estimativa da produtividade e do estresse nutricional da cultura do milho usando imagens digitais...
TRANSCRIPT
ESTIMATIVA DA PRODUTIVIDADE E DO ESTRESSE
NUTRICIONAL DA CULTURA DO MILHO USANDO
IMAGENS DIGITAIS
EQUIPE:
Francisco de Assis de Carvalho Pinto - Orientador
Daniel Marçal de Queiroz - Conselheiro (DEA - UFV)
Nerilson Terra Santos - Conselheiro (DPI - UFV)
Carlos Alberto Alves Varella - Doutorando
Sistema de produção agrícola que leva em conta a variabilidade espacial
AGRICULTURA DE PRECISÃO
Imagens de satélitesSensores em colhedoras
Diversas tecnologias têm sido utilizadas para estimativa da variabilidade espacial em Agricultura de Precisão.
Diversos pesquisadores citam as Imagens Aéreas e a Visão Artificial como ferramentas promissoras para estimativa da variabilidade espacial em Agricultura de Precisão.
Visão artificial
CÂMERADIGITAL
Imagens Aéreas
Objetivo Geral da Pesquisa
Desenvolver classificadores para estimar a Variabilidade Espacial da Produtividade e do estresse nutricional de nitrogênio na cultura do milho a partir de informações obtidas em imagens digitais.
Capítulo I Avaliou-se a utilização de variáveis canônicas e de índices de
vegetação isoladamente no ajuste de modelos lineares para predizer estresse nutricional de nitrogênio na cultura do milho
Capítulo II Comparou-se dois tipos de classificadores para aplicação em sistemas
de visão artificial: um com base em modelos estatísticos e outro com base em modelos de redes neurais para estimar estresse nutriconal de nitrogênio na cultura do milho
Capítulo III Comparou-se desempenho de classificadores estatísticos e por redes
neurais para mapear a Variabilidade Espacial da Produtividade da cultura do milho, utilizando-se informações obtidas de imagens aéreas digitais
EMBRAPA - Sete Lagoas -MG
Delineamento : blocos ao acaso
5 tratamentos 0-30-60-90-120 N.
3 repetições.
Total de 15 imagens.
Estádios: V9, V12, V15 e R1.
Resolução Espacial = 0,1 mm.pixel-1
CAPÍTULO I
EXTRAÇÃO DE CARACTERÍSTICAS DE IMAGENS DIGITAIS PARA ESTUDO DO ESTRESSE NUTRICIONAL DE NITROGÊNIO
NA CULTURA DO MILHO
Câmara: DuncanTech MS 3100 (1392C x 1039L)
0,5 m
Por ocasião da aquisição das imagens foram feitas Leituras do SPAD
Nos estádios vegetativos foram amostradas as
folhas mais jovens totalmente expandidas e nos
estádios reprodutivos as folhas abaixo da
primeira espiga.
A amostragem foi feita conforme proposto por
PETERSON, et al.(1993).
CAPÍTULO II
DISCRIMINAÇÃO DE ESTRESSE NUTRICIONAL DE NITROGÊNIO USANDO IMAGENS DIGITAIS DA CULTURA DO
MILHOAs mesmas imagens do Capítulo I foram
divididas em novas 4 imagens.
Total de 60 imagens.
Estádios: V9, V12 e V15.
CAPÍTULO III
ESTIMATIVA DA VARIABILIDADE ESPACIAL DA PRODUTIVIDADE NA CULTURA DO MILHO USANDO IMAGENS
AÉREAS DIGITAIS
As imagens foram adquiridas de 1000 m de altura com a câmera instalada em
uma aeronave Cessna.
Resolução espacial 250mm.pixel-1
Nos estádios VT, R1 e V12 - 1o.Vôo-123
R1, R2 e VT - 2o. Vôo - 123
Área 1
Área 2
Área 3
Índices de vegetação estudados
NDVI RNIR GNIR ARVI SAVI GNDVI
Imagem RGB AZ -VD-VE
Imagem CIR IVP
ÍNDICES
Redução da Dimensionalidade do Vetor de Características
Essas combinações são denominadas Variáveis canônicas
CAN1=a1NDVI+a2RNIR+a3GNIR+a4ARVI+a5SAVI+a6GNDVI
CAN2=b1NDVI+b2RNIR+b3GNIR+b4ARVI+b5SAVI+b6GNDVI
CAN1=primeira variável; CAN2=segunda variável[a]=primeiro vetor canônico; [b]=segundo vetor canônico
As duas primeiras variáveis canônicas foram determinadas como:
A utilização dessa técnica teve como objetivos reduzir a dimensionalidade do vetor de características original e captar o efeito simultâneo dos índices de vegetação para discriminação dos níveis aplicados de N.
Seleção das Características
1a. Etapa) Análise de correlação - CORR - SAS Estudou-se a correlação das leituras do SPAD com as variáveis estudadas
(índices de vegetação isoladamente e varáveis canônicas dos índices)..
Teve como objetivo identificar variáveis espectrais capazes de predizer níveis de N na cultura do milho.
1. Análise de correlação 2. Ajustes de modelos de regressão 3. Predição de níveis de nitrogênio 4. Validação da predição
Foi feita em quatro etapas:
SPAD Índices e canônicasCORR
SPAD
N aplicado no solo Ajustou-se modelos lineares em função dos
níveis de N aplicados no solo, nos estádios em que a correlação das variáveis com o SPAD foi significativa.
2a. Etapa) Ajuste dos modelos de regressão - GLM - SAS
Os modelos que apresentaram resultado não significativo para o teste de Falta de Ajustamento e
Significativo para análise de variância da regressão
Foram selecionados para a predição de níveis de N.Índices e canônicas
3a. Etapa) Predição de níveis de nitrogênio (NETER et al., 1996)
Para predizer níveis de N aplicados no solo em função das características selecionadas (índices e canônicas), a variável independente (N) foi isolada nos modelos selecionados na etapa anterior.
0ˆpara,ˆ
ˆYX 11
0
e ˆˆY
10
X níveis de N obtidos pela predição inversa;
valores dos índices de vegetação preditos pelos modelos ajustados;
intercepto e regressor obtidos no ajuste dos modelos.
Modelo de 1o. grau
Metodologia semelhante foi utilizada para modelos de maior grau polinomial.
4a. Etapa) Validação da predição (GRAYBILL, 1976) Constituiu-se em ajustar um modelo linear de 1o. grau de níveis preditos de N
em função de níveis aplicados de N.
y = 0 + 1 xy = a + b x
020406080
100120140
0 50 100 150
N aplicado
N p
redi
to
A variável que resultou em teste F significativo para a regressão e teste FSPR não significativo foi considerada como uma variável espectral capaz de predizer níveis de N em um modelo linear.
FSPR = Teste F Simultâneo dos Parâmetros da Regressão
Teste F da Regressão
vetor
1
0
b
a
RESULTADOS E DISCUSSÃO Seleção das características
**=significativo a 1% de probabilidade.
Correlação das variáveis com as leituras do SPADEstádio NDVI RNIR GNIR GNDVI ARVI SAVI CAN1 CAN2
V9 0,67** -0,67** -0,77** 0,75** 0,65** 0,67** 0,79** 0,40V12 0,46 -0,46 -0,45 0,44 0,72** 0,45 0,72** 0,25V15 0,17 -0,17 -0,46 0,46 0,07 0,18 0,73** -0,13R1 0,35 -0,35 -0,25 0,24 0,46 0,35 -0,70** 0,15
ARVI Estádios V9-V12
NDVI-RNIR-GNIR-GNDVI-ARVI-SAVI Estádio V9
CAN1 Todos os estádios
Os resultados mostram que a análise discriminante canônica gerou uma variável espectral CAN1 correlacionada significativamente com as leituras do SPAD em todos os estádios estudados.
Ajuste dos modelos de regressão
VariávelEstádio
Modelo ajustadoF
FAF
RegR
2Eq.
Y = NDVI V9 0,001 N6735,0Y += ns * 0,25 (1)
Y = RNIR V9 N0008,01997,0Y -= ns * 0,25 (2)
Y = GNIR V9 2N0001,0N0047,06179,0Y +-= ns ** 0,58 (3)
Y = GNDVI V9 2N0001,0N0040,02361,0Y -+= ns ** 0,57 (4)
V9 N0017,07516,0Y -= ns * 0,26 (5)Y = ARVI
V12 N0007,09117,0Y += ns * 0,35 (6)
Y = SAVI V9 N0017,00069,1Y -= ns * 0,25 (7)
V9 32 N0001,0N0038,0N2232,06556,3Y +-+-= ns ** 0,79 (8)
V12 2N0004,0N0737,04927,2Y -+-= ns ** 0,59 (9)
V15 32 N0001,0N0061,02354,01731,1Y -+--= ns ** 0,86 (10)Y = CAN1
R1 N0473,08375,2Y -= ns ** 0,72 (11)ns=não significativo; **=significativo a 1% de probabilidade; *significativo a 5% de probabilidade.
Para todas as variáveis selecionadas na etapa anterior foi possível ajustar um modelo linear de regressão
Com FA não significativa Regressão significativa
NDVI-RNIR-ARVI-SAVI Estádio V925,0R 2
Indicando que esses índices não são bons preditores de níveis de N no solo para o estádio V9.
CAN1 Estádio V979,0R 2 =
Mostrando que a combinação linear dos índices foi mais sensível a níveis de N aplicados no solo do que os índices isoladamente.
0,59
0,86
0,720,79
0,4
0,6
0,8
1
V9 V12 V15 R1
Estádios fenológicos
R2
0,70
Queda não esperada durante o período vegetativo da cultura que pode ter sido devido a existência de um produto químico nas folhas durante a aquisição das imagens.
SCHLEICHER (2001)
CAN1
Níveis de N preditos em função dos níveis de N aplicados no solo
Variável Estádio Equação ajustadaF
RegTesteFSPR
R2 Eq.
NDVI V9 N0222,11333,0 N += ns - 0,50 (1)
RNIR V9 N0001,10008,0N +-= ns - 0,52 (2)
GNIR V9 N0722,12000,2N +-= ** ns 0,98 (3)
GNDVI V9 N9400,06667,0 N += ** ns 0,98 (4)
V9 N9989,07333,0 N += ns - 0,65 (5)ARVI
V12 N0000,10001,0 N += * ns 0,85 (6)
SAVI V9 N9975,00020,0 N += ns - 0,50 (7)
V9 N9944,0400,5N +-= ** ns 0,97 (8)
V12 N8256,04667,7 N += * ns 0,78 (9)
V15 N9822,04333,0N +-= ** ns 0,96 (10)CAN1
R1 N0000,10006,0N +-= * ns 0,79 (11)
ns=não significativo; *=significativo a 5% de probabilidade; **=significativo a 1% de probabilidade.
A variável CAN1 foi capaz de predizer níveis de N em todos os estádios fenológicos estudados.
Níveis de N preditos pela variável CAN1 versus níveis de N aplicados no solo
Estádio V9
y = 0,9944x - 5,4R2 = 0,97
-50
0
50
100
150
0 50 100 150
N Aplicado no solo
N P
redi
to
Estádio V12
y = 0,8256x + 7,4667R2 = 0,78
-50
0
50
100
150
0 50 100 150
N Aplicado no solo
N P
redi
to
Estádio V15
y = 0,9822x - 0,4333R2 = 0,96
-50
0
50
100
150
0 50 100 150
N Aplicado no solo
N P
redi
to
Estádio R1
y = x - 0,0006R2 = 0,79
-50
0
50
100
150
0 50 100 150
N Aplicado no solo
N P
redi
to
CONCLUSÕES
CAN1 correlação SPAD
CAN1 predizer Níveis de N aplicadosno solo
V9V12V15R1
Índices isolados
Análise discriminante canônica
Modelos para Predizer Níveis de N aplicados no solo na cultura do milho
TÉCNICA PROMISSORA
CAN1 Efeito reflectância do solo sobre o dossel da cultura
Variação da iluminação
MINIMIZOU
CAPÍTULO II
DISCRIMINAÇÃO DE ESTRESSE NUTRICIONAL DE NITROGÊNIO USANDO IMAGENS DIGITAIS DA CULTURA
DO MILHO
OBJETIVO Desenvolver e comparar dois tipos de classificadores para discriminar estresse nutricional de nitrogênio na cultura do milho em imagens digitais de alta resolução espacial.
ESTATÍSTICOS REDES NEURAIS
MODELOS
Índices de vegetação
Variáveis canônicas
EMBRAPA Milho e Sorgo - Sete Lagoas -MG
Mesmas imagens utilizadas no Capítulo I
MATERIAL E MÉTODOS
Foram adquiridas 15 RGB e 15 CIR em cada estádio - V9, V12, V15 Total de 60 imagens coloridas e 60 imagens
falsa-cor infravermelho
60 vetores ORIG = [NDVI RNIR GNIR ARVI SAVI GNDVI]
No total foram obtidos 120 vetores de características
60 vetores CAN = [CAN1 ... CANK]
Desenvolvimento do Classificador Estatístico
Com base noTeorema de Bayes
ESTATI_ORIG ESTATI_CAN
O Teorema de Bayes permite calcular a probabilidade a posteriori
j12
jpln2)jXX(j
')jXX(2
1jln
2
1)X(D
Foi obtida por meio da função discriminante quadrática:
Foram obtidas 5 funções discriminantes, uma para cada nível de N, sendo o objeto alocado na classe que apresentou maior valor de D2j.
Acurácia do classificador estatísticoFoi estimada pelo método da validação cruzada deixando um de fora,
proposto por LACHENBRUCH & MICKEY (1968).
As análises foram feitas no programa computacional SAS com o procedimento DISCRIM.
Desenvolvimento do classificador por redes neurais
Redes NeuraisRN_ORIG RN_CAN
Foram testadas seis arquiteturas de redes neurais
RN n1 n2
1 5 52 5 103 5 154 10 55 10 106 10 15
Treinamento das arquiteturas Foram treinadas no programa computacional MATLAB. Cada arquitetura foi
treinada com 10 inicializações dos parâmetros livres com o procedimento parada mais cedo (HAYKIN, 1999).
Ilustração do procedimento parada mais cedo
0 Número de ciclos
Amostra de treinamento
Amostra devalidaçãoPonto de parada
do treinamento
Err
o q
ua
drá
tico
mé
dio
(E
QM
)
Amostra detreinamento
49 vetores
Amostra devalidação
10 vetores
Amostra deteste
1 vetor
Amostra de treinamento - treinar as RN
Amostra de validação - interromper o treinamento
Amostra de teste - Não participou do treinamento. Utilizada para testar a acurácia de classificação
Acurácia de classificação por redes neurais Foi estimada pelo método da validação cruzada deixando um de fora,
proposto por LACHENBRUCH & MICKEY (1968).
60 amostras de teste eram apresentadas as RN que as classificadas em um dos cinco níveis de N. Selecionou-se a arquitetura que apresentou maior acurácia de classificação nas das inicializações.
Comparação entre acurácia dos classificadores As acurácias foram foram comparadas pelo teste F da análise de variância
utilizando-se o modelo estatístico inteiramente casualizado.
As médias foram comparadas pelo teste de Tukey ao nível de 5%.
As análise foram feitas no programa computacional SAS com o procedimento ANOVA.
Resultado não significativo pelo teste de Tukey
Médiasestatisticamente iguais
RESULTADOS E DISCUSSÃO
EstádioFenológico
Variávelcanônica
Proporçãoda variância
Proporção davariância
acumulada
CAN1 0,6185 0,6185CAN2 0,3070 0,9255CAN3 0,0657 0,9912
V9
CAN4 0,0088 1,0000
CAN1 0,8191 0,8191CAN2 0,0754 0,8944CAN3 0,0718 0,9663
V12
CAN4 0,0337 1,0000
CAN1 0,8321 0,8321CAN2 0,1242 0,9563CAN3 0,0234 0,9797
V15
CAN4 0,0203 1,0000
Redução da dimensionalidade
Proporção da variância acumulada das variáveis canônicas
As duas primeiras canônicas acumularam próximo de 90% da variância
CAN
CAN = [CAN1 CAN2]
Resultado da análise de variância das acurácias dos classificadores
FV GL SQ QM F
Estádios (E) 2 2746,77 1373,39 4,19*Classificador (C) 3 7101,44 2367,15 7,23**N 4 4999,12 1249,78 3,82**E x C 6 366,97 61,16 0,19ns
Resíduo 44 14410,76 327,52
Total 59 29625,06
A-56
B-51
A-67
0
10
20
30
40
50
60
70
80
V9 V12 V15
Estádios fenológicos
Acu
ráci
a (
%)
A média de acurácia não foi a mesma entre os diversos estádios (E)
Desenvolvimento e comparação dos classificadores
Queda significativa entre V9 e V12. Resultado não esperado dentro do período vegetativo.
Segundo SCHARF et al. (2000); DAUGHTRY et al. (2000) dentro do período vegetativo a medida que a planta se desenvolve espera-se uma melhor performance dos modelos para discriminar níveis de N.
Desenvolvimento e comparação dos classificadores
Estádio V12
Evitar a aplicação de qualquer produto que altere a reflectância do dossel.
Estádio V9
A presença de manchas brancas pode ter causado a queda da acurácia no estádio V12, modificando a reflectância do dossel e acurácia dos classificadores.
Resultado da análise de variância das acurácias dos classificadores
FV GL SQ QM F
Estádios (E) 2 2746,77 1373,39 4,19*Classificador (C) 3 7101,44 2367,15 7,23**N 4 4999,12 1249,78 3,82**E x C 6 366,97 61,16 0,19ns
Resíduo 44 14410,76 327,52
Total 59 29625,06
B-46B-49
A-66A-72
0
10
20
30
40
50
60
70
80
Acu
ráci
a (
%)
A média de acurácia não foi a mesma para todos os classificadores (C)
Desenvolvimento e comparação dos classificadores
Classificador RN apresentou maior acurácia do que classificador estatístico.
Segundo HUANG & LIPPMANN (1987) e MARCHANT & ONYANGO (2003) em situações de não normalidade as RN podem superar os estatísticos.
Resultado da análise de variância das acurácias dos classificadores
FV GL SQ QM F
Estádios (E) 2 2746,77 1373,39 4,19*Classificador (C) 3 7101,44 2367,15 7,23**N 4 4999,12 1249,78 3,82**E x C 6 366,97 61,16 0,19ns
Resíduo 44 14410,76 327,52
Total 59 29625,06
Desenvolvimento e comparação dos classificadoresResultado da análise de variância das acurácias dos classificadores
FV GL SQ QM F
Estádios (E) 2 2746,77 1373,39 4,19*Classificador (C) 3 7101,44 2367,15 7,23**N 4 4999,12 1249,78 3,82**E x C 6 366,97 61,16 0,19ns
Resíduo 44 14410,76 327,52
Total 59 29625,06
Teste de normalidade dos vetores de características
Algumas variáveis não apresentaram distribuição normal, indicando que os vetores de características não apresentaram distribuição multinormal (KHATTREE& NAIK, 2000). O que pode explicar a pior acurácia do classificador estatístico.
ORIG = [NDVI RNIR GNIR ARVI SAVI GNDVI]CAN = [CAN1 CAN2]
0,84
0,88
0,92
0,96
1
Variáveis
Co
efic
ien
te d
e c
orr
ela
ção
(rQ
)
rQTab = 0,9836
A-67
B-54
B-42
A-63A-64
0
10
20
30
40
50
60
70
80
0 30 60 90 120
Níveis de N aplicados no solo
Acu
ráci
a (
%)
Desenvolvimento e comparação dos classificadores
Resultado da análise de variância das acurácias dos classificadores
FV GL SQ QM F
Estádios (E) 2 2746,77 1373,39 4,19*Classificador (C) 3 7101,44 2367,15 7,23**N 4 4999,12 1249,78 3,82**E x C 6 366,97 61,16 0,19ns
Resíduo 44 14410,76 327,52
Total 59 29625,06
A média de acurácia não foi a mesma para
todos os níveis de N aplicados no solo (N)
Maiores acurácias para os níveis 0, 90 e 120
Diferença significativa entre 0-60 e 60 e 120, o que significa que os classificadores
apresentaram melhor desempenho para discriminar contrastes de 60 do que
contrastes de 30 Kg de N.ha-1.
AC (%) Comparação Tukey Nível de N
67 A 064 A 12063 A B 9054 A B 3042 B 60
Resultados do teste de Tukey para níveis de N aplicados no solo
CONCLUSÕES
Os classificadores por redes neurais apresentaram maiores acurácias do que os classificadores estatísticos.
A análise discriminante canônica não melhorou o desempenho dos classificadores.
Modelos de redes neurais apresentaram maior potencial para uso em sistemas de visão artificial do que modelos estatísticos para discriminar níveis de N na cultura do milho.
OBJETIVO
Desenvolver e comparar a acurácia de classificadores estatísticos e por redes neurais para mapear a variabilidade espacial da produtividade na cultura do milho para uso em sistemas de sensoriamento remoto.
ESTIMATIVA DA VARIABILIDADE ESPACIAL DA PRODUTIVIDADE NA CULTURA DO MILHO USANDO
IMAGENS AÉREAS DIGITAIS
CAPÍTULO III
Foram estudas três áreas situadas na Fazenda Experimental da UFV - Coimbra -MG
MATERIAL E MÉTODOS
Nessas áreas foram realizadas:Leituras do SPADAquisição de imagens aéreasAmostragem da produtividade
As leituras do SPAD foram realizadas conforme o esquema:
0,90m
5,40m
5,40m
10,00m
As leituras foram agrupadas em três classes gerando-se um mapa temático com três classes de SPAD que foi utilizado para definir a amostragem da produtividade.
Confecção dos mapas de leituras do SPAD Os mapas foram confeccionados utilizando-se a técnica de Krigagem
recomendada por VIEIRA (2000).
O estudo da dependência espacial foi feito avaliando-se o coeficiente de efeito pepita do semivariograma conforme proposto por CAMBARDELLA (1994).
Aquisição das Imagens
Para cadaClasse de SPAD
Blocos de pixels da imagem original
Número de blocos igual metade das leituras
SPAD
Imagens RGB e CIR de 40x40 pixel
Retirados em diferentes posições da imagem
Cálculo dos índices de vegetação - Capítulo I
Obtenção do Vetor de Características
= [NDVI RNIR GNIR ARVI SAVI GNDVI]
Avaliação do Vetor de Características A avaliação potencial do vetor de características para discriminar
níveis de produtividade foi feita pelo teste T 2 de Hotelling.
“Se a separação não for significativa, a procura de uma regra de classificação útil será provavelmente infrutífera” REGAZZI (2000).
Desenvolvimento do Classificador Estatístico
O classificador estatístico foi desenvolvido utilizando-se a análise discriminante.
As funções discriminantes foram obtidas no programa computacional SAS com o procedimento DISCRIM.
Desenvolvimento do Classificador por Redes Neurais
O classificador por redes neurais foi desenvolvido em 2 etapas
SELEÇÃO TREINAMENTO e
Estimativa da Acurácia
ARQUITETURAS
Testou-se 25 arquiteturas do tipo 6-n1-n2-3
6 elementos no vetor de entrada: índices de vegetação n1 e n2 número de neurônios nas camadas escondidas 3 elementos na camada de saída: classes de SPAD
12 vetores75%
das observações
25% das observações
A acurácia dos classificadores foi avaliada pelo coeficiente Kappa calculado da matriz de erros (CONGALTON e MEAD, 1983).
Estimativa da Variabilidade Espacial da Produtividade
Neste estudo utilizou-se vetores de características obtidos em posições na imagem correspondentes as leituras do SPAD no campo.
Esses vetores foram apresentados aos classificadores para estimar os níveis de produtividade..
Com os valores estimados, foi realizado um estudo de dependência espacial para confecção de mapas de produtividade.