Tempo de leitura: 14 minutos
Enquanto VANTs ou drones constituem excelentes instrumentos para obtenção de imagens para identificar problemas e completar a análise da colheita na agricultura, um consenso não foi alcançado sobre como extrair o máximo informações valiosas a partir dessas imagens.
Muitos sugeriram que o Índice de Vegetação por Diferença Normalizada (IVDN ou NDVI) poderiam servir como excelentes indicadores de saúde do cultivo. Em teoria, essas imagens NDVI para agricultura poderiam ser usadas para tudo, desde a prescrição de aplicação de fertilizantes à estimativa dos rendimentos e identificar manchas de ervas daninhas. No entanto, o estado da arte é muito aquém das possibilidades.
Em primeiro lugar, o que é NDVI? Há uma confusão substancial sobre este assunto, mas na verdade é muito simples. É comum encontrarmos referências que se referem a IVDN como uma medida do teor de clorofila e teor de água, porém, na verdade, trata-se de uma relação da refletividade do infravermelho próximo (NIR) menos a refletividade do vermelho (VIS) sobre NIR mais V.
Em outras palavras, a fórmula se compõe da seguinte maneira:
IVDN = (NIR-V) / (NIR + V)
O IVDN foi desenvolvido por um cientista da NASA chamado Compton Tucker em um artigo 1977, intitulado “Combinações lineares infravermelhas e fotográficas para monitoramento da vegetação”. Ele examinou 18 diferentes combinações de NIR (Landsat MSS 7 800-1100 nm), vermelho (Landsat MSS 5 600-700 nm) e verde (Landsat MSS 4 500-600 nm) e comparou estes resultados com a densidade de biomassa úmida e seca, em uma tentativa de determinar qual combinação correlacionada é melhor. Suas conclusões foram que NIR/ vermelho, SQRT (NIR/vermelho), NIR-vermelho, (NIR-vermelho) / (NIR+ vermelho) e SQRT ((NIR-vermelho)/(NIR + vermelho) 0,5) foram todos muito semelhantes para estimar a densidade de biomassa fotossinteticamente ativa.
Estes resultados não são surpreendentes. As plantas refletem fortemente no infravermelho próximo por causa de uma camada esponjosa encontrada na superfície inferior da folha, mas não fortemente no vermelho (plantas verdes significam que refletem a luz verde). O solo, por outro lado, reflete ambos. No entanto, quando a planta se torna desidratada ou doentia, a camada esponjosa desintegra e a planta deixa de refletir o máximo de luz NIR. Assim, uma combinação linear da refletividade NIR e refletividade vermelho deve proporcionar um excelente contraste entre a planta e o solo e até mesmo plantas sadias e plantas doentias. Acontece que a combinação não é particularmente importante, mas o índice de IVDN (NIR-Vermelho) / (NIR + Vermelho) foi particularmente eficaz na normalização para diferentes condições de irradiação. Compton começou a publicar mais de uma centena de trabalhos que utilizam este índice, incluindo um de 1979 sobre o desenvolvimento de milho e soja, que nós discutiremos mais tarde.
Agora, 30 anos depois, o Landsat-1 caiu décadas atrás e o Landsat-8 foi atualizado para 11 bandas. O NDVI foi substituído em grande parte pela Fração de Radiação Fotossinteticamente Ativa (FAPAR) e outros índices de investigação de vegetação, mas tornou-se muito barato (em relação a 1977) modificar uma câmera do consumidor para coletar bandas de infravermelho e voar a bordo de um pequeno VANT.
No entanto, as bandas capturadas por essas câmaras de infravermelhos podem variar muito das bandas originais usadas para desenvolver esses índices. A resolução-solo do VANT é mais do que mil vezes maior, a radiação refletida não viaja através de toda a atmosfera para ser capturada e a luz incidente é drasticamente mais variada. Estas considerações significam que as imagens de índice de vegetação produzidos por VANTs podem não refletir exatamente as tomadas por satélite ou dispositivo portátil.
Embora qualquer câmera do consumidor possa coletar bandas de coloração azul (400-500 nm), verde (500-600 nm) e vermelho (600-700nm) que harmonizam as bandas do Landsat-1, coletar o NIR requer modificações na câmera. Os detectores de silício sobre câmeras digitais absorvem até cerca de 1200 nm, removendo o filtro infravermelho que é encontrado em todas as câmeras do consumidor e substituindo com outro, permitindo que a câmera detecte a luz infravermelha necessária para a produção de imagens IVDN. Existem duas estratégias gerais: uma vez que o filtro infravermelho é removido, tanto o azul quanto o canal vermelho absorvem de forma significativa o NIR, assim é possível tanto usar um filtro de entalhe que bloqueie os blocos vermelhos de reafectar o canal vermelho ao NIR e o canal azul com azul + NIR; Ou, um extenso filtro que bloqueia os azuis para realocar o canal azul para NIR e o canal vermelho com vermelho + NIR.
Note que em ambos os cenários de um canal vermelho não adulterado não está disponível. No entanto, IVDN foi desenvolvido sem essas limitações. Não é um padrão de ouro para o bem de si, mas sim um índice que funcionou bem em função dos dados disponíveis. Acontece que, enquanto as plantas, obviamente, refletem mais luz verde do que qualquer outra cor visível, o valor de qualquer luz visível refletida é realmente muito pequeno em comparação com a quantidade de luz refletida NIR.
Assim, enquanto que ambas as opções de filtro eliminam o canal vermelho, qualquer canal visível tem sido utilizado para trabalhar. Em outras palavras, geralmente não importa ao vegetal como o solo reflete todas as bandas visíveis e de forma igual, porque as plantas refletem muito mais do que qualquer canal NIR visível, as diferenças entre os canais não são importantes. Como uma questão prática, a Agribotix usa um filtro azul de entalhe nas câmeras e o canal verde para servir como o sinal visível nos cálculos de índice de vegetação.
Desde a seleção dessa configuração da câmera, várias pessoas já voaram dezenas de milhares de acres (medida americana) e tem gasto um tempo significativo em determinar se a equação IVDN padrão é certo para imagens coletadas com VANT. Depois de analisar um número de campos, chegamos à conclusão de que a resposta provavelmente é não. Enquanto dividindo através de NIR + VIS pode ter sido um excelente fator de normalização para comparar grandes áreas de terra iluminada uniformemente, um pequeno denominador pode fazer o índice de vegetação.
Praticamente, isso significa algo de baixa reflectância visível e NIR vai paradoxalmente produzir um sinal de IVDN muito forte. Por exemplo, as sombras projetadas pelas culturas em pequena escala, e as nuvens em uma escala maior afetam drasticamente essas imagens, que é um problema que os pesquisadores trabalhando com dados de satélite nunca teve que considerar. Um exemplo disto pode ser visto abaixo: A imagem crua é mostrada junto à imagem IVDN e a imagem NIR-VIS. Observe que os valores baixos de refletância dominam a imagem IVDN e mostram o sinal de vegetação mais forte do trator. Em contraste, basta subtrair o visível do NIR e produzir um índice de vegetação muito robusta. Temos observado esta tendência repetidamente, devido a incidentes variações de luz, a imagem IVDN muitas vezes retorna resultados inadequados.
O índice NIR-VIS retorna um mapa de vegetação muito reprodutível. Aqui nós aplicamos uma falsa coloração que as escalas de verde (vegetação densa) a amarelo para vermelho para cinza (sem vegetação). Observe os tratores, casas e estradas têm um sinal de baixa, enquanto que os campos têm um sinal mais elevado.
A imagem NIR-VIS está em nítido contraste com a imagem NDVI. Estes problemas de normalização são um artefato das condições de luz variadas que experimentamos na Terra que o Landsat simplesmente não tem que lidar com eles.
A tomada de imagens brutas com um filtro azul de entalhe dá uma ideia geral sobre a cena. Sinta-se livre para baixar e jogar com todos os índices de vegetação que você vê jogado ao redor.
A razão pela qual Compton Tucker fez divisão até pelo NIR + VIS é que ele queria normalizar a luz incidente para comparar ao longo do tempo e ao longo das estações. No entanto, este tipo de análise requer imagens não só muito bem calibrados, mas também um conhecimento profundo da refletividade das culturas através do ciclo da planta. Em 1979, Compton escreveu um artigo usando seu novo índice para estudar o desenvolvimento da planta. Não é surpreendente para quem está familiarizado com o tema, o sinal de NDVI variaram descontroladamente ao longo do tempo, tanto para milho e soja. Assim, um sinal de fortalecimento NDVI para agricultura é um excelente indicador de progresso para os primeiros cinquenta dias de desenvolvimento da planta, mas um sinal de enfraquecimento tem a mesma finalidade nos últimos cinquenta dias.
Esta figura, feita entre 1979 por Compton Tucker, “Monitoramento de milho e Desenvolvimento cultura da soja com mão-Held Radiometer Spectral de dados”, mostra o NDVI (chamado de índice de vegetação aqui) sinal de milho ao longo do tempo. A data de julho refere-se ao número de dias após 01 de janeiro. Observe o sinal variará não só com a saúde das culturas e da luz incidente, mas também com a época do ano e etapa no desenvolvimento da planta, fazendo comparações entre campos muito difíceis.
É evidente que, entre as mudanças de desenvolvimento, o efeito da luz incidente (a GreenSeeker utilizando um laser, elimina este problema), e o fato de que quase todas as câmaras e os programas de processamento de imagem esticam os histogramas de imagens, em certa medida para permitir a visualização mais fácil, há significativos obstáculos a ultrapassar para a recolha de imagens NDVI que podem ser comparados de forma confiável sobre os campos e ao longo do tempo. Em resposta a estas barreiras e do fato de que nossos clientes são geralmente interessados em comparar o sinal dentro de um único campo, Agribotix decidiu usar o NIR-VIS como um índice de vegetação, que é totalmente apoiada pela comunidade vegetação de detecção e muito menos sensíveis a diferenças na luz incidente de NDVI.
Com toda essa discussão fora do caminho, vamos analisar essas imagens capturadas com VANTs e comparar com o que realmente está acontecendo no solo. Para a nossa parcela de ensaio, vamos olhar para a fazenda de trigo orgânico, sequeiro mostrado abaixo. À esquerda é uma imagem de cor padrão, à direita é o índice de vegetação NIR-VIS, e no centro é um NDVI para comparação. Você vai notar que, em circunstâncias normais, a NIR-VIS parece idêntico ao NDVI. É somente quando as respostas são baixas devido a sombras ou materiais absorventes que o sinal NDVI produz resultados inadequados.
Você vai notar a imagem contém a totalidade dos cinco campos e as franjas de mais cinco para o Norte e vários outros para o Sul. Vamos olhá-los um por um para ver como a imagem índice de vegetação (NIR-VIS), que chamaremos VI a partir de agora, se compara às imagens no solo, mas primeiro um par de observações brutas. O campo na parte superior esquerda é plantada com a aveia que são apenas brotando e sua VI, em consonância com o que Compton relatado para o milho e de soja, é muito baixa em relação ao trigo mais maduro.
O campo trapezoidal ao lado dele é gramas selvagens, que têm sinais muito baixos VI. O sinal é manchado grama fraude (previamente identificado erroneamente como erva daninha), que não refletem um sinal forte. A porção de um campo no canto superior direito é um campo de aveia mais maduro. Os cinco campos totalmente contidos no meio da imagem são, da esquerda para a direita, trigo-após-trigo, trigo-após-pousio, pousio, desplantados (e arado logo depois que tomou estas), e trigo-após-pousio. Nós não vamos nos preocupar com os campos para o Sul. Sem qualquer análise, é claro que as imagens VI Agribotix coletas são reflexo do estado geral dos diferentes campos e já pode ser usado para fazer avaliações brutas dos estados de cada um.
A diferença entre o trigo-após-trigo e trigo-após-pousio é impressionante, tanto do ar e do solo. A imagem abaixo é uma imagem VI de cor e proferida na fronteira. Você pode tentar adivinhar qual é cada campo.
No exemplo anterior, o produtor já sabia que o campo de pousio renderia mais vegetação, por isso as imagens dos VANTs reconhecendo isso serviu apenas como uma verificação da realidade. No entanto, a Agribotix têm descoberto muitos exemplos em que o produtor não tinha conhecimento das diferenças dramáticas na vegetação. Abaixo está uma imagem a cores a partir da estrada. É muito difícil ver que o trigo mais perto da estrada está chegando mais grosso e mais saudável do que o trigo que se localiza em local mais afastado.
Um voo do VANT combinados com imagens VI revelarem esta diferença marcante, o que é confirmado pelas imagens da terra. Conclui-se fortemente que o VANT coletando imagens VI pode ser usado para fazer robustos mapas de vegetação que identificam solidamente áreas de vegetação densa e esparsa. Teremos que esperar até o final da estação de crescimento para determinar o quão cedo se pode determinar informações importantes, como os rendimentos e os requisitos de fertilizantes.
Reconhecemos que a densidade de trigo observado a partir da estrada não era indicativo de todo o campo. As áreas vermelhas provavelmente irão produzir menos trigo.
Fonte: Agribotix
Traduzido e adaptado
Conheça o novo curso online da Droneng! Tenha mais informações sobre o conteúdo e reserve sua matrícula para a próxima turma através do link abaixo:
