitas às 11:00 em superfícies de asfalto, vegetação saudável, vegetação seca, mistura de vegetação seca e saudável e brita, todas a uma distância de 60 cm. Seus resultados de sensoriamento foram comparados aos do sensor GreenSeeker®. O custo para construção do aparato foi 83,2% menor que o valor de mercado do GreenSeeker® sendo o coeficiente de correlação da leitura feita pelos dois sensores, maior que 0,90. O clorofilômetro desenvolvido com baixo custo mostrou-se viável para aplicação em campo e acessível economicamente. Palavras-chave: agricultura de precisão, índice de vegetação por diferença normalizada, fotoresistor. PROTOTYPING AND CALIBRATION OF A LOW COST CHLOROPHILOMETER COMPOSED BY LDR’S FOR DETERMINING NDVI This project aimed to develop and calibrate a low-cost chlorophilometer using locally sourced and recycled materials. NDVI (Normalized Difference Vegetation Index) readings were taken at 11:00 a.m. on asphalt surfaces, healthy vegetation, dry vegetation, mixture of dry and healthy, and gravel, all of them at a distance of 60 cm. Its sensing results were compared to the GreenSeeker® sensor. The cost to build the apparatus was 88.3% less than the market value of the GreenSeeker® and the correlation coefficient of reading made by the two sensors, was greater than 0.90. The chlorophilometer developed at low cost, proved to be viable for field applications and economically accessible. Keywords: precision agriculture, photoresistor, normalized difference vegetation index.

A soja-hortaliça, mesmo com recente notoriedade na alimentação ocidental, é pouco explorada quanto ao desempenho de cultivares e forma de manejo. Este trabalho teve como objetivo avaliar o desempenho agronômico e eficiência econômica de cultivares de soja-hortaliça em função de doses de cama aviária. O experimento foi conduzido em Aquidauana, MS, Brasil. Foram estudados seis tratamentos em esquema fatorial 2 x 4, sendo duas cultivares de soja-hortaliça (BRS 232 e a BRS 267) e quatro doses de cama aviária (6, 12, 18, 24 t ha-1). O delineamento experimental adotado foi de blocos casualizados com quatro repetições. Foram avaliados os seguintes parâmetros agronômicos: altura da planta, altura de inserção da primeira vagem, peso de 100 grãos imaturos, produtividade de vagens verdes, produtividade total de grãos imaturos e número de vagens por planta, bem como os seguintes índices econômicos: renda bruta, renda líquida, taxa de retorno e índice de lucratividade. O melhor desempenho agronômico e eficiência econômica foram obtidas com 16,36 t ha-1 e 6 t ha-1, respectivamente, com destaque para cultivar BRS 232. Entretanto, para cultivar BRS 267 não foi possível o ajuste de equações para os índices econômicos e agronômicos estudados, exceto para altura de inserção da primeira vagem e peso de 100 grãos. A cama aviária é, portanto, uma opção de baixo custo e rentável ao produtor ao mesmo tempo que supre as demandas nutricionais da soja-hortaliça.

Heat stress is a central determinant of dairy welfare, milk production, and management stability in warm regions, yet barn decisions still rely on multi-factor environmental indices, such as the temperature-humidity index (THI), black globe humidity index (BGHI), and comfort enthalpy index (CEI). Precision livestock farming increasingly couples environmental monitoring with imaging, physiology, and machine learning, but routine barn control still depends on a small set of robust signals. We therefore asked whether conventional environmental heat-stress classes can be recovered from only dry-bulb temperature and relative humidity in a compost-barn dairy. We analyzed 6,624 environmental observations collected every 10 minutes over 46 days in Sergipe, Brazil. Each observation was classified as suitable, alert, danger, or emergency according to thresholds for THI, BGHI, and CEI. Decision tree (DT) and artificial neural network (ANN) models were trained under full-input and reduced-input scenarios. The barn was dominated by actionable heat-risk states, with mean THI, BGHI, and CEI values of 76.6, 77.2, and 70.6, respectively. ANN consistently preserved class structure under reduced inputs, achieving accuracies of 0.97 for THI, 0.92 for BGHI, and 0.94 for CEI using dry-bulb temperature and relative humidity alone. Corresponding DT accuracies were 0.87, 0.86, and 0.75. Remaining ANN errors were concentrated at adjacent class boundaries. These results establish a reduced-input environmental classification framework that recovers conventional heat-stress classes with high fidelity in a tropical compost barn. The study identifies dry-bulb temperature and relative humidity as a compact operational core for environmental screening and rapid management response to rising heat load.