Discriminação de classes de teores de nitrogênio e de clorofila foliares e de produtividade do feijoeiro usando sistema de sensoriamento remoto de baixo custo | Leaf nitrogen and chlorophyll contentsand yield of common beans discrimination using low cost remote sensing system

Objetivou-se desenvolver classificadores com base em diferentes combinações de bandas e índices de vegetação de imagens originais, segmentadas e reflectâncias, para discriminação de teores de nitrogênio e clorofila foliares e produtividade do feijoeiro, definindo a melhor época e as melhores variáveis.A primeira fase deste trabalho consistiu em avaliar um sistema de calibração radiométrica e estudar a relação entre os índices de vegetação e o índice de área foliar. O experimento foi conduzido com os tratamentos arranjados num fatorial 3 x 4, três doses de nitrogêniona semeadura (0, 20 e 40kg ha-1) e quatro doses de nitrogênio em cobertura (0, 20, 40 e 60kg ha-1), com cinco repetições, segundo o delineamento em blocos casualizados, no Setor de Agronomia da Universidade Federal de Viçosa Campus Florestal, em Florestal-MG, no período de março a julho de 2010, safra do feijão da seca.Foi utilizado um sistema de sensoriamento remoto constituído por um balão a gás hélio e duas câmeras digitais de pequeno formato. Além das bandas isoladamente, foram testados quatro índices de vegetação: da razão simples (RS), da diferença normalizada (NDVI), da diferença normalizada utilizando a banda do verde (GNDVI) e o da absorção de clorofila modificado (MCARI1). O sistema de calibração radiométrica foi capaz de corrigir as variações nas intensidades dos pixels causadas pelas mudanças de iluminação do ambiente. Os modelos de regressão dos índices de vegetação em função do logarítmico do índice de área foliar foram os que tenderam apresentar os melhores ajustes para explicar a relação em estudo, ou seja, maiores valores para o teste F da regressão e maiores valores dos coeficientes de determinação.Os classificadores demonstraram serem eficientes na discriminação de teores de nitrogênio e clorofila foliares e produtividade. A melhor época para discriminar teor de nitrogênio foliar foi aos 13 DAE (dias após a emergência). Os melhores classificadores para esta época utilizaram como entrada dois índices em imagens reflectância segmentada, um índice relacionado com a estrutura do dossel e outro relacionado com a clorofila, com Kappa variando entre 0,26 a 0,31. Para discriminar teor de clorofila foliar, a melhor época foi aos 21 DAE. O melhor classificador utilizou como entrada duas imagens originais, uma da banda vermelha e outra da banda azul, com Kappa de 0,47. Para discriminar as classes de produtividade, os classificadores testados no início de desenvolvimento do feijoeiro, ou seja, aos 13 e 26 DAE, foram as mais recomendadas. O melhor classificador aos 13 DAE utilizou como entrada uma banda do verde, em imagem segmentada, com Kappa de 0,22. O melhor classificador aos 26 DAE utilizou a combinação de duas bandas do visível, R e G, em imagens originais, com Kappa de 0,21.

This study aimed to develop classifiers based on different combination of spectral bands and vegetation indices of original, segmented and reflectance images for nitrogen and chlorophyll contents and yield for discriminating common beans. To define the best time for obtaining the crop spectral characteristics was also aimed by this study.The first phase of work was to evaluate a radiometric calibration system and to study the relationship between vegetation indices and leaf area index.The research was developed with the treatments arranged in a factorial 3 x 4, three N rates applied at planting (0, 20 e 40 kg ha-1) and four N rates applied sidedress(0, 20, 40 e 60 kg ha-1), according to the randomize block design with five replicates, in the Agronomy field of UFV/Florestal, Florestal-MG, from March to June of 2010, considered to be the dry common beans season. It was used a remote sensing platform with a helium balloon and two small-format digital cameras. In addition to the spectral bands alone, it was tested four vegetation indices: simple ratio (RS), red normalized difference (NDVI), green normalized difference (GNDVI) and modified chlorophyll absorption (MCAIR1). The radiometric calibration system was able to correct for variations in the intensities of the pixels caused by changes in lighting conditions. The regression models between the vegetation indices and logarithm of the leaf area index were those which tended to present the best fit to explain the relationship under study. This procedure resulted in higher values for the test F of regression and higher values of coefficients of determination.The classifiers proved to be efficient in the discrimination of leaf nitrogen and chlorophyll contents and yield. The best time to determine leaf N content was at 13 DAE (days after emergence), with Kappa ranging from 0.26 to 0.31. This result was obtained when using two vegetation indices from segmented images, an index related to the canopy structure and another related to chlorophyll. The best time to discriminate chlorophyll content was at 21 DAE, with Kappa of 0.47, when using red and blue bands from original images.The better times to discriminate yield were at 13 and 26 DAE. The best time to discriminate yield was at 13 DAE, with Kappa of 0.22, when using green band from segmented images.The best time to discriminate yield was at 26 DAE, with Kappa of 0.21, when using red and green bands from original images.

Conselho Nacional de Desenvolvimento Científico e Tecnológico