DISCRIMINAÇÃO ENTRE DOSES DE NITROGÊNIO EM TRIGO UTILIZANDO CLASSIFICADORES MULTIVARIADOS E TÉCNICAS DE VISÃO ARTIFICIAL 1 Darly Geraldo de Sena Júnior 2, Francisco de Assis de Carvalho Pinto 3,Daniel Marçal de Queiroz 4, Nerilson Terra Santos 5, Joseph Kalil Khoury Junior 6 RESUMO: O objetivo do presente trabalho foi avaliar a discriminação de parcelas de trigo submetidas a três doses de N utilizando técnicas de visão artificial com classificadores multivariados, medidor portátil de clorofila e teores de N foliar. Os dados foram coletados em três épocas (8, 14 e 20 dias) após a adubação nitrogenada em cobertura (DAA). As imagens foram processadas utilizando-se nove índices espectrais e os vetores utilizados para classificação formados com as combinações dos valores médios dos pixels nas imagens índice. Verificou-se que a classificação utilizando o sistema de visão artificial foi mais eficiente que o medidor de clorofila aos 8 DAA e equivalente aos 14 e 20 DAA. A utilização dos teores de N foliar foi equivalente aos demais métodos aos 21 DAA. PALAVRAS-CHAVE: visão artificial, classificadores multivariados, nitrogênio, agricultura de precisão ABSTRACT: NITROGEN LEVELS DISCRIMINATION IN WHEAT USING MULTIVARIATE CLASSIFIERS AND MACHINE VISION TECHNIQUES The aim of this work was to evaluate machine vision techniques with multivariate classifiers, a portable chlorophyll meter and leaf nitrogen concentration for discriminating among three levels of N in wheat crop. Data were collected in three dates (8, 14 e 20 days) after sidedress fertilization (DAF) with nitrogen. The images were processed with nine spectral indices and the feature vectors were compounded with the mean pixel values on the processed images. The classification using the machine vision techniques were better than the chlorophyll meter at 8 DAF and similar at 14 and 20 DAF. The use of leaf nitrogen concentration was similar to the other methods at 21 DAF. KEYWORDS: machine vision, multivariate classifiers, nitrogen, precision agriculture. INTRODUÇÃO: O nitrogênio é o nutriente mineral absorvido em maiores quantidades pelas culturas agrícolas e devido a sua baixa disponibilidade no solo o uso de fertilizantes nitrogenado é fundamental 1 Parte da tese de doutorado do primeiro autor, bolsista do CNPq, apresentada ao Programa de Pós-graduação em Engenharia Agrícola da Universidade Federal de Viçosa 2 Professor, D.S., FEAD-Minas R. Cláudio Manoel 1162 CEP 30.140-100 Belo Horizonte MG E-mail: darly.sena@fead.br 3 Professor, Ph.D., Dep. Eng. Agrícola Universidade Federal de Viçosa E-mail: facpinto@ufv.br 4 Professor, Ph.D., Dep. Eng. Agrícola Universidade Federal de Viçosa E-mail: queiroz@ufv.br 5 Professor, Ph.D., Dep. Informática Universidade Federal de Viçosa E-mail: nsantos@dpi.ufv.br 6 Professor, D.S.,Dep. Eng. Agrícola Universidade Federal de Viçosa E-mail: khouryjr@vicosa.ufv.br
(DIAS et al., 1996). Por outro lado, não existem métodos adequados de análise de N disponível no solo (ORTIZ-MONASTERIO, 2002) e como as culturas agrícolas respondem fortemente ao nitrogênio muitas vezes os produtores, especialmente em países desenvolvidos, utilizam doses elevadas de N para prevenir redução na produtividade (SCHRÖDER et al., 2000). Entretanto, a adubação nitrogenada apresenta elevado potencial poluidor graças à mobilidade do nitrato no solo (TUMBO et al., 2002) e custo elevado devido à dependência de combustíveis fósseis para produção dos fertilizantes. Na cultura do trigo, ORTIZ-MONASTERIO (2002) considera que nos países em desenvolvimento a deficiência de nitrogênio é o problema nutricional mais difundido na cultura do trigo. Uma das áreas prioritárias para viabilização da agricultura de precisão é o desenvolvimento de sensores (STAFFORD, 2000), sendo que com relação ao nitrogênio muitos trabalhos buscam utilizar as plantas como indicadoras de sua disponibilidade no solo. As principais estratégias utilizam as características espectrais dos pigmentos foliares, especialmente a clorofila, que se mostra correlacionada com a disponibilidade de N (SCHEPERS et al., 1992). No presente trabalho foi avaliada a hipótese de que é possível discriminar doses de nitrogênio em trigo a partir da resposta espectral do dossel utilizando um sistema de visão artificial. O trabalho objetivou ainda a comparação da classificação utilizando imagens digitais, estimativas do teor de clorofila foliar (valores SPAD) e teor de N foliar. MATERIAL E MÉTODOS: Os dados foram coletados no campus da Universidade Federal de Viçosa, em Viçosa MG. Foi utilizada a cultivar de trigo BRS 207 com adubação de plantio uniforme, na dose de 300 kg.ha -1 do adubo formulado 8-28-16, e uma densidade de semeadura de 370 sementes.m -2. Foram implantadas 45 parcelas de seis linhas espaçadas 0,20 m e comprimento de 5,00 m. A adubação em cobertura foi realizada a lanço 15 dias após a emergência (DAE), utilizando-se 3 tratamentos (doses de N), correspondentes a 0, 30 e 60 kg de N.ha -1 e 15 repetições. Para avaliar os métodos de identificação do estado nutricional das plantas, foram desenvolvidos classificadores estatísticos para discriminar as três classes definidas pelas doses de N aplicadas em cobertura utilizando: características extraídas de imagens digitais das plantas, estimativas do teor de clorofila nas folhas (valores SPAD) e teor total de N nas folhas obtido por meio de análise laboratorial. As imagens e os valores SPAD foram obtidos em três épocas: 23, 29 e 35 DAE, que correspondiam a 8, 14 e 20 dias após a primeira adubação em cobertura (DAA). As amostras de folhas foram coletadas aos 21 DAA. Foram adquiridas simultaneamente imagens coloridas e infravermelhas falsa cor, utilizando uma câmera digital Duncantech MS 3100, posicionada dois metros acima do solo. Em cada parcela foram obtidas três imagens, em posições diferentes. Para obtenção das estimativas do teor de clorofila utilizou-se um medidor portátil de clorofila SPAD 502, sendo considerado o valor SPAD da parcela a média de 30 valores coletados na folha mais nova completamente expandida de plantas diferentes ao longo da parcela. De cada parcela foram coletadas ainda 10 folhas mais novas completamente expandidas para análise laboratorial e determinação do teor de N foliar. As imagens foram processadas para extração das características utilizando-se o programa computacional Matlab, versão 6.5, utilizando-se nove índices espectrais: índice do excesso de verde, razão verde-vermelho, verde normalizado, vermelho normalizado, índice de vegetação da diferença normalizado, índice de vegetação da diferença de verde normalizado, razão verde infravermelho, razão vermelho infravermelho e índice do excesso de infravermelho e verde. A média dos valores dos pixels nas imagens índice de cada parcela foi considerada como uma estimativa da reflectância do dossel da cultura. A partir das imagens índice foi criado um vetor de dados padronizados para cada uma das 135 posições em que foram obtidas imagens. Foram desenvolvidos classificadores estatísticos utilizando o Matlab para atribuir cada vetor de características de imagens, valores SPAD e N foliar a uma das três
classes definidas pelas doses de N aplicadas em cobertura de acordo com a equação (GONZALES e WOODS, 2000): d j (x)=-0,5ln[det(s j )]-0,5[(x-m j ) T.Sj -1 (x-m j )] (1) em que x é o vetor desconhecido a ser classificado; S j é a matriz de covariância da classe j; e m j é a média da classe j. Foram desenvolvidos classificadores para todas as combinações dos nove índices espectrais, o que totalizou 511 combinações. O critério de avaliação dos classificadores foi a exatidão na classificação. A fim de se obter uma estimativa não tendenciosa dos erros de classificação, utilizou-se a técnica de validação cruzada deixando uma amostra de fora. O resultado da classificação de cada combinação foi avaliado elaborando-se a matriz de erros e calculando-se a exatidão global e o coeficiente kappa (HUDSON e RAMM, 1987), que indica a exatidão da classificação desconsiderando a classificação por acaso. Os melhores classificadores, que apresentaram maior coeficiente kappa, desenvolvidos com características das imagens foram comparados aos classificadores com valores SPAD e N foliar em cada época. Para comparação entre os tipos de classificadores (imagens, SPAD e N foliar) utilizou-se o teste Z para testar a diferença entre dois coeficientes kappa independentes ao nível de significância de 5% (CONGALTON e MEAD, 1983). RESULTADOS E DISCUSSÃO: A Figura 1 ilustra os resultados dos diferentes classificadores para as 3 épocas de obtenção das imagens. Figura 1. Coeficientes kappa dos classificadores desenvolvidos com valores SPAD, características das imagens aos 8, 14 e 20 DAA e classificador desenvolvido com valores de N foliar aos 21 DAA. O coeficiente kappa do melhor classificador desenvolvido com os valores SPAD coletados aos 8 DAA foi estatisticamente igual a zero, pelo teste Z a 5% de probabilidade, o que significa uma classificação estatisticamente igual ao acaso. Com oito dias após a adubação, o teor de clorofila nas ainda não havia sido influenciado pelas doses de N aplicadas ou o medidor de clorofila não foi capaz de detectar as diferenças. Por outro lado, tanto aos 14 como aos 20 DAA a classificação com os valores SPAD foi 61 e 70% melhor que uma classificação ao acaso, respectivamente. Apesar de MURDOCK et al. (1997) afirmarem que são necessárias três semanas para a resposta ao N aplicado para utilização do medidor de clorofila SPAD 502 em trigo, os classificadores desenvolvidos aos 14 e 20 DAA não foram estatisticamente diferentes. Já o classificador desenvolvido com valores
de N das folhas coletadas aos 21 DAA apresentou um coeficiente kappa de 0,67 e exatidão global de 78%. Os coeficientes kappa dos classificadores desenvolvidos com características de imagens obtidas em estádios mais avançados também foram maiores. Embora os coeficientes kappa dos melhores classificadores com imagens na época 14 e 20 DAA tenham diferido do coeficiente kappa obtido aos 8 DAA, todos eles diferiram estatisticamente de zero, o que não ocorreu com os valores SPAD. O medidor de clorofila utiliza apenas o vermelho e o infravermelho próximo para avaliar o conteúdo de clorofila nas folhas. Entretanto, nas combinações selecionadas com os dados das imagens a banda verde estava presente, indicando sua importância para classificação. Os classificadores desenvolvidos com as características extraídas das imagens, mostraram-se superiores estatisticamente ao classificador desenvolvido com os valores SPAD aos 8 DAA. Aos 14 DAA e aos 20 a diferença entre os coeficientes kappa não foi significativa. Acredita-se que a maior eficiência dos classificadores com as características extraídas das imagens em relação aos classificadores SPAD aos 8 DAA deve-se ao tipo de informação utilizada. O SPAD realiza estimativa pontual da clorofila nas folhas das plantas, ao passo que a informação extraída das imagens integra informação do dossel da cultura. Além disso, o medidor de clorofila utiliza apenas o vermelho e o infravermelho próximo, ao passo que das imagens foram extraídas também informações acerca do verde e do azul. Outro fator a ser destacado é que ao se utilizar a média dos valores dos pixels nas imagens carrega-se informação sobre a cor das folhas, sobre a cobertura do solo e variação de tonalidade de verde. ADAMSEN et al. (1999) também verificaram que as medições do dossel (índices) mostraram-se mais sensíveis à senescência incipiente do que o SPAD que utilizava observações pontuais no topo do dossel. CONCLUSÕES: A utilização de características extraídas de imagens digitais para identificação do estado nutricional de plantas de trigo aos 14 e aos 20 dias após a adubação (DAA) foi equivalente à utilização do medidor portátil de clorofila SPAD 502 e aos valores de N foliar aos 21 DAA. Em estádios menos avançados (8 DAA) o classificador utilizando dados extraídos das imagens foi superior ao classificador desenvolvido utilizando valores SPAD Com a utilização dos valores SPAD, para discriminação entre as doses de N utilizadas no campo foram necessários pelo menos 14 dias após a primeira adubação nitrogenada em cobertura, realizada aos 15 dias após a emergência (DAE). Por outro lado, com a utilização das características extraídas das imagens das parcelas no campo foi possível discriminar as doses de N oito dias após a primeira adubação nitrogenada em cobertura. REFERÊNCIAS BIBLIOGRÁFICAS: ADAMSEN, F. J.; PINTER JR,P. J.; BARNES, E.M.; LAMORTE, R.L; WALL, G.W.; LEAVITT, S.W.; KIMBALL, B.A. Measuring wheat senescence with a digital camera Crop Science n.39 p.719 724, 1999. CONGALTON, R.G. A review of assessing the accuracy of classifications of remotely sensed data. Remote sensing of environment n. 37 p. 35-46, 1991. DIAS, L.E.; BARROS, N.F.; FRANCO, A.A. Nitrogênio. Associação Brasileira de Educação Agrícola Superior ABEAS. 90p. 1996 GONZALES, R.C.; WOODS, R.E. Processamento de imagens digitais. Editora Edgard Blücher Ltda. São Paulo.509p, 2000.
HUDSON, W.D.; RAMM, C.W. Correct formulation of the kappa coefficient of agreement. Photogrammetric Engineering & Remote Sensing, v.53 n.4 p.421-422, 1987. MURDOCK, L.; JONES, S.; BOWLEY, C.; NEEDHAM, P.; JAMES, J.; HOWE, P. Using a chlorophyll meter to make nitrogen recommendations on wheat. Cooperative extension service University of kentucky, 4p.,1997. ORTIZ-MONASTERIO, J.I.. Nitrogen management in irrigated spring wheat. In B. Curtis, S. Rajaram and H. Gomez Macpherson (eds.) p.433-452. Bread Wheat Improvement And Production. FAO Plant Production and Protection Series No. 30, Rome, Italy, 2002 No. 554p. SCHEPERS, J.S.; FRANCIS, D.D.; VIGIL, M.; BELOW, F.E. Comparison of corn leaf nitrogen concentration and chlorophyl meter readings. Commun. Soil Sci. Plant Anal., n. 23 v.17-20 p. 2173-2187, 1992. SCHRÖDER, J.J.; NEETESON, J.J.; OENEMA, O.; STRUIK, P.C. Does the crop or the soil indicate how to save nitrogen in maize production? Reviewing the state of the art. Field Crops Research n. 66 p. 151-164, 2000. STAFFORD, J.V. Implementing precision agriculture in the 21st century. Journal of Agricultural Engineering Research, London n.76, p. 267-275, 2000. TUMBO, S.D.; WAGNER, D.G.; HEINEMANN, P.H. Hyperspectral-based neural network for predicting chlorophyll status in corn. Transactions of the ASAE, v.45 n.3 p. 825-832, 2002.