Avaliação remota da maturação em soja por imagens de drones

• Ano de defesa: 2023
• Autor(a) principal: Donato, Lucas Titonelli Ferreira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; Genética e Melhoramento
• Palavras-chave em Português: Glycine max; Soja - Melhoramento genético; Drone; Sensoriamento remoto; Melhoramento de cultivos agrícolas; Melhoramento Vegetal
• Link de acesso: https://locus.ufv.br//handle/123456789/31553; https://doi.org/10.47328/ufvbbt.2023.190

Nos programas de melhoramento de soja, uma das tarefas executadas em campo é estimação do número de dias do plantio até a maturação, no qual define-se a recomendação de uma determinada cultivar por meio dos grupos de maturação. Essa atividade demanda uma elevada mão de obra e visitas frequentes aos experimentos avaliados. Além de ser uma atividade dispendiosa, a fenotipagem humana possui uma chance considerável de erro na classificação das parcelas. Com o objetivo de melhorar a execução dessa função, este estudo buscou analisar e validar uma metodologia para avaliação remota da maturação em soja com uso de câmera RGB acopladas ao drones de baixo custo. Através de índices vegetativos, ambientes modelos estatísticos e extração de pixels nas parcelas, foi possível verificar quais combinações apresentam maior correlação comparadas as realizadas por profissionais em campo. Coletou-se dados em solo de 90 parcelas em 3 ambientes para realizar comparação com o estimado pela metodologia proposta. A combinação dos índices GLI (greeness leaf index) e NGRDI (normalized red green difference index) com o modelo de regressão local não paramétrica, LOESS (Locally estimated scatterplot smoothing), e extração da mediana dos pixels, revelou uma forte correlação de Pearson quando comparados à maturação aferida em campo (r = 0,84 - 0,94 para GLI. r = 0,81 - 0,93 para NGRDI). Outro parâmetro que contribuiu para validação da metodologia foi o RMSE (root-mean-square error), que apresentou valores consideravelmente baixos (RMSE GLI = 1.24 - 1.66, RMSE NGRDI = 1.30 - 2.04). Também foi possível identificar que um dos ambientes gerou menores correlações, sendo possível associar esse menor desempenho à presença de plantas invasoras e falhas de germinação nas parcelas analisadas. Dessa forma, a metodologia se mostrou confiável, com uma boa acurácia e alta precisão, porém é necessário se atentar as condições do ambiente a nível de parcela experimental. Palavras-chave: UAV. Glycine max. Sensoriamento remoto aéreo. Fenotipagem de alto rendimento. Melhoramento vegetal