IDENTIFICAÇÃO DE FERRUGEM NA SOJA POR MEIO DE IMAGENS DE ALTA RESOLUÇÃO ESPACIAL

Bruno Henrique Tondato Arantes, George Deroco Martins, Everson Reis Carvalho, Lorena Cristina Alves Nogueira

Resumo


O cultivo da soja possui grande importância econômica para o Brasil, por ser um dos principais geradores de divisas cambiais para o país. Porém, mesmo sobre as tecnologias existentes, as lavouras ainda são constantemente acometidas por doenças foliares, tais como a ferrugem asiática (Phakopsora pachyrhizi), das quais é uma das doenças mais destrutivas para a produção de soja, que muitas vezes provoca perda de rendimento significativo e rapidamente dissemina-se de campo para campo através de uredósporos dispersos no ar. Para implementar tratamentos de fungicidas em tempo hábil a um controle eficaz da doença, é essencial detectar a infecção e a severidade da ferrugem da soja. Como forma de identificação primária desta infecção, a presente pesquisa embasou-se na utilização do sensoriamento remoto através de imagem multiespectral de alta resolução espacial (RapidEye) para detectar, discriminar e espacializar a possível ocorrência de ferrugem na soja em distintos níveis de gravidade. Para isto foi utilizado um índice de cor da lesão e a caracterização multiespectral para se detectar o patógeno nas imagens, e os índices de vegetação para inferir as áreas de infestação. A partir das cartas geradas foi possível caracterizar espacialmente as áreas de ferrugem em estágio intermediário e avançado da infecção, mesmo considerando-se a inexistência de pontos de verificação em campo. Entretanto a metodologia aqui aplicada, não foi capaz de detectar o patógeno precoce.

 

 

Identification of soil rust through high space image images

 

A B S T R A C T

Soybean cultivation has had great economic importance for Brazil, since it is one of the main generators of foreign exchange for the country. However, despite all existing technologies, crops are still constantly being affected by foliar diseases such as Asian soybean rust (Phakopsora pachyrhizi), which is one of the most destructive diseases of soybean, frequently causing significant loss of yield and rapid field-to-field dissemination through urospores dispersed in the air. In order to implement fungicide treatments in a timely manner for effective disease control, it is essential to detect an infection and severity of soybean rust. As a form of primary infection identification, the present research was based on the use of remote sensing recorded by multispectral high spatial resolution image (RapidEye) to detect, discriminate and spatialize a possible occurrence of soybean rust at different levels of severity. For this, a color index and a multispectral characterization were used for pathogen detection in images, and the vegetation indices to be inferred as areas of infestation. From the generated letters, it was possible to characterize spatially as rust areas in intermediate and advanced infection stages, even considering the lack of checkpoints in the field. However, a methodology applied here was not able to detect the early pathogen.

Keywords: Glycine max, Phakopsora pachyrhizi, imagens multiespectrais; detecção de áreas infectdas.


Palavras-chave


Glycine max, Phakopsora pachyrhizi, Imagem RapidEye.

Texto completo:

PDF

Referências


ANDRADE, P. J. M; ANDRADE, D. F. A. A. Ferrugem Asiática: uma ameaça à sojicultura brasilei-ra. Embrapa Agropecuária Oeste-Circular Técnica (INFOTECA-E), 2002.

BAJWA, S. G; BAJCSY, P; GROVES, P; TIAN, L. F. Hyperspectral image data mining for band selection in agricultural applications. Transactions of the ASAE, v. 47, n. 3, p. 895, 2004.

BOOCHS, F.; KUPFER, G.; DOCKTER, K.; KUHBAUCH, W. Shape of the red edge as vitality indicator for plants. Remote Sensing, v. 11, n. 10, p. 1741-1753, 1990.

BOCK, C. H; POOLE, G. H; PARKER, P. E; GOTTWALD, T. R. Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging. Critical Reviews in Plant Sciences, v. 29, n. 2, p. 59-107, 2010.

CALDERÓN, R; CORTÉS, J. A. N; LUCENA, C; TEJADA, P. J. Z High-resolution airborne hyperspec-tral and thermal imagery for early detection of Verti-cillium wilt of olive using fluorescence, temperature and narrow-band spectral indices. Remote Sensing of Environment, v. 139, p. 231-245, 2013.

CUI, D; ZHANG, Q; LI, M; ZHAO, Y; HARTMAN, G. L. Detection of soybean rust using a multispectral image sensor. Sensing and Instrumentation for Food Quality and Safety, v. 3, n. 1, p. 49-56, 2009.

CURRAN, P. J.; DUNGAN, J. L.; GHOLZ, H. L. Ex-ploring the relationship between reflectance red edge and chlorophyll content in slash pine. Tree physio-logy, v. 7, n. 1-2-3-4, p. 33-48, 1990.

FELIX, I, M.; KAZMIERCZAK, M, L.; ESPINDOLA, G, M. RapidEye: a nova geração de satélite de Ob-servação da Terra. Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, n. 7619-7622, 25-30 de abril 2009.

FILELLA, I.; PENUELAS, J. The red edge position and shape as indicators of plant chlorophyll content, biomass and hydric status. International Journal of Remote Sensing, v. 15, n. 7, p. 1459-1470, 1994.

FRANKE, J; MENZ, G. Detection of fungal infection in wheat with high-resolution multispectral data. In: Remote Sensing and Modeling of Ecosystems for Sustainability III. International Society for Op-tics and Photonics, 2006. p. 62980C.

GEBBERS, R; ADAMCHUK, V. I. Precision agricul-ture and food security. Science, v. 327, n. 5967, p. 828-831, 2010.

GITELSON, A. A. VINA, A; CIGANDA, V; RUNDQUIST, D. C; ARKEBAUER, T. J. Remote es-timation of canopy chlorophyll content in crops. Geophysical Research Letters, v. 32, n. 8, 2005.

GITELSON, A, A.; MERZLYAK, M, N. Remote esti-mation of chlorophyll content in higher plant leaves. International Journal of Remote Sensing, v. 18, n. 12, p. 2691-2697, 1997.

HARTMAN, G. L.; MILES, M. R.; FREDERICK, R. D. Breeding for resistance to soybean rust. Plant dis-ease, v. 89, n. 6, p. 664-666, 2005.

HILLNHUTTER, C; MAHLEIN, A. K; SIKORA, R. A; OERKE, E. C. Remote sensing to detect plant stress induced by Heterodera schachtii and Rhizoctonia solani in sugar beet fields. Field Crops Research, v. 122, n. 1, p. 70-77, 2011.

HORLER, D. N. H.; DOCKRAY, M; BARBER, J. The red edge of plant leaf reflectance. International Journal of Remote Sensing, v. 4, n. 2, p. 273-288, 1983.

LINN, R. M. Avaliação dos modelos de mistura es-pectral mesma e SMA aplicados aos dados hiperes-pectrais hyperion/eo-1 adquiridos na Planície Costei-ra do Rio Grande do Sul. 2008.

MAHLEIN, A. K; OERKE, E. C; STEINER, U; DEHNE, H. W. Recent advances in sensing plant diseases for precision crop protection. European Journal of Plant Pathology, v. 133, n. 1, p. 197-209, 2012.

MARTINELLI, F; SCALENGHE, R; DAVINO, S; PANNO, S; SCUDERI, G; RUISI, P; VILLA, P; STROPPIANA, D; BOSCHETTI, M; GOULART, L. R; DAVIS, C. E; DANDEKAR, A. M. Advanced methods of plant disease detection. A review. Agronomy for Sustainable Development, v. 35, n. 1, p. 1-25, 2015.

MAHLEIN, A. K; STEINER, U; DEHNE, H. W; OERKE, E. C. Spectral signatures of sugar beet leaves for the detection and differentiation of disea-ses. Precision Agriculture, v. 11, n. 4, p. 413-431, 2010.

MINISTÉRIO DA AGRICULTURA, PECUÁRIA E ABASTECIMENTO. Soja e Exportações. Disponível em: http://www.agricultura.gov.br/vegetal/culturas/soja. Acesso: 01 mai. 2016.

MARTINS, G. D; GALO, M. L. B. T. Caracterização espectral da cana-de-açúcar infectada por nematoi-des e Migdolus fryanus por espectrorradiometria de campo. Boletim de Ciências Geodésicas, v. 21, n. 4, 2015.

MARTINS, G. D; GALO, M. L. B. T. Detecção de áreas infestadas por nematoides e Migdolus fryanus em cultura canavieira a partir de imagens multiespec-trais Rapideye. Revista Brasileira de Cartografia, v. 1, n. 66/2, 2014.

MARTINS, G, D. Caracterização espectral e espacial de áreas infestadas por nematoides e Migdolus fryanusem em cultura canavieira. 2013. 117 f. Dis-sertação (Ciências Cartográficas) Universidade Esta-dual Paulista, Faculdade de Ciências e Tecnologia. 2013.

MULLA, D. J. Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosystems engineering, v. 114, n. 4, p. 358-371, 2013.

PUJARI, J. D; YAKKUNDIMATH, R. S; JAHAGIRDAR, S; BYADGI, A. Quantitative detec-tion of soybean rust using image processing tech-niques. Journal of Crop Protection, v. 5, n. 1, p. 75-87, 2015.

ROUJEAN, J, L.; BREON, F, M. Estimating PAR ab-sorbed by vegetation from bidirectional reflectance measurements. Remote Sensing of Environment, v. 51, n. 3, p. 375-384, 1995.

SANKARAN, S; MISHRA, A; EHSANI, R; DAVIS, C et al. A review of advanced techniques for detecting plant diseases. Computers and Electronics in Agri-culture, v. 72, n. 1, p. 1-13, 2010.

SHANAHAN, J. F.; SCHEPERS, J. S.; FRANCIS, D. D.; VARVEL, G. E.; WILHELM, W.; TRINGE, J. M.; SCHLEMMER, M. R.; MAJOR, D. Use of Remotesen-sig imagery to estimate corn grain yield. Agronomy Faculty Publications, 2001.

SOARES, A. R. Avaliação da correção atmosférica em imagens orbitais utilizando dados de modelo de PNT. 2014.

SCHOWENGERDT, R, A. Remote sensing: models and methods for image processing. Academic Press, 2006.

SOMA BRASIL – Sistema de Observação e Monito-ramento da Agricultura no Brasil. Disponível em:< http://mapas.cnpm.embrapa.br/somabrasil/webgis.html>. Acesso: 24 de out. 2016.

UNIVERSITY OF MINNESOTA. Soybean Rust. Dis-poní-vel:http://www.extension.umn.edu/agriculture/crop-diseases/soybean/soybeanrust.html> Acesso em: 06 de set. 2016.

YORINORI, J. T; LAZZAROTTO, J. J. Situação da ferrugem asiática da soja no Brasil e na América do Sul. Embrapa Soja-Documentos (INFOTECA-E), 2004.

YORINORI, J. T; PAIVA, W. M; COSTAMILAN, L. M; BERTAGNOLLI, P. F. Ferrugem da soja (Phakop-sora pachyrhizi): identificação e contro-le. Informações Agronômicas, v. 104, 2003.

ZOTTIS, R. Sistema de combinação de cultivares de soja. 2015.




DOI: https://doi.org/10.26848/rbgf.v12.3.p1003-1016

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição 4.0 Internacional.

      

Revista Brasileira de Geografia Física - ISSN: 1984-2295

Creative Commons License
Esta obra está licenciada com uma Licença Creative Commons Attribution-NonCommercial 4.0 International License