A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

ESTIMATIVA DA PRODUTIVIDADE E DO ESTRESSE NUTRICIONAL DA CULTURA DO MILHO USANDO IMAGENS DIGITAIS EQUIPE: Francisco de Assis de Carvalho Pinto - Orientador.

Apresentações semelhantes


Apresentação em tema: "ESTIMATIVA DA PRODUTIVIDADE E DO ESTRESSE NUTRICIONAL DA CULTURA DO MILHO USANDO IMAGENS DIGITAIS EQUIPE: Francisco de Assis de Carvalho Pinto - Orientador."— Transcrição da apresentação:

1 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

2 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.

3 Diversos pesquisadores citam as Imagens Aéreas e a Visão Artificial como ferramentas promissoras para estimativa da variabilidade espacial em Agricultura de Precisão. Visão artificial CÂMERA DIGITAL Imagens Aéreas

4 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

5 EMBRAPA - Sete Lagoas -MG Delineamento : blocos ao acaso 5 tratamentos 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

6 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).

7 CAPÍTULO II DISCRIMINAÇÃO DE ESTRESSE NUTRICIONAL DE NITROGÊNIO USANDO IMAGENS DIGITAIS DA CULTURA DO MILHO As mesmas imagens do Capítulo I foram divididas em novas 4 imagens. Total de 60 imagens. Estádios: V9, V12 e V15.

8 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 V o. Vôo-123 R1, R2 e VT - 2 o. Vôo Área 1 Área 2 Área 3

9 Índices de vegetação estudados NDVI RNIR GNIR ARVI SAVI GNDVI Imagem RGB AZ -VD-VE Imagem CIR IVP ÍNDICES

10 Redução da Dimensionalidade do Vetor de Características Essas combinações são denominadas Variáveis canônicas CAN1=a 1 NDVI+a 2 RNIR+a 3 GNIR+a 4 ARVI+a 5 SAVI+a 6 GNDVI CAN2=b 1 NDVI+b 2 RNIR+b 3 GNIR+b 4 ARVI+b 5 SAVI+b 6 GNDVI 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.

11 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: SPADÍndices e canônicas CORR

12 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

13 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. 0 ˆ para, ˆ ˆ Y ˆ X ˆ e ˆ ˆ Y ˆ 1 0 X ˆ 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 1 o. grau Metodologia semelhante foi utilizada para modelos de maior grau polinomial.

14 4a. Etapa) Validação da predição (GRAYBILL, 1976) Constituiu-se em ajustar um modelo linear de 1 o. grau de níveis preditos de N em função de níveis aplicados de N. y = x y = a + b x N aplicado N predito 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

15 RESULTADOS E DISCUSSÃO Seleção das características **=significativo a 1% de probabilidade. Correlação das variáveis com as leituras do SPAD EstádioNDVIRNIRGNIRGNDVIARVISAVICAN1CAN2 V90,67 ** -0,67 ** -0,77 ** 0,75 ** 0,65 ** 0,67 ** 0,79 ** 0,40 V120,46-0,46-0,450,440,72 ** 0,450,72 ** 0,25 V150,17-0,17-0,460,460,070,180,73 ** -0,13 R10,35-0,35-0,250,240,460,35-0,70 ** 0,15 ARVI Estádios V9-V12 NDVI-RNIR-GNIR-GNDVI-ARVI-SAVIEstádio V9CAN1 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.

16 Ajuste dos modelos de regressão Variável Está dio Modelo ajustado F FA F Reg R 2 Eq. Y = NDVIV9 0,001 N 6735,0Y ˆ += ns*0,25(1) Y = RNIRV9 N0008,01997,0Y ˆ -= ns*0,25(2) Y = GNIRV9 2 N0001,0N0047,06179,0Y ˆ +-= ns**0,58(3) Y = GNDVIV9 2 N0001,0N0040,02361,0Y ˆ -+= ns**0,57(4) V9 N0017,07516,0Y ˆ -= ns*0,26(5) Y = ARVI V12 N0007,09117,0Y ˆ += ns*0,35(6) Y = SAVIV9 N0017,00069,1Y ˆ -= ns*0,25(7) V9 32 N0001,0N0038,0N2232,06556,3Y ˆ +-+-= ns**0,79(8) V12 2 N0004,0N0737,04927,2Y ˆ -+-= ns**0,59(9) V15 32 N0001,0N0061,02354,01731,1Y ˆ -+--= ns**0,86(10) Y = CAN1 R1 N0473,08375,2Y ˆ -= 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

17 NDVI-RNIR-ARVI-SAVIEstádio V9 25,0R 2 Indicando que esses índices não são bons preditores de níveis de N no solo para o estádio V9. CAN1Estádio V9 79,0R 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 0,72 0,79 0,4 0,6 0,8 1 V9V12V15R1 Estádios fenológicos R 2 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

18 Níveis de N preditos em função dos níveis de N aplicados no solo VariávelEstádioEquação ajustada F Reg Teste FSPR R 2 Eq. NDVIV9 N0222,11333,0 N ˆ += ns-0,50(1) RNIRV9 N0001,10008,0N ˆ +-= ns-0,52(2) GNIRV9 N0722,12000,2N ˆ +-= **ns0,98(3) GNDVIV9 N9400,06667,0 N ˆ += **ns0,98(4) V9 N9989,07333,0 N ˆ += ns-0,65(5) ARVI V12 N0000,10001,0 N ˆ += *ns0,85(6) SAVIV9 N9975,00020,0 N ˆ += ns-0,50(7) V9 N9944,0400,5N ˆ +-= **ns0,97(8) V12 N8256,04667,7 N ˆ += *ns0,78(9) V15 N9822,04333,0N ˆ +-= **ns0,96(10) CAN1 R1 N0000,10006,0N ˆ +-= *ns0,79(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.

19 Níveis de N preditos pela variável CAN1 versus níveis de N aplicados no solo

20 CONCLUSÕES CAN1 correlação SPAD CAN1 predizer Níveis de N aplicados no solo V9 V12 V15 R1 Índices isolados Análise discriminante canônica Modelos para Predizer Níveis de N aplicados no solo na cultura do milho TÉCNICA PROMISSORA CAN1Efeito reflectância do solo sobre o dossel da cultura Variação da iluminação MINIMIZOU

21 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. ESTATÍSTICOSREDES NEURAIS MODELOS Índices de vegetação Variáveis canônicas

22 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

23 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 no Teorema de Bayes ESTATI_ORIGESTATI_CAN O Teorema de Bayes permite calcular a probabilidade a posteriori j 1 2 j pln2) j XX( j ' ) j XX( 2 1 j 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.

24 Acurácia do classificador estatístico Foi 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.

25 Desenvolvimento do classificador por redes neurais Redes Neurais RN_ORIGRN_CAN Foram testadas seis arquiteturas de redes neurais RNn1n1 n2n 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).

26 Ilustração do procedimento parada mais cedo 0 Número de ciclos Amostra de treinamento Amostra de validação Ponto de parada do treinamento Erro quadrático médio (EQM) Amostra de treinamento 49 vetores Amostra de validação 10 vetores Amostra de teste 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

27 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 Médias estatisticamente iguais

28 RESULTADOS E DISCUSSÃO Estádio Fenológico Variável canônica Proporção da variância Proporção da variância acumulada CAN10,6185 CAN20,30700,9255 CAN30,06570,9912 V9 CAN40,00881,0000 CAN10,8191 CAN20,07540,8944 CAN30,07180,9663 V12 CAN40,03371,0000 CAN10,8321 CAN20,12420,9563 CAN30,02340,9797 V15 CAN40,02031,0000 Redução da dimensionalidade Proporção da variância acumulada das variáveis canônicas As duas primeiras canônicas acumularam próximo de 90% da variância CAN = [CAN1 CAN2]

29 Resultado da análise de variância das acurácias dos classificadores FVGLSQQMF Estádios (E)22746,771373,394,19* Classificador (C)37101,442367,157,23** N44999,121249,783,82** E x C6366,9761,160,19 ns Resíduo ,76327,52 Total ,06 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.

30 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 FVGLSQQMF Estádios (E)22746,771373,394,19* Classificador (C)37101,442367,157,23** N44999,121249,783,82** E x C6366,9761,160,19 ns Resíduo ,76327,52 Total ,06

31 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 FVGLSQQMF Estádios (E)22746,771373,394,19* Classificador (C)37101,442367,157,23** N44999,121249,783,82** E x C6366,9761,160,19 ns Resíduo ,76327,52 Total ,06

32 Desenvolvimento e comparação dos classificadores Resultado da análise de variância das acurácias dos classificadores FVGLSQQMF Estádios (E)22746,771373,394,19* Classificador (C)37101,442367,157,23** N44999,121249,783,82** E x C6366,9761,160,19 ns Resíduo ,76327,52 Total ,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] r Q Tab = 0,9836

33 Desenvolvimento e comparação dos classificadores Resultado da análise de variância das acurácias dos classificadores FVGLSQQMF Estádios (E)22746,771373,394,19* Classificador (C)37101,442367,157,23** N44999,121249,783,82** E x C6366,9761,160,19 ns Resíduo ,76327,52 Total ,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

34 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 TukeyNível de N 67A0 64A120 63AB90 54AB30 42B60 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.

35 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

36 Foram estudas três áreas situadas na Fazenda Experimental da UFV - Coimbra -MG MATERIAL E MÉTODOS Nessas áreas foram realizadas: Leituras do SPAD Aquisição de imagens aéreas Amostragem da produtividade As leituras do SPAD foram realizadas conforme o esquema: 0,90m 5,40m 10,00m

37 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).

38 Aquisição das Imagens

39 Para cada Classe 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 ]

40 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.

41 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-n 1 -n 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 vetores 75% das observações 25% das observações

42 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.


Carregar ppt "ESTIMATIVA DA PRODUTIVIDADE E DO ESTRESSE NUTRICIONAL DA CULTURA DO MILHO USANDO IMAGENS DIGITAIS EQUIPE: Francisco de Assis de Carvalho Pinto - Orientador."

Apresentações semelhantes


Anúncios Google