Protocolo de processamento de imagens RGB aéreas para identificação de genótipos potenciais de milho em fase vegetativa

Barbara Nascimento Santos; Nartênia Susane Costa Aragão; Mário Sérgio Rodrigues Barreto; Henrique Rocha Azevedo Santos; Jacilene Francisca Souza Santos; José Jairo Florentino Cordeiro Junior; Gustavo Hugo Ferreira de Oliveira

Autores

Barbara Nascimento Santos Universidade Federal de Sergipe (UFS) https://orcid.org/0000-0002-1689-7399
Nartênia Susane Costa Aragão Universidade Federal de Sergipe (UFS) https://orcid.org/0000-0003-3409-3236
Mário Sérgio Rodrigues Barreto Universidade Federal de Sergipe (UFS) https://orcid.org/0000-0002-4037-4328
Henrique Rocha Azevedo Santos Universidade Federal de Sergipe (UFS) https://orcid.org/0000-0001-6940-022X
Jacilene Francisca Souza Santos Universidade Federal de Sergipe (UFS) https://orcid.org/0000-0001-5109-3663
José Jairo Florentino Cordeiro Junior Universidade Federal de Sergipe (UFS) https://orcid.org/0000-0002-1138-8309
Gustavo Hugo Ferreira de Oliveira Universidade Federal de Sergipe (UFS) https://orcid.org/0000-0002-3839-6261

Palavras-chave:

Melhoramento de plantas, Índices de vegetação, Zea mays L

Resumo

Resumo: Objetivou-se avaliar um protocolo de imagens RGB, para identificação da produtividade de grãos do milho antes da maturidade fisiológica em região semiárida. Utilizou-se o DBC, com duas repetições para avaliar 50 genótipos de milho. Realizou-se dois voos em diferentes datas, 27 e 46 dias após o plantio (DAP) com alturas de 40, 60 e 80 m. Utilizou-se 29 índices de vegetação. A análise de variância evidenciou a variabilidade genética entre os genótipos, permitindo a seleção de materiais promissores. Com as repetibilidades dos índices de vegetação, determinou-se a melhor data para voo. As estimativas dos BLUP temporais, permitiram categorizar os materiais como sendo de alto ou baixo desempenho, considerando a média da produtividade de grãos e a distinção dos materiais mais produtivos durante o estágio fenológico vegetativo da cultura. Recomenda-se, portanto, a realização de voos com 27 DAP, a uma altura de 80 m. Os índices de vegetação TGI e Green demonstraram ser indicativos para previsão precoce do potencial produtivo dos materiais. Indica-se manter a área experimental livre de interferências bióticas e abióticas e conduzir voos adicionais, otimizando assim a fenotipagem por imagens aéreas.

Downloads

Não há dados estatísticos.

Biografia do Autor

Barbara Nascimento Santos, Universidade Federal de Sergipe (UFS)

Mestranda em Agricultura e Biodiversidade na Universidade Federal do Sergipe – UFS. E-mail: barbaranascimento2804@gmail.com. ORCID: https://orcid.org/0000-0002-1689-7399.

Nartênia Susane Costa Aragão, Universidade Federal de Sergipe (UFS)

Graduanda em Engenharia Agronômica na Universidade Federal do Sergipe – UFS. E-mail: nartenia.aragao@gmail.com. ORCID: https://orcid.org/0000-0003-3409-3236.

Mário Sérgio Rodrigues Barreto, Universidade Federal de Sergipe (UFS)

Graduando em Engenharia Agronômica na Universidade Federal do Sergipe – UFS. E-mail: mzs.esc@gmail.com. ORCID: https://orcid.org/0000-0002-4037-4328.

Henrique Rocha Azevedo Santos, Universidade Federal de Sergipe (UFS)

Graduando em Engenharia Agronômica na Universidade Federal do Sergipe – UFS. E-mail: rique999@academico.ufs.br.

Jacilene Francisca Souza Santos, Universidade Federal de Sergipe (UFS)

Doutoranda em Agricultura e Biodiversidade na Universidade Federal do Sergipe – UFS. E-mail: jacilenesantos_14@hotmail.com. ORCID: https://orcid.org/0000-0001-5109-3663.

José Jairo Florentino Cordeiro Junior, Universidade Federal de Sergipe (UFS)

Doutor em Engenharia Agrícola. Professor na Universidade Federal de Sergipe – UFS. E-mail: jairofcordeiro@academico.ufs.br. ORCID: https://orcid.org/0000-0002-1138-8309.

Gustavo Hugo Ferreira de Oliveira, Universidade Federal de Sergipe (UFS)

Doutor em Agronomia. Professor na Universidade Federal de Sergipe – UFS. E-mail: gustavooliveira@academico.ufs.br. ORCID: https://orcid.org/0000-0002-3839-6261.

Referências

ALVARES, C. A. et al. Koppen’s climate classification map for Brazil. Meteorologische Zeitschrift. v. 22, n. 6, p. 711-728, 2013. Disponível em: http://dx.doi.org/10.1127/0941-2948/2013/0507. Acesso em: 22 jan. 2024.

ANDERSON, S. L. et al. Prediction of maize grain yield before maturity using improved temporal height estimates of unmanned aerial systems. The Plant Phenome Journal, v. 2, n. 1, p. 1-15, 2019. Disponível em: https://doi.org/10.2135/tppj2019.02.0004. Acesso em: 22 jan. 2023.

ASADZADEH, S.; SOUZA FILHO, C. R. Investigating the capability of WorldView-3 superspectral data for direct hydrocarbon detection. Remote Sensing of Environment, v. 173, p. 162-173, 2016. Disponível em: https://doi.org/10.1016/j.rse.2015.11.030. Acesso em: 22 jan. 2024.

BENDIG, J. et al. 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, v. 39, p. 79-87, 2015. Disponível em: https://doi.org/10.1016/j.jag.2015.02.012. Acesso em: 22 jan. 2024.

BURGOS-ARTIZZU, X. P. et al. Real-time image processing for crop/weed discrimination in maize fields. Computers and Electronics in Agriculture, v. 75, n. 2, p. 337-346, 2011. Disponível em: https://doi.org/10.1016/j.compag.2010.12.011. Acesso em: 22 jan. 2024.

CECCATO, P. et al. Detecting vegetation leaf water content using reflectance in the optical domain. Remote sensing of environment, v. 77, n. 1, p. 22-33, 2001. Disponível em: https://doi.org/10.1016/S0034-4257(01)00191-2. Acesso em: 22 jan. 2024.

CONAB. Companhia Nacional de Abastecimento. Acompanhamento da Safra Brasileira de Grãos, Brasília, DF, v. 10, safra 2022/23, n. 8 oitavo levantamento, maio 2023. Disponível em: https://www.conab.gov.br/info-agro/safras/graos/boletim-da-safra-de-graos. Acesso em 15 mai. 2023.

FARIAS NETO, J. T.; YOKOMIZO, G.; BIANCHETTI, A. Coeficientes de repetibilidade genética de caracteres em pupunheira. Revista Brasileira de Fruticultura, v. 24, p. 731-733, 2002. Disponível em: https://doi.org/10.1590/S0100-2945200200030004. Acesso em: 22 jan. 2024.

FURUYA, D. E. G. et al. Prediction of insect-herbivory-damage and insect-type attack in maize plants using hyperspectral data. International Journal of Applied Earth Observation and Geoinformation, v. 105, p. 102608, 2021. Disponível em: https://doi.org/10.1016/j.jag.2021.102608. Acesso em: 22 jan. 2024.

GITELSON, A. A. et al. Novel algorithms for remote estimation of vegetation fraction. Remote sensing of Environment, v. 80, n. 1, p. 76-87, 2002. Disponível em: https://doi.org/10.1016/S0034-4257(01)00289-9. Acesso em: 22 jan. 2024.

GUIJARRO, M. et al. Automatic segmentation of relevant textures in agricultural images. Computers and Electronics in Agriculture, v. 75, n. 1, p. 75-83, 2011. Disponível em: https://doi.org/10.1016/j.compag.2010.09.013. Acesso em: 22 jan. 2024.

GURGEL, F. L.; FERREIRA, D. F.; SOARES, A. C. S. O coeficiente de variação como critério de avaliação em experimentos de milho e feijão. Belém, PA: Embrapa Amazônia Oriental-Boletim de Pesquisa e Desenvolvimento, p. 80, 2013. Disponível em: https://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/955896. Acesso: em 15 mai. 2023.

HAGUE, T.; TILLETT, N. D.; WHEELER, H. Automated crop and weed monitoring in widely spaced cereals. Precision Agriculture, v. 7, p. 21-32, 2006. Disponível em: https://doi.org/10.1007/s11119-005-6787-1. Acesso em: 22 jan. 2024.

HERZIG, P.; et al. Evaluation of RGB and Multispectral Unmanned Aerial Vehicle (UAV) Imagery for High-Throughput Phenotyping and Yield Prediction in Barley Breeding. Remote Sensing, v. 13, n. 14, p. 2670, 7 jul. 2021. Disponível em: https://doi.org/10.3390/rs13142670. Acesso em: 22 jan. 2024.

HUNT, E. R. et al. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status. Precision Agriculture, v. 6, p. 359-378, 2005. Disponível em: https://doi.org/10.1007/s11119-005-2324-5. Acesso em: 22 jan. 2024.

HUNT JR, E. R. et al. Remote sensing leaf chlorophyll content using a visible band index. Agronomy journal, v. 103, n. 4, p. 1090-1099, 2011. Disponível em: https://doi.org/10.2134/agronj2010.0395. Acesso em: 22 jan. 2024.

HU, P. et al. Phenomic selection and prediction of maize grain yield from near‐infrared reflectance spectroscopy of kernels. The Plant Phenome Journal, v. 3, n. 1, p. e20002, 2020. Disponível em: https://doi.org/10.1002/ppj2.20002. Acesso em: 22 jan. 2024.

LANE, H. M. et al. Phenomic selection and prediction of maize grain yield from near‐infrared reflectance spectroscopy of kernels. The Plant Phenome Journal, v. 3, n. 1, p. e20002, 2020. Disponível em: https://doi.org/10.1002/ppj2.20002. Acesso em: 22 jan. 2024.

LIU, J. G.; MOORE, J. McM. Hue image RGB colour composition. A simple technique to suppress shadow and enhance spectral signature. International Journal of Remote Sensing, v. 11, n. 8, p. 1521-1530, 1990. Disponível em: https://doi.org/10.1080/01431169008955110. Acesso em: 22 jan. 2024.

LOUHAICHI, M; BORMAN, M. M.; JOHNSON, D. E. Spatially located platform and aerial photography for documentation of grazing impacts on wheat. Geocarto International, v. 16, n. 1, p. 65-70, 2001. Disponível em: https://doi.org/10.1080/10106040108542184. Acesso em: 22 jan. 2024.

KATAOKA, T. et al. Crop growth estimation system using machine vision. In: Proceedings 2003 IEEE/ASME international conference on advanced intelligent mechatronics (AIM 2003). IEEE, v. 2, 2003. p. b1079-b1083. Disponível em: https://doi.org/10.1109/AIM.2003.1225492. Acesso em: 22 jan. 2024.

KAWASHIMA, S.; NAKATANI, M. An algorithm for estimating chlorophyll content in leaves using a video camera. Annals of Botany, v. 81, n. 1, p. 49-54, 1998. Disponível em: https://doi.org/10.1006/anbo.1997.0544. Acesso em: 22 jan. 2024.

MAES, W. H.; STEPPE, K. Perspectives for remote sensing with unmanned aerial vehicles in precision agriculture. Trends in plant science, v. 24, n. 2, p. 152-164, 2019. Disponível em: https://doi.org/10.1016/j.tplants.2018.11.007. Acesso em: 22 jan. 2024.

MEYER, G. E. et al. Intensified fuzzy clusters for classifying plant, soil, and residue regions of interest from color images. Computers and electronics in agriculture, v. 42, n. 3, p. 161-180, 2004. Disponível em: https://doi.org/10.1016/j.compag.2003.08.002. Acesso em: 22 jan. 2024.

MEYER, G. E.; NETO, J. C. Verification of color vegetation indices for automated crop imaging applications. Computers and electronics in agriculture, v. 63, n. 2, p. 282-293, 2008. Disponível em: https://doi.org/10.1016/j.compag.2008.03.009. Acesso em: 22 jan. 2024.

PEREZ, A. J. et al. Colour and shape analysis techniques for weed detection in cereal fields. Computers and electronics in agriculture, v. 25, n. 3, p. 197-212, 2000. Disponível em: https://doi.org/10.1016/S0168-1699(99)00068-X. Acesso em: 22 jan. 2024.

QIU, R. et al. Detection of the 3D temperature characteristics of maize under water stress using thermal and RGB-D cameras. Computers and Electronics in Agriculture, v. 191, p. 106551, 2021. Disponível em: https://doi.org/10.1016/j.compag.2021.106551. Acesso em: 22 jan. 2024.

SANTANA, D. C. et al. UAV-based multispectral sensor to measure variations in corn as a function of nitrogen topdressing. Remote Sensing Applications: Society and Environment, v. 23, p. 100534, 2021. Disponível em:https://doi.org/10.1016/j.rsase.2021.100534. Acesso em: 22 jan. 2024.

SANTOS, E. F. N.; SOUSA, I. F. D.; LEITE, I. V. Regiões Homogêneas em Sergipe Agrupadas Através dos índices Climáticos. Revista Brasileira de Meteorologia, v. 37, n. 4, p. 477–489, out. 2022. Disponível em: http://dx.doi.org/10.1590/0102-77863740053. Acesso em: 22 jan. 2024.

SILVA, A. F.; REGITANO NETO, A.; NETO, A. R. As principais culturas anuais e bianuais na agricultura familiar. Agricultura Familiar, p. 45, 2019. Acesso em: 22 jan. 2024.

TETILA, E. C. et al. Detection and classification of soybean pests using deep learning with UAV images. Computers and Electronics in Agriculture, v. 179, p. 105836, 2020. Disponível em: https://doi.org/10.1016/j.compag.2020.105836. Acesso em: 22 jan. 2024.

TUCKER, C. J. Red and photographic infrared linear combinations for monitoring vegetation. Remote sensing of Environment, v. 8, n. 2, p. 127-150, 1979. Disponível em: https://doi.org/10.1016/0034-4257(79)90013-0. Acesso em: 22 jan. 2024.

WOEBBECKE, D. M. et al. Color indices for weed identification under various soil, residue, and lighting conditions. Transactions of the ASAE, v. 38, n. 1, p. 259-269, 1995. Disponível em: https://doi.org/10.13031/2013.27838. Acesso em: 22 jan. 2024.

WOEBBECKE, D. M. et al. A. Shape features for identifying young weeds using image analysis. Transactions of the ASAE, v. 38, n. 1, p. 271-281, 1995. Disponível em: https://doi.org/10.13031/2013.27839. Acesso em: 22 jan. 2024.

WILBER, A. L.; CZARNECKI, J. M. P.; MCCURDY, J. D. An ArcGIS Pro workflow to extract vegetation indices from aerial imagery of small plot turfgrass research. Crop Science, 62, 503–511, 2022. Disponível em: https://doi.org/10.1002/csc2.20669. Acesso em: 22 jan. 2024.

ZARCO-TEJADA, P. J. et al. Assessing vineyard condition with hyperspectral indices: Leaf and canopy reflectance simulation in a row-structured discontinuous canopy. Remote Sensing of Environment, v. 99, n. 3, p. 271-287, 2005. Disponível em: https://doi.org/10.1016/j.rse.2005.09.002. Acesso em: 22 jan. 2024.