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.


Palavras-chave


Glycine max, Phakopsora pachyrhizi, Imagem RapidEye.

Referências


ALISAAC, E; BEHMANN, J; KUSKA, M. T; DEHNE, H, W; MAHLEIN, A, K. Hyperspectral quantification of wheat resistance to Fusarium head blight: compa-rison of two Fusarium species. European Journal of Plant Pathology, 2018.

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.

ASHOURLOO, D; MOBASHERI, M, R; HUETE, A. Evaluating the effect of different wheat rust disease symptoms on vegetation indices using hyperspectral measurements. Remote Sensing, 5107–5123, 2014.

BAJWA, S, G; RUPE, JOHN, C; MASON, J. Soybean disease monitoring with leaf reflectance. Remote Sensing, v. 9, n. 2, p. 127, 2017.

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.

BENDIG, J; BOLTEN, A; BENNERTZ, J; BROSCHEIT, J; EICHFUSS, S; BARETH, G. Estimat-ing biomass of barley using crop surface models (CSMs)

derived from UAV- based RGB imaging. Remote Sensing., v. 6, n.11, 2014.

BERNARDI, A, C, C; RABELLO, L, M; INAMASU, R, Y; GREGO, C, R; ANDRADE, R, G. Variabilidade espacial de parâmetros físico-químicos do solo e biofísicos de superfície em cultivo do sorgo. Revista Brasileira de Engenharia Agrícola e Ambiental, v.18, p.623-630, 2014.

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.

BOECHAT, L, T; PINTO, F, A, C; JÚNIOR, T, J, P; QUEIROZ, D, M; TEIXEIRA, H. (2014). Detection of white mold in dry beans using spectral characteris-tics. Revista Ceres, v. 61, n. 6, 907–915, 2014.

CATTANI, C, E, V; GARCIA, M, R; MERCANTE, E; JOHANN, J, A; CORREA, M, M; OLDONI, L, V. Spectral-temporal characterization of wheat cultivars through NDVI obtained by terrestrial sen-sors. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 21, n. 11, p. 769-773, 2017.

CONAB – Companhia Nacional de Abastecimento. Acompanhamento da safra brasileira de grãos. v. 5 – safra 2017/18 – n. 11, 2018.

CONSTANTIN, D; REHAK, M; AKHTMAN, Y; LIEBISCH, F. Detection of crop properties by means of hyperspectral remote sensing from a micro UAV. Bornimer Agrartechnische Berichte, 2015.

COLOMINA, I; MOLINA, P. Unmanned aerial sys-tems for photogrammetry and remote sensing. Jour-nal of Photogrammetry and Remote Sensing, 35- 44, 2014.

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.

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 Res., V. 210, 71-80, 2017.

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.

GAO, F; ANDERSON, M, C; ZHANG, X; YANG, Z; ALFIERI, J, G; KUSTAS, W, P; MUELLER, R; JOHNSON, D, M; PRUEGER, J, H. Toward mapping crop progress at field scales through fusion of Landsat and MODIS imagery. Remote Sensing of Environment, v.188, p.9-25, 2017.

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.

GODOY, C, V; UTIAMADA, C, M; MEYER, M, C; CAMPOS, H, D; LOPES, I, O, N; DIAS, A, R; DEUNER, C, C; PIMENTA, C, B; JACCOUD FILHO, D, S; MOREIRA, E, N; BORGES, E, P; ANDRADE JUNIOR, E, R; SIQUERI, F, V; JULIATTI, F, C; JULIATTI, F, C; FAVERO, F; FEKSA, H, R; ARAÚJO JUNIOR, I, P; GRIGOLLI, J, F, J; NUNES JUNIOR, J; BELUFI, L, M, R; CARNEIRO, L, C; CARREGAL, L, H; SATO, L, N; CANTERI, M, G; VOLF, M, R; GOUSSAIN, M; DIAS, M, D; DEBORTOLI, M, P; MARTINS, M, C; BALARDIN, R, S; FURLAN, S, H; MADALOSSO, T; CARLIN, V, J; VENANCIO, W, S. Eficiência de fungicidas para controle da ferrugem-asiática da soja, Phakopsora pachyrhizi, na safra 2017/2018: resultados sumarizados dos ensaios coo-perativos. Circular técnica 138, 2018.

HARTMAN, G, L; SIKORA, E, J; RUPE, J, C, R. In: HARTMAN, G, L; RUPE, J, C; SIKORA, E, J; DOMIER, L, L; DAVIS, J, A ; STEFFEY, K, L. Com-pendium of soybean diseases and pests. Saint Paul: APS Press, p. 56-59, 2015

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.

LIEBISCH, F; KIRCHGESSNER, N; SCHNEIDER, D; WALTER, A; HUND, A. Remote, aerial phenotyping of maize traits with a mobile multi-sensor approach. Plant Methods, 2015.

LIEBISCH, F; KUNG, G; DAMM, A; WALTER, A. Characterization of crop vitality and resource use efficiency by means of combining imaging spectros-copy based plant traits. Workshop on Hyperspec-tral Image and Signal Processing: Evolution in Remote Sensing, p. 24-27, 2014.

JANNOURA, R.; BRINKMANN, K.; UTEAU, D.; BRUNS, C.; JOERGENSEN, R. G. Monitoring of crop biomass using true colour aerial photographs taken from a remote controlled hexacopter. Biosystems Engineering., v. 129, p. 341- 351, 2015.

KUSKA, M, T; MAHLEIN, A, K. Aiming at decision making in plant disease protection and phenotyping by the use of optical sensors. European. Journal of Plant Pathology, v. 152, p. 987-992, 2018

MAHLEIN, A, K. Plant disease detection by imaging sensors - parallels and specific demands for preci-sion agriculture and plant phenotyping. Plant Dis-ease, v. 100, n.2, 241–251, 2016.

MARIN, D, B; ALVES, M, C; POZZA, E, A; BELAN, L, L. Multispectral radiometric monitoring of bacte-rial blight of coffee. Precision Agriculture, p. 1-24, 2018.

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.

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.

MOSCETTI, R; HAFF, R, P; STELLA, E; CONTINI, M; MONARCA, D; CECCHINI, M; MASSANTINI, R. Feasibility of NIR spectroscopy to detect olive fruit infested by Bactrocera oleae. Postharvest Biology and Technology, v. 99, p.58–62, 2015.

OLIVEIRA, M; FERREIRA, R; SIBALDELLI, S; NASCIMENTO; JUNIOR, A. Análise Espacial da Produção da Soja e Capacidade Estática de Arma-zenamento no Estado do Mato Grosso. Revista de Estudos Sociais, v. 17, n. 34, p. 238–57, 2015.

OUMAR, Z; MUTANGA, O. Integrating environmen-tal variables and WorldView-2 image data to impro-ve the prediction and mapping of Thaumastocoris peregrinus (bronze bug) damage in plantation fo-rests. ISPRS Journal of Photogrammetry and Re-mote Sensing, v. 87, 39–46, 2014.

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.

RASMUSSEN, J; NTAKOS, G; NIELSEN, J; SVENSGAARD, J; POULSEN, R, N; CHRISTENSEN, S. Are vegetation indices derived from consumer-grade cameras mounted on UAVs sufficiently relia-ble for assessing experimental plots?. European Journal of Agronomy, v. 74, p. 75-92, 2016.

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.

SIMKO, I; JIMENEZ, B, J, A; SIRAULT, X, R, R. Phe-nomic approaches and tools for phytopathologists. Phytopathology, v. 107, n. 1, p. 6–17, 2017.

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.

SHI, Y; HUANG, W; ZHOU, X. Evaluation of wavelet spectral features in pathological detection and dis-crimination of yellow rust and powdery mildew in winter wheat with hyperspectral reflectance da-ta. Journal of Applied Remote Sensing, v. 11, n. 2, 2017.

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.

WALTER, A; LIEBISCH, F; HUND, A. Plant phe-notyping: from bean weighing to image analysis. Plant Methods, 2015.

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.

ZHOU, X; ZHENG, H, B; XU, X, Q; HE, J, Y; GE, X, K; YAO, X; CHENG, T; ZHU, Y; CAO, W. X; TIAN, Y, C. Predicting grain yield in rice using multi- tem-poral vegetation indices from UAV-based multispec-tral and d gital imagery. ISPRS Journal of Photo-grammetr and. Remote Sensing, v. 130, p. 246- 255, 2017.




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

 

Revista Brasileira de Geografia Física - eISSN: 1984-2295

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