Desenvolvimento de software para extração de índices de vegetação e implementação de classificador de status nutricional em nitrogênio em pastos de Urochloa decumbens \'Basilisk\' (Syn. Brachiaria decumbens \'Basilisk\')

• Autor(a) principal: Bertolini, Caio Augusto
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/74/74131/tde-03082022-154948/
• topic: Machine learning; Análise de imagens; Computer vision; Image analysis; Índice de cores RGB; Machine learning; RGB; RGB; RGB color index; Visão computacional

O sensoriamento remoto trouxe ferramentas importantes para o desenvolvimento de agricultura e pecuária mais eficientes no uso de insumos e menos prejudiciais ao meio ambiente. A utilização de índices de vegetação (IV) para determinação de classe nutricional têm crescido bastante e auxiliado no monitoramento das culturas. O nitrogênio (N) é um nutriente de grande relevância para desenvolvimento vegetativo em pastagem e a aplicação da quantidade correta traz melhorias na produtividade do pasto. Então, a utilização de IV\'s apoiados por técnicas de classificação de aprendizado de máquina para determinar a quantidade de nitrogênio contida na gramínea forrageira, pode ser uma ferramenta útil para que possa determinar a quantidade de N que precisa ser aplicado, assim ajudando o produtor na tomada de decisão ágil. Dessa forma, os objetivos deste trabalho foram desenvolver um software de processamento de imagens para extração de índices de vegetação baseados no modelo RGB e implementar um algoritmo de aprendizado de máquina para determinar o faixa de nitrogênio (deficiente, moderadamente deficiente ou suficiente), a partir de imagens RGB adquiridas por smartphones em capim braquiária. O trabalho foi desenvolvido no Campus Fernando Costa (FZEA/USP) e foi dividido em três etapas. A primeira etapa consistiu no desenvolvimento de um software, em Python, para extração automática de 26 índices de vegetação de imagens RGB de folhas. Na segunda parte foi realizado a experimentação em campo, em uma área 480 m² com 12 parcelas, de Urochloa decumbens \'Basilisk\', divididos em três tratamentos de adubação nitrogenada (T0: sem adubação, T15: 15 kg de N/ha, T30: 30 kg de N/ha) em dois períodos (2019/2020 e 2020/2021). Foram coletados dados de composição morfológica e captados 2160 imagens RGB de folha, para avaliação do desenvolvimento vegetativo da planta e, também, da resposta das cores na faixa do RGB em três classes de nitrogênio. Na última etapa foi realizado a extração dos IV\'s e aplicação de quatro algoritmo de aprendizado de máquina (K-vizinhos mais próximos, máquina de vetores de suporte, floresta randômicas e rede neural artificial) para realizar a classificação das 3 classes de nitrogênio, nos dados sem e com balanceamento (All-KNN), para avaliar qual é o melhor método de classificação. O software para extração de IV\'s (ExtractVI) conseguiu realizar a identificação correta das folhas de gramínea, delimitando o local do objeto na imagem e realizando o recorte automático. A decumbens apresentou resposta com aplicação de adubação nitrogenada, diminuindo a duração de rebrotação e aumentando a produção de massa de folhas e o índice de área foliar. A resposta cores da planta no RGB teve maior diferença visual entre as classes deficiente e suficiente, no entanto a classe moderadamente deficiente apresentou semelhança na cor com as outras classes. Entretanto, o manejo da pastagem e a pluviosidade demonstraram efeito sobre as características morfológicas e resposta das cores da planta. A determinação das classes de nitrogênio teve uma eficiência de 74% utilizando a multilayer perceptron com 26-10-1 neurônios, método de treinamento quasi-Newton e função de ativação Tansig, podendo ser melhorado com o balanceamento dos dados, atingindo valores de eficácia de 86% com o classificador floresta randômica com 150 árvores de decisão.