Determinação do índice de cobertura vegetal em sistemas de manejo do solo com plantas de cobertura, utilizando veículo aéreo não tripulado com câmera fotográfica digital embarcada
DOI:
https://doi.org/10.5433/1679-0359.2019v40n1p49Palavras-chave:
Índice de cobertura vegetal, Imagem RGB, Índice de vegetação, Veículo aéreo não tripulado.Resumo
O monitoramento permanente da cobertura vegetal é importante para garantir o manejo sustentável das atividades agrícolas, com relevante papel na redução da erosão hídrica. Este monitoramento pode ser realizado por meio de diferentes indicadores, como os índices de cobertura vegetal. Nesse artigo o índice de cobertura de vegetação foi obtido usando imagens RGB não-calibradas, geradas a partir de câmera fotográfica digital embarcada em um veículo aéreo não tripulado (VANT). Além disso, foi feito um estudo comparativo de 11 índices de vegetação. Os índices de vegetação CIVE e EXG apresentaram melhor desempenho e o índice WI apresentou o pior desempenho na classificação da vegetação durante o ciclo das culturas de feijão-de-porco e milheto, conforme a acurácia global e o coeficiente Kappa. Os índices de vegetação se apresentaram como uma ferramenta eficaz na obtenção dos índices de cobertura de solo, quando comparados ao método padrão de Stocking, exceto para o índice WI. A arquitetura e o ciclo das culturas milheto e o feijão-de-porco influenciaram no comportamento dos índices de vegetação estudados. Os índices de vegetação gerados à partir de imagens RGB obtidas por VANT mostraram ser mais práticos e eficientes, permitindo o monitoramento com maior frequência e abrangência de área durante o ciclo das culturas.Downloads
Referências
AGISOFT. Agisoft PhotoScan User Manual. Petersburg: Agisoft LLC, 2017. Available at: . Accessed at: 6 aug. 2017.
ARROYO, J.; GUIJARRO, M.; PAJARES, G. An instance-based learning approach for thresholding in crop images under different outdoor conditions. Computers and Electronics in Agriculture, Athens, v. 127, p. 669-679, 2016.
BENDIG, J.; YU, K.; AASEN, H.; BOLTEN, A.; BENNERTZ, S.; BROSCHEIT, J.; GNYP, M. L.; BARETH, G. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. International Journal of Applied Earth Observation and Geoinformation, Amsterdam, v. 39, p. 79-87, 2015.
CAMPBELL, J. B.; WYNNE, R. H. Digital imagery. In: CAMPBELL, J. B.; WYNNE, R. H. (Ed.). Introduction to remote sensing. 5th ed. New York: The Guilford Press, 2011, p. 101-130.
CARDOSO, D. P.; SILVA, M. L. N.; CARVALHO, G. J. de; FREITAS, D. A. F. de; AVANZI, J. C. Plantas de cobertura no controle das perdas de solo, água e nutrientes por erosão hídrica. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 16, n. 6, p. 632-638, 2012.
CARUSO, G.; TOZZINI, L.; RALLO, G.; PRIMICERIO, J.; MORIONDO, M.; PALAI, G.; GUCCI, R. Estimating biophysical and geometrical parameters of grapevine canopies (’Sangiovese’) by an unmanned aerial vehicle (UAV) and VIS-NIR cameras. Vitis - Journal of Grapevine Research, Siebeldingen, v. 56, n. 2, p. 63-70, 2017.
DANDOIS, J. P.; OLANO, M.; ELLIS, E. C. Optimal altitude, overlap, and weather conditions for computer vision UAV estimates of forest structure. Remote Sensing, Basel, v. 7, n. 10, p. 13895-13920, 2015.
FAUSTOLO, D.; BISPO, A.; LEANDRO, M.; SILVA, N.; PONTES, L. M.; GUIMARÃES, D. V. Soil, water , nutrients and soil organic matter losses by water erosion as a function of soil management in the Posses sub-watershed , Extrema , Minas Gerais , Brazil. Semina: Ciências Agrarias, Londrina, v. 38, n. 4, p. 1813-1824, 2017.
FERREIRA, D. F. Estatística básica. Lavras: Editora UFLA, 2005. 664 p.
FOODY, G. Assessing the accuracy of remotely sensed data: principles and practices. The Photogrammetric Record, Nottingham, v. 25, n. 130, p. 204-205, 2010.
GILABERT, M.; GONZÁLEZ-PIQUERAS, J.; GARCI?A-HARO, F.; MELIÁ, J. A generalized soil-adjusted vegetation index. Remote Sensing of Environment, Amsterdam, v. 82, n. 2-3, p. 303-310, 2002.
GUIJARRO, M.; PAJARES, G.; RIOMOROS, I.; HERRERA, P. J.; BURGOS-ARTIZZU, X. P.; RIBEIRO, A. Automatic segmentation of relevant textures in agricultural images. Computers and Electronics in Agriculture, Athens, v. 75, n. 1, p. 75-83, 2011.
GUIMARAES, D. V.; SILVA, M. L. N.; BISPO, D. F. A.; MARTINS, S. G.; MELO NETO, J. D. O.; MARTINS, R. P.; CURI, N. Water erosion associated with rainfall patterns in the extreme South of Bahia in eucalyptus post-planting. Semina: Ciências Agrárias, Londrina, v. 38, n. 4, p. 2463, 2017. Supplement 1.
HILBE, J. M. Logistic regression models. New York: Taylor & Francis.2009. 53 p.
JAFARI GOLDARAG, Y.; MOHAMMADZADEH, A.; ARDAKANI, A. S. Fire risk assessment using neural network and logistic regression. Journal of the Indian Society of Remote Sensing, Berlin, v. 44, n. 6, p. 885-894, 2016.
KAZMI, W.; GARCIA-RUIZ, F. J.; NIELSEN, J.; RASMUSSEN, J.; JØRGEN ANDERSEN, H. Detecting creeping thistle in sugar beet fields using vegetation indices. Computers and Electronics in Agriculture, Athens, v. 112, p. 10-19, 2015.
LI, Y.; CHEN, D.; WALKER, C. N.; ANGUS, J. F. Estimating the nitrogen status of crops using a digital camera. Field Crops Research, Amsterdam, v. 118, n. 3, p. 221-227, 2010.
LIMA, P. L. T.; SILVA, M. L. N.; CURI, N.; QUINTON, J. Soil loss by water erosion in areas under maize and jack beans intercropped and monocultures. Ciência e Agrotecnologia, Lavras, v. 38, n. 2, p. 129-139, 2014.
MARCHANT, J. A.; ONYANGO, C. M. Shadow-invariant classification for scenes illuminated by daylight. Journal of the Optical Society of America, Washington, v. 17, n. 11, p. 1952-1961, 2000.
MARRERO, D. F.; DELGADO, L. E. P.; IAÑEZ, N. C.; CALERO, C. M.; RODRÍGUEZ, M. L.; PÉREZ, L. R.; RODRÍGUEZ, L. C. Cubierta vegetal con Teramnus labialis en plantaciones citrícolas: efectos sobre algunas propiedades físicas del suelo. Semina: Ciências Agrárias, Londrina, v. 30, n. 4, p. 1073, 2009. Supplement 1.
MOTOHKA, T.; NASAHARA, K. N.; OGUMA, H.; TSUCHIDA, S. Applicability of green-red vegetation index for remote sensing of vegetation phenology. Remote Sensing, Amsterdam, v. 2, n. 10, p. 2369-2387, 2010.
PASSOS, R. R.; COSTA, L. M.; BURAK, D. L.; SANTOS, D. A. Quality indices in degraded pasture in hilly relief. Semina: Ciências Agrárias, Londrina, v. 36, n. 4, p. 2465-2482, 2015.
PURCELL, L. C.; MOZAFFARI, M.; KARCHER, D. E.; ANDY KING, C.; MARSH, M. C.; LONGER, D. E. Association of “Greenness” in corn with yield and leaf Nitrogen concentration. Agronomy Journal, Madison, v. 103, n. 2, p. 529-535, 2011.
SABERIOON, M. M.; AMIN, M. S. M.; ANUAR, A. R.; GHOLIZADEH, A.; WAYAYOK, A.; KHAIRUNNIZA-BEJO, S. Assessment of rice leaf chlorophyll content using visible bands at different growth stages at both the leaf and canopy scale. International Journal of Applied Earth Observation and Geoinformation, Amsterdam, v. 32, p. 35-45, 2014.
SANTOS, C. A. G.; SUZUKI, K.; WATANABE, M.; SRINIVASAN, V. S. Influência do tipo da cobertura vegetal sobre a erosão no semi-árido Paraibano. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v. 4, n. 1, p. 92-96, 2000.
SPERANDIO, H. V.; CECÍLIO, R. A.; CAMPANHARO, W. A.; CARO, C. F. DEL; HOLLANDA, M. P. DE. Avaliação da erosão hidrica pela alteração na superfície do solo em diferentes coberturas vegetais de uma sub-bacia hidrográfica no Município de Alegre, ES. Semina:Ciâncias Agrarias, Londrina, v. 33, n. 4, p. 14110-1418, 2012.
STOCKING, M. A. Assessing vegetative cover and management effects. In: LAL, R. (Ed.). Soil erosion research methods. 2. ed. Ankeny: Soil and Water Conservation Society, 1994. p. 163-185.
TORRES-SÁNCHEZ, J.; PEÑA, J. M.; CASTRO, A. I. DE; LÓPEZ-GRANADOS, F. Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV. Computers and Electronics in Agriculture, Athens, v. 103, p. 104-113, 2014.
TUCKER, C. J. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, Amsterdam, v. 8, n. 2, p. 127-150, 1979.
WOEBBECKE, D. M.; MEYER, G. E.; BARGEN, K. V. O. N.; MORTENSEN, D. A. Color indices for weed identification under various soil, residue, and lighting conditions. Transactions of the ASAE, Michigan, v. 38, n. 1, p. 259-269, 1995.
YU, Z.; CAO, Z.; WU, X.; BAI, X.; QIN, Y.; ZHUO, W.; XIAO, Y.; ZHANG, X.; XUE, H. Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage. Agricultural and Forest Meteorology, Amsterdam, v. 174-175, p. 65-84, 2013.
ZHENG, Y.; ZHU, Q.; HUANG, M.; GUO, Y.; QIN, J. Maize and weed classification using color indices with support vector data description in outdoor fields. Computers and Electronics in Agriculture, Athens, v. 141, p. 215-222, 2017.
ZHONGMING, W.; LEES, B. G.; FENG, J.; WANNING, L.; HAIJING, S. Stratified vegetation cover index: A new way to assess vegetation impact on soil erosion. Catena, Amsterdam, v. 83, n. 1, p. 87-93, 2010.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2019 Semina: Ciências Agrárias
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Semina: Ciências Agrárias adota para suas publicações a licença CC-BY-NC, sendo os direitos autorais do autor, em casos de republicação recomendamos aos autores a indicação de primeira publicação nesta revista.
Esta licença permite copiar e redistribuir o material em qualquer meio ou formato, remixar, transformar e desenvolver o material, desde que não seja para fins comerciais. E deve-se atribuir o devido crédito ao criador.
As opiniões emitidas pelos autores dos artigos são de sua exclusiva responsabilidade.
A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua e a credibilidade do veículo. Respeitará, no entanto, o estilo de escrever dos autores. Alterações, correções ou sugestões de ordem conceitual serão encaminhadas aos autores, quando necessário.
