VIGOR VEGETATIVO DE CULTURA DE MILHO OBTIDO POR MEIO DE ÍNDICES DE VEGETAÇÃO EM IMAGENS DE SENSORES ORBITAL E AÉREO

L.S. Santana; G.A e S. Ferraz; L.M. Santos; D.A. Maciel; R.A.P. Barata; Ã‰. F. Reynaldo; G. Rossi

doi:10.18011/bioeng2019v13n3p195-206

Autores

L.S. Santana
G.A e S. Ferraz
L.M. Santos
D.A. Maciel
R.A.P. Barata
Ã‰. F. Reynaldo
G. Rossi

DOI:

https://doi.org/10.18011/bioeng2019v13n3p195-206

Palavras-chave:

Sensoriamento Remoto, vigor vegetativo, agricultura de precisão, Sistemas de Aeronaves não tripuladas

Resumo

Atualmente, imagens de veículos aéreos não tripulados (VANTs) estão sendo utilizadas devido à sua alta resolução espacial e temporal. Estudos comparando diferentes plataformas de aquisição de dados móveis, como os satélites, são importantes devido à limitada resolução espacial e temporal de alguns satélites, bem como da presença de nuvens em tais imagens. O objetivo deste estudo foi comparar os índices de vegetação (IVs) gerados a partir de imagens obtidas por plataformas orbitais (satélite) e suborbitais (VANT). O experimento foi conduzido em uma área de cultivo de milho no Paraná, Brasil. Imagens Landsat 8 e VANT da área de estudo foram coletadas. Quatro IVs foram aplicados: NDVI, VIgreen, ExG e VEG. O NDVI foi selecionado como controle e comparado com os outros IVs. Houve uma boa correlação (0,79) entre o NDVI e o VEG para as imagens do VANT. Para as imagens Landsat, a maior correlação encontrada foi entre o NDVI e o VIgreen derivado de imagens VANT, que foi de 0,89. Conclui-se que as imagens obtidas pelos VANTs geraram melhores índices, principalmente na estação seca.

Downloads

Não há dados estatísticos.

Referências

ADÃO, T.; HRUÅ KA, J.; PÁDUA, L.; BESSA, J.; PERES, E.; MORAIS, R.; SOUSA, J. Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote Sensing, v. 9(11): 11-10, 2007.

AGISOFT. Software Agisoft PhotoScan. available in: http://www.agisoft.ru/products/photoscan/professional/buy/educational/. Access in: April, 2019.

DI LENA, P.; MARGARA, L. Optimal global alignment of signals by maximization of Pearson correlation. Information Processing Letters, v. 110, n. 16: 679-686, 2010.

DING, Y.; ZHAO, K.; ZHENG, X.; JIANG, T. Temporal dynamics of spatial heterogeneity over cropland quantified by time-series NDVI, near infrared and red reflectance of Landsat 8 OLI imagery. International Journal of Applied Earth Observation and Geoinformation, v. 30, n. 1: 139–145, 2014.

DUAN, T.; CHAPMAN, S. C.; GUO, Y.; ZHENG, B. Dynamic monitoring of NDVI in wheat agronomy and breeding trials using an unmanned aerial vehicle. Field Crops Research, v. 210: 71–80, 2017.

EMBRAPA – Empresa Brasileira de Pesquisas Agropecuária, Sistema Brasileiro de Classificação dos Solos, 590p. 5. ed. 2018.

GITELSON, A. A.; KAUFMAN, Y. J.; STARK, R.; RUNDQUIST, D. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, v. 80, n. 1: 76–87, 2002.

GRAESSER, J.; RAMANKUTTY, N. Detection of cropland field parcels from Landsat imagery. Remote Sensing of Environment, v. 201: 165–180, 2017.

HE, Z.; DU, J.; ZHAO, W.; YANG, J.; CHEN, L.; ZHU, X.; CHANG, X.; LIU, H. Assessing temperature sensitivity of subalpine shrub phenology in semi-arid mountain regions of China. Agricultural and Forest Meteorology, v. 213: 42–52, 2015.

JACKSON, T. J.; CHEN, D.; COSH, M.; LI, F.; ANDERSON, M.; WALTHALL, C.; DORIASWAMY, P.; HUNT, E. R. Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans. Remote Sensing of Environment, v. 92, n. 4: 475–482, 2004.

JARLAN, L.; MANGIAROTTI, S.; MOUGIN, E.; MAZZEGA, P.; HIERNAUX, P.; LE DANTEC, V. Assimilation of SPOT/VEGETATION NDVI data into a sahelian vegetation dynamics model. Remote Sensing of Environment, v. 112, n. 4: 1381–1394, 2008.

JIN, X.; KUMAR, L.; LI, Z.; FENG, H.; XU, X.; YANG, G.; WANG, J. A review of data assimilation of remote sensing and crop models. European Journal of Agronomy, v. 92: 141–152, 2018.

MADUGUNDU, R.; AL-GAADI, K. A.; TOLA, E.; KAYAD, A. G.; JHA, C. S. Estimation of gross primary production of irrigated maize using Landsat-8 imagery and Eddy Covariance data. Saudi Journal of Biological Sciences, v. 24, n. 2: 410–420, 2017.

MATHER P, M. Computer processing of remotely-sensed images: an introduction. New York: John Wiley & Sons; 1999. p. 292.

MARCHANT, J. A.; ONYANGO, C. M. Shadow-invariant classification for scenes illuminated by daylight. Journal of the Optical Society of America A, v. 17, n. 11: 1952-1961, 2000.

MU, Y.; LIU, X.; WANG, L. A Pearson's correlation coefficient-based decision tree and its parallel implementation. Information Sciences, v. 435: 40–58, 2018.

QGIS DEVELOPMENT TEAM. QGIS Geographic Information System. Open Source Geospatial Foundation Project. URL:http://qgis.osgeo.org. Access in: April, 2019.

SILVA, R. DE S. V. Uso de imagens multiespectrais de baixo custo para classificar níveis de N aplicados ao solo em agricultura de precisão. Dissertação. 56p. 2016.

ROUSE, J. W.; HAAS, R. H.; SCHEEL, J. A.; DEERING, D. W. Monitoring Vegetation Systems in the Great Plains with ERTS. 3rd Earth Resource Technology Satellite (ERTS) Symposium. In Proc. Conf: 309-317, 1973.

SAYAGO, S.; OVANDO, G.; BOCCO, M. Landsat images and crop model for evaluating water stress of rainfed soybean. Remote Sensing of Environment, v. 198: 30–39, 2017.

TORRES-SÁNCHEZ, J.; PEÑA, J. M.; DE CASTRO, A. I.; LÓPEZ-GRANADOS, F. Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV. Computers and Electronics in Agriculture, v. 103: 104–113, 2014.

WOEBBECKE, D. M.; MEYER, G. E.; VON BARGEN, K.; MORTENSEN, D. A. Shape features for identifying young weeds using image analysis. Transactions of the ASAE (American Society of Agricultural Engineers), v. 38, n. 1, p. 271–281, 1995.

ZHANG, C.; KOVACS, J. M. The application of small unmanned aerial systems for precision agriculture: A review. Precision Agriculture, v. 13, n. 6: 693–712, 2012.

ZHANG, J.; YANG C.; SONG, H.; HOFFMANN, W.; ZHANG, D.; ZHANG, G. Evaluation of an airborne remote sensing platform consisting of two consumer-grade cameras for crop identification. Remote Sensing, v. 8, n. 3, p. 257, 2016.