Classificação da produtividade de soja e avaliação de grupos de maturação por meio de imagens multiespectrais

• Ano de defesa: 2022
• Autor(a) principal: Dias, Eleniz Aparecida
• 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: Soja - Seleção; Soja - Classificação; Soja - Rendimento; Redes neurais (Computação); Glycine max; Fitotecnia
• Link de acesso: https://locus.ufv.br//handle/123456789/31526; https://doi.org/10.47328/ufvbbt.2023.485

A participação da soja (Glycine max (L.) Merril) em diversos setores agrícolas e industriais, fazem da cultura um dos principais produtos do agronegócio brasileiro. Tal fato é reflexo do progresso genético sobre a expansão da oleaginosa pelo país nas últimas décadas. Tendo em vista a importância do desenvolvimento de cultivares mais precoces e produtivas este trabalho teve como objetivo avaliar o potencial do uso de imagens multiespectrais obtidas por VANTs para substituir ou simplificar a coleta de dados em campo, além de classificar grupos de maturação e produtividade em plantas de soja, visando auxiliar na seleção de genótipos superiores. O estudo avaliou dois experimentos conduzidos em delineamento de blocos casualizados com três repetições no município de Viçosa, MG. O experimento I contou com 84 populações e os 15 genitores avaliados em um total de 297 parcelas. Para o experimento II foram utilizadas 15 populações e seis genitores, totalizando 63 parcelas. Foram utilizadas 11 imagens, por experimento, obtidas por meio de missões de voo, na altura de 40 m, realizadas durante o ciclo da soja. O modelo de drone utilizado foram o DJI Matrice 100 (DJI Innovations, Shenzhen, China) equipado com a câmera multiespectral MicaSense RedEdge MX (MicaSense, Seattle, WA, EUA). Com base nas bandas espectrais das imagens processadas, foram calculados os índices de vegetação ARVI, CIG, CIRE, CVI, DVI, EVI, GNDVI, LCI, MCARI1, MSR, NDRE, NDVI, NGRDI, PRI, RDVI, RI, RVI, SAVI, SIPI, SR, TVI. Em seguida, cada conjunto de dados de índices por data de voo, foram aplicados na Rede Neural Feed Forward (FFNN). As análises foram realizadas por meio do software R para tratamento das imagens e para a construção dos modelos de predição. O modelo baseado nos IVs, obteve precisão e acurácia acima de 60% na classificação de produtividade. Os IVs, calculados a partir dos dados de refletância do dossel, não apresentaram diferenças significativas entre os grupos de maturação que pudessem contribuir para identificar cultivares mais precoces. No entanto, 113 dias após o plantio, entre os estádios R6-R7, os IVs ARVI, NDVI, TVI, SIPI, PRI, RI, RVI, LCI e NGRDI se mostraram mais aptos a identificar diferença entre os grupos de maturação. Palavras-chave: Índices de vegetação. Modelos de classificação. Redes neurais. Glycine max