COMPORTAMENTO ESPECTRAL E DETECÇÃO DE LARANJEIRAS (Citrus sinensis L. Osbeck) COM ESTRESSE HÍDRICO, POR MEIO DE DRONE

Leticia Tondato Arantes, Bruno Henrique Tondato Arantes, Pedro Rogerio Giongo, Guilherme Zavatti Ceccato, Victor Hugo Moraes, Youlia Kamei Saito, Luiz Fernando Gomes, Alan Carlos de Oliveira Castro

Resumo


O Brasil é um dos maiores produtores mundiais de laranja e o maior exportador de suco da fruta, o que destaca a importância do estudo e da melhoria do pomar de citrus. Entretanto, em decorrência dos períodos de seca, ocorre déficit hídrico, consequentemente resultando em perdas de produtividade. Desse modo, surgem novas tecnologias e ferramentas que viabilizam o monitoramento e gerenciamento desse tipo de cultura, de forma rápida e menos onerosa. Nesse sentido, esse trabalho objetivou identificar a melhor banda para a detecção de plantas sem estresse hídrico e com estresse hídrico intenso, bem como o melhor índice de vegetação para o mapeamento dessas áreas, incluindo também a possiblidade de mapear estresse hídrico moderado, por meio de imagens de alta resolução espacial obtidas através de um sensor que opera na faixa do visível, embarcado em um veículo aéreo não tripulado. Foram avaliados diferentes índices de vegetação para a identificação e o mapeamento das regiões e/ou plantas de citrus com estresse hídrico, bem como o comportamento espectral destas plantas que apresentaram estresse hídrico intenso e as que não apresentaram, utilizando as bandas RGB do Phantom 4 Advanced. Das bandas RGB, a resposta espectral da banda do azul apresentou-se como a melhor na identificação de plantas sem e com estresse hídrico intenso. O uso de índices de vegetação melhorou as análises das imagens de alta resolução espacial, principalmente, no que diz respeito a identificação de regiões do pomar que possuem déficit hídrico. Os índices de vegetação mais eficientes na identificação de plantas com estresse hídrico intenso, moderado e sem estresse hídrico foi o IAF, seguido pelos COM, ExR, ExGR, CIVE e TGI.


Palavras-chave


Citrus sinensis, VANT, Sensoriamento Remoto, Índice de Vegetação

Referências


Arantes, B. H. T. et al. 2018. Uso de drones na atualização de área construída de imóveis urba-nos. Scientia Plena, 14, 1-6.

Andrade, R et al. 2019. Uso de veículo aéreo não tripulado (vant) no monitoramento dos estádios de desenvolvimento da cultura do milho. Engenharia Sanitária e Ambiental, 225-234.

Badzmierowski, M. J. et al. 2019 Using Hyper-spectral and Multispectral Indices to Detect Water Stress for an Urban Turfgrass System. Agronomy, 9, 1-15.

Behmann, J. et al. 2014. Detection of early plant stress responses in hyperspectral images. Journal of Photogrammetry and Remote Sensing, 93, 98–111.

BRITO, M. E. B. et al. 2012. Comportamento fisiológico de combinações copa/porta-enxerto de citros sob estresse hídrico. Revista Brasileira de Ciências Agrárias, 7, 857-856.

Camargo-neto, J. A. 2004. Combined Statistical—Soft Computing Approach for Classification and Mapping Weed Species in Minimum Tillage Sys-tems. University of Nebraska.

CEPAGRI. Centro de Pesquisas Meteorológicas e Climáticas Aplicadas à Agricultura, 2016. Clima dos Municípios Paulistas. Campinas.

Conceição, M. A. F. et al. 1998. Informações para a irrigação da videira na região de Jales-SP. Comunicado Técnico, 1-8.

Escadafal, R., Huete, A. 1991. Étude des propriétés spectrales des sols arides appliquée à l’am élioration des indices de végétation obtenus par télédétection. Comptes Rendus de l’Academie des Sciences 312, 1385–1391.

Meyer. G. E.; Neto, J. C. 2008. Verification of color vegetation indices for automated crop imag-ing applications. Computers and Electronics in Agriculture, 63, 282-293.

Giongo, P. R. et al. 2020. Predição de dados agronômicos em goiabeiras e separação de alvos por meio de Veículo Aéreo Não Tripu-lado. Scientia Plena, 16, 1-10.

Gitelson, A.A. et al. 2002. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, 80, 76-87.

González-dugo, V. et al. 2012. Almond tree cano-py temperature reveals intra-crown variability that is water stress-dependent. Agriculture and Forest Meteorology, 154, 156-165.

Guerrero, J.M. et al. 2012. Support vector ma-chines for crop/weeds identification in maize fields. Expert Systems with Applications, 39, 11149–11155.

Hatfield, J. L.; Prueger, J. H. 2010. Value of Us-ing Different Vegetative Indices to Quantify Agri-cultural Crop Characteristics at Different Growth Stages under Varying Management Practices. Remote Sensing, 2, 562-578.

Hogan, S. D. et al. 2017. Unmanned aerial sys-tems for agriculture and natural resources. Cali-fornia Agriculture, 71, 5–14.

Huete, A. R. A. 1988. Soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25, 295-309.

Hunt, E. R. et al. 2005. Walthall Evaluation of digital photography from model aircraft for re-mote sensing of crop biomass. Precision Agricul-ture, 6, 359-378.

Hunt, E.R. et al. 2011. Remote sensing leaf chlo-rophyll content using a visible band index. Agronomy Journal, 103, 1090–1099.

Hunt, E. R. et al. 2013. Walthall A visible band index for remote sensing leaf chlorophyll content at the canopy scale. International Journal of Ap-plied Earth Observation and Geoinformation, 103-112.

Hunt, E. R.; Daughtry, C. S. T. 2018. What good are unmanned aircraft systems for agricultural remote sensing and precision agriculture. Interna-tional Journal Remote Sensing, 39, 5345–5376.

Ivushkin, K. et al. 2019. UAV based soil salinity assessment of cropland. Geoderma, 338, 502-512.

Jackson, R. D; Ezra, C. E. 1985. Spectral response of cotton to suddenly induced water stress. International Journal of Remote Sensing, 6, 177-185.

Jones, H. G.; Vaughan, R. A. 2010. Remote Sens-ing of Vegetation: Principles, Techniques and Applications. Oxford University Press Inc.

Kataoka, T. et al. 2003 Crop growth estimation system using machine vision. IEEE/ASME IN-TERNATIONAL CONFERENCE ON AD-VANCED INTELLIGENT MECHATRONICS.

Kross, A. et al. 2015. Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops. Interna-tional Journal of Applied Earth Observation, 34, 235–248.

Kunert, K. J. et al. 2016. Drought stress responses in soybean roots and nodules. Frontiers in Plant Science, 7, 1-7.

Li, L. et al. 2010. Evaluating the Crop Water Stress Index and its correlation with latent heat and CO2 fluxes over winter wheat and maize in the North China plain. Agriculture Water Man-agement., 97, 1146–1155.

Louhaichi, M. et al. 2001. Spatially Located Plat-form and Aerial Photography for Documentation of Grazing Impacts on Wheat. Geocarto Interna-tional, 16, 65–70.

Marchant, J. A., Onyango, C. M. 2002. Shadow-invariant classification for scenes illuminated by daylight. Journal of the Optical Society of Ameri-ca, 17, 1952–1961.

Meyer, G.E et al. 1998. Machine vision detection parameters for plant species identification, in: Meyer,G.E., Deshazer, J.A. (Eds.), Precision Ag-riculture and Biological Quality, 3543, 327–335.

Miranda, R.Q. Avaliação integrada da variação espacial e temporal do balanço hídrico na Caatin-ga. Tese (Doutorado). Recife, UFPE, 2017.

Osório, R. M. L. et al. 2017. Demandas tecnoló-gicas da cadeia produtiva de laranja no Brasil. Latin American Journal of Business Management, Taubaté, SP, 8, 40-66.

Siqueira, D. L.; Salomão, L. C. C. Citros do Plan-tio à Colheita. Editora UFV, 2017, 258.

Römer, C. et al. 2012. Early drought stress detec-tion in cereals: simplex volume maximisation for hyperspectral image analysis. Functional Plant Biology, 39, 878-890.

Rouse, J.W et al. Monitoring the vernal advance-ment and retrogradation (greenwave effect) of natural vegetation. NASA/GSFC Final Report. Greenbelt, MD: NASA, 1974, p.371.

Schowengerdt. R. A. Spectral Transforms. In: Schowengerdt. R. A. (Org.). Remote Sensing. 2007, p. 560.

Silva, J. et al. 2019. Remote Sensing vegetation index for processing images in the visible band (RGB). Journal of Hyperspectral Remote Sensing, 9, 228-239.

Soares, L. A. A. et al. 2015. Crescimento de com-binações copa - porta-enxerto de citros sob estres-se hídrico em casa de vegetação. Revista Brasileira de Engenharia Agrícola Ambiental, Campina Grande, PB, 19, 211-217.

Tucker, C.J. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing Environment, 8, 127-150.

Trigueiros, C. R. et al. 2017. Effects of saline re-claimed waters and deficit irrigation on Citrus physiology assessed by UAV remote sensing. Ag-ricultural Water Management, 183, 60-69.

USDA, United States Department of Agriculture. 2017. Agricultural Statistics. Washington.

Vázquez, M. N. et al. (2017). Estres hidrico y salino en citricos. Estrategias para la reduccion de danos/water and saline stress on citrus. Strategies for reducing plant damages. Cultivos Tropicales, 38, 65-74.

Wang, X. et al. 2015 Extraction of vegetation information from visible unmanned aerial vehicle images. Nongye Gongcheng Xuebao/Transactions of the Chinese. Society of Agricultural Engineer-ing, 31, 152–159.

Woebbecke, D.M. et al. 1995. Color indices for weed identification under various soil, residue and lighting conditions. Transactions of the ASAE 38, 259–269.




DOI: https://doi.org/10.26848/rbgf.v13.6.p%25p

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