The direct examination of plant canopy temperature can assist in optimizing citrus irrigation management in greenhouses. This study aimed to develop a method to measure canopy temperature using thermal imaging in one-year-old citrus plants in a greenhouse to identify plants with water stress and verify its potential to be used as a tool to assess citrus water status. The experiment was conducted for 48 days (27 November 2019 to 13 January 2020). We evaluated the influence of five levels of irrigation on two citrus species (‘Red Ruby’ grapefruit (Citrus paradisi) and ‘Valencia’ sweet orange (Citrus sinensis (L.) Osbeck)). Images were taken using a portable thermal camera and analyzed using open-source software. We determined canopy temperature, leaf photosynthesis and transpiration, and plant biomass. The results indicated a positive relationship between the amount of water applied and the temperature response of plants exposed to different water levels. Grapefruit and sweet orange plants that received less water and were submitted to water restrictions showed higher canopy temperatures than the air (up to 6 °C). The thermal images easily identified water-stressed plants. Our proof-of-concept study allowed quickly obtaining the canopy temperature using readily available equipment and can be used as a tool to assess citrus water status in one-year-old citrus plants in greenhouses and perhaps in commercial operations with mature trees in the field after specific experimentation. This technique, coupled with an automated system, can be used for irrigation scheduling. Thus, setting up a limit temperature is necessary to start the irrigation system and set the irrigation time based on the soil water content. To use this process on a large scale, it is necessary to apply an automation routine to process the thermal images in real time and remove the weeds from the background to determine the canopy temperature.

A crescente preocupação mundial com a produção eficiente de energia e com os recursos hídricos exige desenvolver estratégias que economizem água sem redução da produtividade. Assim, objetivou-se determinar as lâminas de irrigação que resultem na máxima produtividade e uso eficiente de água para duas cultivares de batata-doce. Lâminas equivalentes a 50, 75, 100 e 125% da evapotranspiração da cultura (ETc), calculadas por meio do software Irriplus, foram aplicadas via gotejamento. A produtividade de raízes tuberosas foi determinada após 187 e 208 dias de cultivo das cultivares de batata-doce Amanda e Duda, respectivamente. A maior produtividade (49,8 t ha-1) de raízes tuberosas pelas plantas da 'Amanda' foi obtida com uma lâmina acumulada de 325,5 mm (95,2% da ETc), enquanto que para 'Duda' a lâmina que proporcionou maior produtividade (67,1 t ha-1) foi de 347,0 mm (100,4% da ETc). A diferença de produtividade entre as cultivares foi de 25,8%, com aumento no consumo de água pela cultivar Duda de 21,5 mm (6,2% maior). Isso indica que 'Duda' apresentou maior eficiência no uso da água. O aumento na lâmina de água aplicada resultou no aumento da eficiência no uso da água (EUA), até atingir um valor máximo de 16,1 kg m-3, com a aplicação de 301,8 mm (87,3% da ETc) para 'Amanda' e de 20,0 kg m-3, com a aplicação de 332,4 mm (96,2% da ETc) para 'Duda'. A produtividade referente à máxima EUA foi de 48,6 t ha-1, com uma economia de 23,7 mm, representando redução de apenas 1,2 t ha-1 na produtividade da cultivar Amanda. Para 'Duda', a produtividade equivalente à máxima EUA foi de 66,3 t ha-1, com uma economia de 14,6 mm e redução de 0,8 t ha-1, quando comparada à produtividade real. As lâminas recomendadas para 'Amanda' e 'Duda', nas condições edafoclimáticas de condução desta pesquisa, foram de 301,8 e 332,4 mm, respectivamente.

Devido às poucas informações sobre as práticas de cultivo do capim-limão (Cymbopogon citratus, DC.) objetivou-se avaliar o efeito de lâminas de irrigação sobre: a produção de biomassa, o rendimento e composição do óleo essencial. O experimento foi instalado em ambiente protegido para possibilitar o controle das lâminas de irrigação e avaliar a viabilidade para situações em que as condições climáticas normais sejam inadequadas. O delineamento experimental foi em blocos inteiramente casualizados com cinco tratamentos e três repetições. Os dados foram submetidos à análise de variância pelo tese F e as médias comparadas pelo teste de Tukey a 5% de probabilidade. Na etapa um, os tratamentos consistiram da aplicação de lâminas referentes a 50%, 75%, 100%, 125% da evapotranspiração da cultura (ETc), irrigando duas vezes por semana e de 100% da evapotranspiração da cultura (ETc), irrigando uma vez por semana, sendo denominados de T1, T2, T3, T4 e T5, respectivamente. Na etapa dois, os tratamentos consistiram da aplicação de lâminas referentes a 50%, 75%, 100%, 125% da ETc irrigando uma vez por semana e de 100% da ETc, irrigando a cada 14 dias, sendo denominados de T6, T7, T8, T9 e T10 respectivamente. O corte do capim-limão foi realizado após 60 dias do início dos tratamentos. Avaliou-se a altura de plantas, o número de perfilhos por touceira, a massa seca da parte aérea, o rendimento e a composição do óleo essencial. O T5, caracterizado por estresse hídrico e intervalo de irrigação moderado, foi o que apresentou a maior produção de matéria seca, maior produtividade do capim-limão e maior estimativa da produtividade de óleo essencial e maior concentração de citral, na primeira etapa. Na etapa dois, o T6, correspondente ao estresse hídrico crescente e acentuado, foi o que apresentou maior estimativa da produtividade de óleo essencial. De acordo com os resultados observados, não foi possível definir a melhor lâmina, porém, concluiu-se que uma única irrigação semanal, para as condições estudadas neste experimento promoveu o melhor resultado.

This study aimed to determine how crop residue placement and composition would affect soil water content and temperature during the dry season in the central region of Espírito Santo state, Brazil. A 19-week field study was conducted from April to August 2017. A 2 x 4 factorial study with four replications was implemented using a randomized complete block design. Factors were soil management [conventional tillage (CT) and no soil disturbance (ND)] and residue amendment [maize (Zea mays L.), sunn hemp (Crotalaria juncea L.), a maize-sunn hemp mixture, and a no amendment control]. Soil water content and temperature were measured weekly at predetermined soil depth intervals. Soil water content was higher in ND plots amended with surface residues than under all other treatments in the 0 to 0.05 m depth range. All residue amendments in this range were equally effective in conserving soil water. Surface residues reduced soil temperature by up to 8.4 °C relative to the control in ND plots. Incorporating residue amendments by CT cancelled all temperature-moderating benefits provided by surface residues. These results indicate that surface residues from cereals, legumes, or cereal/legume mixtures are equally effective in conserving soil water and moderating soil temperature during the dry season. Additional research is needed to determine how improved soil environmental conditions, generated by surface residues, would affect nutrient acquisition and crop performance.

The accurate assessment of plant disease severity is crucial for effective crop management. Deep learning, especially via CNNs, is widely used for image segmentation in plant lesion detection, but accurately assessing disease severity across varied environmental conditions remains challenging. This study evaluates eight deep learning models for detecting and quantifying Cercospora leaf spot (Cercospora capsici) severity in chili peppers under natural field conditions. A custom dataset of 1645 chili pepper leaf images, collected from a Brazilian plantation and annotated with 6282 lesions, was developed for real-world robustness, reflecting real-world variability in lighting and background. First, an algorithm was developed to process raw images, applying ROI selection and background removal. Then, four YOLOv8 and four Mask R-CNN models were fine-tuned for pixel-level segmentation and severity classification, comparing one-stage and two-stage models to offer practical insights for agricultural applications. In pixel-level segmentation on the test dataset, Mask R-CNN achieved superior precision with a Mean Intersection over Union (MIoU) of 0.860 and F1-score of 0.924 for the mask_rcnn_R101_FPN_3x model, compared to 0.808 and 0.893 for the YOLOv8s-Seg model. However, in severity classification, Mask R-CNN underestimated higher severity levels, with an accuracy of 72.3% for level III, while YOLOv8 attained 91.4%. Additionally, YOLOv8 demonstrated greater efficiency, with an inference time of 27 ms versus 89 ms for Mask R-CNN. While Mask R-CNN excels in segmentation accuracy, YOLOv8 offers a compelling balance of speed and reliable severity classification, making it suitable for real-time plant disease assessment in agricultural applications.

Divulgação de conteúdo acadêmico: notícias, congressos, artigos de revistas e congressos, dissertações, teses e livros.