Caracterização do teor de nitrogênio foliar e produtividade do feijoeiro com técnicas de visão artificial | Characterization of leaf nitrogen content of bean plants with techniques of machine vision

O feijão é um dos componentes básicos da dieta alimentar da população brasileira e importante fonte de proteína. O Brasil é o maior produtor e maior consumidor mundial, porém com um rendimento médio inferior aos dos Estados Unidos e China. Com a necessidade de aumentar a produtividade da lavoura de maneira eficiente e a preocupação com a questão ambiental, nos últimos anos aumentou o interesse dos produtores no uso de novas tecnologias como a utilização das técnicas de agricultura de precisão. Portanto, visando os conceitos de agricultura de precisão o objetivo deste trabalho foi avaliar a discriminação de classes de nitrogênio (N) foliar, a partir de índices de vegetação e clorofilômetro portátil, e classes de produtividade do feijoeiro, a partir de índices de vegetação. O experimento constou de duas safras ( seca e inverno de 2007). O delineamento experimental utilizado foi o de blocos casualizados, com tratamentos distribuídos em esquema fatorial 5 x 6, com três repetições, totalizando 90 parcelas. Os tratamentos foram constituídos por cinco doses de N (0, 20, 30, 40 e 50 kg ha-1) aplicadas na semeadura e seis doses de N (0, 20, 30, 40, 60 e 80 kg ha-1) aplicadas em cobertura na forma de uréia, totalizando 30 tratamentos. Os índices de vegetação foram extraídos de imagens digitais, obtidas por meio de um sistema composto por duas câmeras digitais, obtendo ao mesmo instante, duas imagens da mesma cena (uma na banda do visível e outra na banda do infravermelho próximo). As mesmas folhas utilizadas para obter o valor SPAD foram coletadas para determinar o teor de N presente nas folhas. Os teores de N foliar foram distribuídos em classes baixa, satisfatória e alta. A produtividade também foi dividida em classes baixa, média e alta. Para discriminar classes de N e produtividade, foram desenvolvidos classificadores estatísticos. Para discriminar classes de N foliar, foram utilizadas todas as possíveis combinações dos oito índices de vegetação e valores SPAD coletados antes da adubação em cobertura. Para discriminar classes de produtividade, foram utilizadas todas as possíveis combinações dos oito índices de vegetação extraídos das imagens coletadas após a adubação em cobertura. Com a utilização do medidor de clorofila SPAD 502 a discriminação entre as doses de N aplicadas na semeadura foi possível nos dois experimentos estudados: no experimento 1 aos 25 DAE e no experimento 2 aos 28 DAE. O valor SPAD correlacionou-se positivamente com o teor de N nas folhas no feijoeiro, tendo a maior correlação aos 12 DAE. Nos dois experimento, os índices de vegetação não correlacionaram com os valores de N foliar, mas com a produtividade essa correlação foi positiva e maior com o avanço dos dias após a emergência. No experimento 1 não foi possível desenvolver classificadores para discriminar as classes de N foliar, pois os valores de N foliar estavam acima do nível considerado satisfatório, incluindo todos os dados na classe alta. A utilização dos índices de vegetação como vetor de característica não foi útil na discriminação das classes de N foliar, tendo apresentado coeficiente Kappa baixo, classificados como razoável e ruim aos 20 e 28 dias após a emergência (DAE), respectivamente, no experimento 2. Quando utilizou-se o valor SPAD os resultados foram melhores, apresentando coeficiente Kappa classificados como bom e muito bom aos 20 e 28 DAE, respectivamente. Na discriminação de classes de produtividade, o maior coeficiente Kappa (44%) encontrado foi aos 64 DAE, no experimento 1, já no experimento 2 esse coeficiente Kappa foi maior (76%) aos 49 DAE. Os índices de vegetação foram eficientes na discriminação das classes de produtividade, e a combinação de mais de um índice foi importante devido ao efeito conjunto das variáveis.

Beans are one of the basic human nutrition components in Brazil and an important source of protein. Brazil is the major world producer and consumer, but has an average yield less than that of the USA and China. In the last years, the necessity to efficiently increase crop productivity and keep concerning with environmental issues has increased the producer interest in the use of new technologies such as precision agriculture techniques. The objective of this study was to evaluate the discrimination of leaf nitrogen (N) content classes using vegetation indices and chlorophyll meter measurements, and the discrimination of bean yield classes using the vegetation indices. The research considered two crop harvests ( dry crop and winter crop of 2007). The experiment was developed in randomized block design, with treatments in factorial scheme 5x6, with three replicates, summarize 90 plots. The treatments consisted of five different sowing N fertilization rates (0, 20, 30, 40 and 50 kg ha-1) and six different rates of topdressing N fertilization (0, 20, 30, 40, 60 and 80 kg ha-1) on urea composite. The vegetation indices were extracted from digital images, acquired using a system composed of two digital cameras. Therefore, the system acquired two images of the same scene at the same time (one in visible and the other in a near infrared spectral bands). The same leaves used to obtain the SPAD values were collected to determine the leaf N content. The leaf N content was sorted in low, medium and high classes. The yield was sorted in low, medium and high classes as well. In order to discriminate N and yield classes statistical classifiers were developed. To discriminate leaf N content classes, all possible combinations were used among the eight vegetation indices and SPAD values collected before topdressing fertilization. In order to discriminate yield classes, all possible combinations were used among the eight vegetation indices collected after topdressing fertilization. The chlorophyll SPAD measurements discriminated among the different rates of N applied on sowing in the two harvest seasons: in the first harvest season, at 25 day after emergence (DAE) and, in the second harvest, at 28 DAE. The SPAD value was correlated positively with leaf N content on the bean crop, having a greater correlation at 12 DAE. In the two crop harvests, the vegetation indices did not correlate with leaf N content values, but with the yield this correlation was positive and greater with the increase in days after emergence. In the first experiment, it was not possible to develop classifiers to discriminate leaf N content class, because the leaf N content values were higher than the considered tolerable levels, classifying all data into the high class. The use of the vegetation indices as characteristics vector was not useful on the leaf N content class discrimination, showing a low Kappa coefficient, classified as acceptable at 20 DAE and bad at 28 DAE, in the second experiment. When using SPAD measurements, the results improved, and Kappa coefficients were classified as good and very good at 20 and 28 DAE, respectively. Yield class discrimination obtained the greatest Kappa coefficient (44%) at 64 DAE in the first experiment, and, in the second experiment, the Kappa coefficient was greatest (76%) at 49 DAE. The vegetation indices were efficient in the discrimination of yield classes, and the combination of more than one vegetation index was important due to the variables group effect.

Conselho Nacional de Desenvolvimento Científico e Tecnológico