Protocolo de procesamiento de imágenes aéreas RGB para la identificación de potenciales genotipos de maíz en estado vegetativo
Palabras clave:
Mejoramiento vegetal, Índices de vegetación, Zea mays lResumen
Resumen: El objetivo fue evaluar un protocolo de imágenes RGB para identificar la productividad del grano de maíz antes de la madurez fisiológica en una región semiárida. Se utilizó DBC, con dos repeticiones para evaluar 50 genotipos de maíz. Se realizaron dos vuelos en diferentes fechas, 27 y 46 días después de la siembra (DAP) con alturas de 40, 60 y 80 m. Se utilizaron 29 índices de vegetación. El análisis de varianza destacó la variabilidad genética entre genotipos, lo que permitió la selección de materiales prometedores. Con la repetibilidad de los índices de vegetación se determinó la mejor fecha para el vuelo. Las estimaciones del BLUP temporal permitieron categorizar los materiales como de alto o bajo rendimiento, considerando la productividad promedio del grano y la distinción de los materiales más productivos durante la etapa fenológica vegetativa del cultivo. Por ello se recomienda realizar vuelos a las 27 DAP, a una altura de 80 m. Los índices TGI y Vegetación verde resultaron indicativos para la predicción temprana del potencial productivo de los materiales. Se recomienda mantener el área experimental libre de interferencias bióticas y abióticas y realizar vuelos adicionales, optimizando así el fenotipado mediante imágenes aéreas.
Descargas
Citas
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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
- Los autores mantienen los derechos autorales y conceden a la revista el derecho de primera publicación y de traducción, con el trabajo simultáneamente licenciado bajo la licencia Creative Commons Attribution (CC BY-NC-SA 4.0) que permite compartir el trabajo con el reconocimiento de la autoría y publicación inicial en esta revista.
- Los autores tienen autorización para asumir contratos adicionales separadamente, para distribución no exclusiva de la versión del trabajo publicada en esta revista (ej.: publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
- Los autores tienen permiso y son motivados a publicar y distribuir su trabajo online (ej.: repositorios institucionales o en su site personal) en cualquier punto, antes o durante el proceso editorial, ya que eso puede generar alteraciones productivas, así como aumentar el impacto y la citación del trabajo publicado (Vea El efecto acceso libre).
