O aumento do uso de agrotóxicos na agricultura tem impactos na saúde humana, nos trabalhadores agrícolas e no ambiente. Nesse contexto, o Objetivo de Desenvolvimento Sustentável 2 (ODS 2), estabelecido pela Organização das Nações Unidas (ONU) promove ações agrícolas sustentáveis, fortalecendo a importância da adoção de estratégias agroecológicas e tecnologias para o manejo localizado de plantas daninhas que reduzam o uso de agrotóxicos sem prejudicar a produtividade agrícola e a produção de alimentos Diante disso, o uso de aeronaves remotamente pilotadas (RPAs) equipadas com câmeras para aquisição de imagens surge como uma alternativa promissora para o manejo localizado de plantas daninhas, porém, existem desafios tecnológicos a serem superados para a plena adoção dessa tecnologia. Dessa forma, o presente estudo tem como objetivo avaliar o desempenho de um algoritmo classificador na geração de mapas para aplicação localizada de herbicidas. Para produção do mapa de aplicação localizada de herbicidas, foram realizados voos com RPA em áreas comerciais produtoras de soja de primeira safra e milho de segunda safra para aquisição de imagens georreferenciadas. Posteriormente, realizou-se a correção das coordenadas GNSS pelo método cinemático pós-processado (PPK) para obtenção de precisão centimétrica das imagens capturadas. As imagens foram processadas para gerar ortomosaicos, que foram a fonte de entrada para o algoritmo avaliado gerar os mapas de aplicação localizada. Para avaliar os mapas gerados, foram coletados dados de referência em campo para gerar o mapa da verdade de campo, e empregou-se a metodologia da matriz de confusão de duas classes para avaliar o desempenho do algoritmo, permitindo a análise dos números de acertos, erros, cálculo dos indicadores de desempenho, além de verificar a correlação entre o mapa da verdade de campo e o mapa gerado pelo algoritmo. Os resultados dos indicadores de desempenho alcançaram valores médios de 0,78 para precisão, 0,95 para revocação, 0,77 para acurácia, 0,80 para F-score, 0,59 para Matthews correlation coefficient (MCC) e 0,56 de coeficiente de correlação linear de Pearson, indicando que o algoritmo teve desempenho superior para identificar plantas daninhas com área projeta no solo maiores que 400 cm². O uso de algoritmos de inteligência artificial (IA) para classificação de imagens aéreas demonstrou ser uma técnica promissora para identificação de plantas daninhas e aplicação localizada de herbicidas. No entanto, são necessários ajustes e aprimoramentos no algoritmo avaliado, visando aperfeiçoar sua precisão e confiabilidade, principalmente para identificação de plantas daninhas com área projetada no solo menores que 400 cm².

The increased use of pesticides in agriculture has impacts on human health, agricultural workers, and the environment. In this context, Sustainable Development Goal 2 (SDG 2), established by the United Nations (UN), promotes sustainable agricultural practices, emphasizing the importance of adopting agroecological strategies and technologies for targeted weed management that reduce pesticide use without compromising agricultural productivity and food production. In this regard, the use of remotely piloted aircraft systems (RPAS) equipped with cameras for image acquisition emerges as a promising alternative for targeted weed management. However, there are technological challenges that need to be overcome for the full adoption of this technology. Therefore, the present study aims to evaluate the performance of a classifier algorithm in generating maps for localized herbicide application. To produce the map for localized herbicide application, RPAS flights were conducted in commercial areas producing first-season soybean and second-season corn for georeferenced image acquisition. Subsequently, the GNSS coordinates were corrected using the post-processed kinematic (PPK) method to obtain centimeter-level accuracy of the captured images. The images were processed to generate orthomosaics, which served as input for the evaluated algorithm to generate the maps for localized application. To evaluate the generated maps, reference data were collected in the field to create the ground truth map, and a two-class confusion matrix methodology was employed to assess the algorithm's performance, allowing for analysis of the numbers of true positives, true negatives, false positives, and false negatives, calculation of performance indicators, and verification of the correlation between the ground truth map and the map generated by the algorithm. The performance indicators yielded average values of 0.78 for precision, 0.95 for recall, 0.77 for accuracy, 0.80 for F-score, 0.59 for the Matthews correlation coefficient (MCC), and 0.56 for the Pearson linear correlation coefficient. These results indicate that the algorithm performed better in identifying weeds with projected areas on the ground larger than 400 cm². The use of artificial intelligence (AI) algorithms for aerial image classification has shown to be a promising technique for weed identification and localized herbicide application. However, adjustments and improvements need to be made to the evaluated algorithm in order to enhance its precision and reliability, especially for identifying weeds with projected areas on the ground smaller than 400 cm².