tese
Aplicação de imagens RGB obtidas por VANT na cafeicultura de precisão
Application of RGB images obtained by UAV in precision agriculture
Registro en:
BARBOSA, B. D. S. Aplicação de imagens RGB obtidas por VANT na cafeicultura de precisão. 2020. 81 p. Tese (Doutorado em Engenharia Agrícola) – Universidade Federal de Lavras, Lavras, 2021.
Autor
Barbosa, Brenon Diennevan Souza
Institución
Resumen
Coffee is a commodity of significant importance in the Brazilian trade balance. To
increase coffee productivity, new technologies such as soil sensors, development of cultivars
that are more resistant to pests and water deficit, application at variable rates, and crop
monitoring through images are used. Agricultural monitoring by images together as remote
sensing techniques brings significant benefits to the producer by providing information in the
desired time and with adequate resolution to identify and solve anomalies in the field, saving
resources and ensuring the quality of production. In this scenario, the use of UAV (unmanned
aerial vehicle) provides the farmer with accurate and timely monitoring. This work aimed to
evaluate the use and application of a UAV and RGB images in the monitoring of a coffee crop,
evaluating the behavior of Vegetation Indexes (IV) and the productivity prediction through
products derived from RGB images. In article 1, the potential for practical application of UAV
and IV RGB in monitoring a coffee crop during a production cycle was evaluated. Nine IV
RGB were evaluated, using Pearson's correlation with the Leaf Area Index (LAI) as the metric
for selecting IV. The results show that among the IV evaluated, the GLI and MPRI showed a
higher correlation with the LAI (estimated through biophysical parameters derived from the
images), but both were weak. During the phases of the coffee production cycle, both IVs
illustrate the variability of the crop and soil. The increase of weeds was also observed in the
marginal areas and between the planting lines. These results show that the use of a low-cost
UAV and RGB camera has the potential for practical use for monitoring coffee in its production
cycle, allowing the manager to decide for more assertive crop management quickly and simply.
Given the potential for using UAV and RGB images described above, article 2 further
investigates the potential for predicting coffee production using RGB images, using the
variables: height, crown diameter (used to estimate the LAI) and brightness values of the RGB
bands and multiple regression algorithms in 12 months, in which four different regression
algorithms were used - Linear Support Vector Machines (SVM), Gradient Boosting Regression
(GBR), Random Forest Regression (RFR) and Partial Minimum Square Regression (PLSR) -
and a genetic algorithm - NEAT (Neuroevolution of augmenting topologies). The best result
was obtained with a mean absolute percentage error (MAPE) of 31% for NEAT. Feature
selections suggest that a December data set was the most important for the yield model, thus
reducing the need for extensive data collection for all twelve months. Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) O café é uma commoditie de importância significativa na balança comercial brasileira.
Para dar incremento a produtividade do café novas tecnologias como sensores de solo,
desenvolvimento de cultivares mais resistentes a pragas e a déficit hídrico, aplicação a taxa
variável e monitoramento da cultura por meio de imagens são utilizados. O monitoramento
agrícola por imagens em conjunto com técnicas de Sensoriamento Remoto (SR) traz grandes
benefícios ao produtor, pelo fornecimento de informações no tempo desejado e resolução
adequada para identificar e possibilitar soluções quanto às anomalias em campo, economizando
recursos e garantindo a qualidade da produção. Neste cenário o uso de UAV (unmanned aerial
vehicle) fornece ao agricultor o monitoramento preciso e no tempo ideal. Este trabalho teve
como objetivo avaliar o uso e aplicação de uma UAV e de imagens RGB no monitoramento de
uma lavoura de cafeeira, avaliando o comportamento de Índices de Vegetação (IV) e a predição
da produtividade por meio de produtos derivados de imagens RGB. No artigo 1, foi avaliado o
potencial de aplicação prática de UAV e IV RGB no monitoramento de uma lavoura de cafeeira
durante um ciclo produtivo. Foram avaliados nove IV RGB, onde utilizou-se como métrica de
seleção de IV a correlação de Pearson com o Índice de Área Foliar (IAF). Percebe-se pelos
resultados que dentre os IV avaliados, o GLI e MPRI apresentaram maior correlação com o IAF
(estimados por meio de parâmetros biofísicos derivados das imagens), mas ambas fracas.
Durante as fases do ciclo de produção do café ambos IVs ilustram a variabilidade da cultura e
do solo. O aumento de plantas daninhas também foi observado nas áreas marginais e entre as
linhas de plantio. Esses resultados permitem inferir que o uso de um UAV e câmera RGB de
baixo custo tem potencial para uso prático no monitoramento do café em seu ciclo de produção,
permitindo ao gestor decidir por um manejo mais adequado da cultura de forma rápida e
simples. Dado o potencial de uso de imagens UAV e RGB, no artigo 2 se investiga ainda mais
o potencial de previsão da produtividade de café usando imagens RGB, na avaliação das
variáveis: altura, diâmetro da copa (usado para estimar o IAF) e valores de brilho das bandas
espectrais RGB e algoritmos de regressão múltipla em um período de 12 meses. Os resultados
permitiram também concluir que o IAF e diâmetro de copa são mais influentes para gerar o
modelo de predição, no qual foram usados quatro algoritmos de regressão diferentes - Máquinas
de Vetor de Suporte Linear, Gradient Boosting Regression, Random Forest Regressão,
Regressão Mínima Quadrada Parcial e um algoritmo genético - NEAT (Neuroevolution of
augmenting topologies). O melhor resultado foi obtido com um erro médio percentual absoluto
de 31% para o NEAT. As seleções de variáveis sugerem que um conjunto de dados do mês de
dezembro foi o mais importante para o modelo de previsão de rendimento, reduzindo assim a
necessidade de coleta extensiva de dados para todos os doze meses.