Soybean is one the most cultivated crops in the world. Looking to improve soybean production in a more sustainable way, it is imperative for farmers to make better management practices, improving the economic return and reducing the negative impact on the environment. Thus, yield data becomes an essential data layer that can support farmers to boost the management practices related to the soybean crop. Commonly, soybean yield data are obtained from combine harvester equiped with yield monitor or by agrometeorological models. Both present limitations regarding the data usage. For example, yield monitor data quality are affected by the sensor system that require data filtering process and agrometeorological yield models are limited to the amount of predictor variables required and its spatial and temporal resolution. Thus, aware of these limitations, it becomes an opportunity to investigate new methods to estimate soybean yield at the field level considering soybean yield and yield component data availability and the advances of technological applications in agriculture. The objectives of this study were to: (a) analyze the relationship among soybean yield and its components (number of grains - NG and thousand grains weight -TGW) in a worldwide range from available data and propose a yield estimation model based on yield components and (b) make an exploratory analysis on two dimensions (2D) methods to obtain data related to soybean yield from plants at the R8 phenological stage. Initially, it was conducted a literature review to gather soybean yield and its components data to compose the training dataset. Linear regression models based on soybean yield components were fitted on the training dataset and evaluated on a validation dataset composed of 58 samples collected at the field level. To conduct the exploratory analysis of image processing techniques on soybean, images were taken at the field level from a consumer-grade camera, then basic image processing techniques were applied followed by the application of a Boolean-based algorithm to detect the soybean components. As a result, it was generated three linear regression models: the first based on the TGW, the second based on NG and the third based on TGW and NG. The yield model based on NG presented the highest prediction accuracy, indicating that NG can be a potential yield component to be used as predictor variable. The exploratory analysis of the application of image processing techniques on RGB images provided potential results that support further investigation to improve image processing to gather NG data. Aiming to improve the detection of the yield components through image processing, it was found important steps that must be applied before application of the Boolean-based algorithm such as thresholding. In this study, it is proposed a new soybean yield estimation model relying on the use of one predictor variable (NG) and also, it is presented a potential image processing method that allows gathering NG data from soybean RGB images taken at the field level.

A soja é uma das culturas agrícolas mais cultivadas no mundo e para aumentar a sua produção de forma sustentável, os produtores devem aplicar técnicas de manejo mais conscientes considerando não apenas o maior retorno econômico, mas também a redução do impacto negativo ambiental. Para isso, os dados de produtividade apresentam-se como camadas de dados fundamentais que podem auxiliá-los no manejo. A estimativa da produtividade da soja é geralmente obtida por monitores de produtividade e por modelos agrometeorológicos, os quais apresentam limitações relacionados ao uso de seus dados. Por exemplo, a qualidade dos dados provenientes dos monitores de produtividades é afetada pela condição do sistema sensor, tornando obrigatório a realização de uma filtragem de dados. Já, os modelos agrometeorológicos são limitados não apenas pela quantidade de variáveis necessária em seu modelo, mas também pela resolução espacial e temporal. Ciente das limitações dos métodos atuais, torna-se oportuno investigar novos métodos para estimar a produtividade da soja no campo considerando a disponibilidade de acesso a dados de produtividade da soja e suas componentes e dos avanços tecnológicos na agricultura. Os objetivos foram: (a) analisar as relações da produtividade da soja e suas componentes (número de grãos - NG e massa de mil grãos - TGW) a partir de dados publicados e propor um modelo para estimar a produtividade da soja e (b) realizar uma análise exploratória para obtenção de dados das componentes de produtividade da soja a partir de métodos bidimensionais (2D) em plantas no estádio fenológico R8. Inicialmente, foi conduzida uma revisão bibliográfica para obtenção de dados de produtividade da soja e suas componentes para compor o conjunto de dados de treinamento. A partir dele, modelos de regressão linear foram ajustados e, posteriormente, testados em um conjunto de dados de validação composto por 58 amostras de campo. A análise exploratória do processamento de imagens foi realizada com imagens de soja obtidas em condição de campo a partir de um sensor de uma câmera comercial. As imagens obtidas foram submetidas ao tratamento básico de imagem seguida da aplicação de um algoritmo booleano para detectar as componentes da produtividade. Como resultado, foram gerados três modelos de regressão linear: o primeiro com base na TGW, o segundo ajustado pelo NG e o terceiro relacionado com TGW e NG. O modelo com base em NG apresentou melhor acurácia, indicando que a variável NG é uma potencial componente de produtividade que pode ser utilizada como variável preditora. A análise exploratória da aplicação do processamento de imagens RGB gerou resultados que auxiliam trabalhos futuros para aprimorar as técnicas de processamento de imagem para obtenção da varíavel NG. Para que a detecção da componente de produtividade seja aprimorada, foram identificadas etapas importantes que devem ser aplicadas antes do uso do algoritmo booleano, como a limiarização. Neste estudo foi proposto um modelo para estimar a produtividade da soja a partir de uma variável preditora (NG) e também foi apresentado um potencial método de processamento de imagem para obtenção desta variável a partir de imagem RGB obtida em campo.