Evaluate yield and nitrogen stress in corn using digital images

A agricultura de precisão é uma nova tecnologia que pode ser considerada como a habilidade em se monitorar e acessar a atividade agrícola em nível local. Contudo, uma das maiores dificuldades para a implementação dessa nova tecnologia é a falta de modelos para estimar a variabilidade espacial de variáveis envolvidas no sistema. Uma das alternativas para a estimativa da variabilidade espacial tem sido a confecção de mapas de produtividade. Esses mapas são geralmente produzidos com dados obtidos por sensores instalados em colhedoras, que só apresentam o resultado após a colheita. Outra alternativa seriam as imagens de satélite que apresentam limitações quanto a resolução e a periodicidade. A utilização de imagens digitais de alta e baixa resolução tem sido citado por diversos pesquisadores como uma ferramenta promissora para estimar a variabilidade espacial da produtividade. O objetivo geral desta pesquisa foi desenvolver classificadores estatísticos e por redes neurais para discriminar estresse nutricional de nitrogênio e estimar a variabilidade espacial da produtividade na cultura do milho, a partir de vetores de índices de vegetação, para aplicações em sistemas de visão artificial e sensoriamento remoto. Para o estudo da estimativa do estresse nutricional de nitrogênio foi instalado um experimento na Embrapa Milho e Sorgo como parte do projeto PRODETAB 030/01-99. Foram adquiridas imagens digitais de plantas de milho nos estádios V9, V12, V15 e R1, de um experimento instalado no campo segundo o delineamento em blocos ao acaso, com cinco níveis de nitrogênio (0, 30, 60, 90 e 120 kg N.ha -1 ) em três repetições. A câmera ficou posicionada a uma altura de aproximadamente 0,50 m da parte superior das plantas com resolução espacial de 0,10 mm.pixel -1 . Ao contrário dos índices de vegetação isolados, a primeira variável canônica apresentou resultados significativos para estimar o estresse nutricional de nitrogênio. O classificador por redes neurais apresentou maior acurácia do que o estatístico para discriminar estresse nutricional de nitrogênio na cultura do milho. Para estudo da estimativa da variabilidade espacial da produtividade foram adquiridas imagens aéreas de 1000 m de altura com resolução espacial de 250 mm.pixel -1 . Os dados foram coletados em três áreas situadas na Fazenda Experimental de Coimbra da Universidade Federal de Viçosa. Os classificadores estatísticos e por redes neurais apresentaram o mesmo desempenho para estimar a variabilidade espacial da produtividade a partir de informações obtidas em imagens aéreas digitais da cultura do milho.Precision agriculture is a new technology that can be considered as the ability in monitoring and control the agricultural activity in local level. However, one of the more difficulties for implementation this new technology is a lack of models to evaluate the spatial variability in the system. One of the alternatives for detection spatial variability has been the yield maps. Those maps are generally produced with data obtained for sensor installed in combines, that only present the result after the crop harvesting. Another alternative would be the satellite images, however they have limitations such as resolution and periodicity. Several researchers have mentioned the use of digital images with high and low resolution as promising tools for detection the spatial variability. The general objective of this research was to develop statistical and neural networks classifiers to evaluate nitrogen stress and yield in corn. It was used a vector composed by vegetation indexes for applications in machine vision and remote sensing. To evaluate nitrogen stress for machine vision applications an experiment was installed at Embrapa Milho and Sorgo as part of project PRODETAB 030/01-99. Digital images of maize plants were taken at the growth stages V9, V12, V15 e R1 from a field randomizing block experiment, with five levels of N (0, 30, 60, 90 e 120 kg N.ha -1 ) and three replications. The camera was positioned approximately 0.50 m to the top of the plants with 0.10 mm.pixel -1 spatial resolution. The first canonical variable presented significant results to estimate nitrogen stress. The neural networks classifiers presents potential to discriminate nitrogen stress in corn, for applications in machine vision systems. To estimate corn yield digital aerial images were taken with 250 mm.pixel -1 spatial resolution. The data were collected in three experimental areas of Federal University of Viçosa, Coimbra, MG. The statistical and neural networks classifiers presented same potential to map the yield spatial variability in corn for remote sensing applications.Coordenação de Aperfeiçoamento de Pessoal de Nível Superio