Diferenciação entre Soja Bt e Soja Não-Bt, em Imagem RGB Gerada por Drone

Diferenciação entre Soja Bt e Soja Não-Bt, em Imagem RGB Gerada por Drone

Diferenciação entre Soja Bt e Soja Não-Bt, em Imagem RGB Gerada por Drone, a partir da Ferramenta de Classificação Pixel Explorer.


Resumo

A classificação de imagens é uma importante ferramenta utilizada por profissionais de Sensoriamento Remoto, mas diferenciar feições que possuam características muito semelhantes é extremamente difícil, pois as bandas da radiação eletromagnética na porção visível, muitas vezes confundem o analista e, assim, alvos diferentes são comumente classificados como iguais. Este artigo demonstra que é possível realizar uma classificação supervisionada, em imagens obtidas por sensores remotos com baixa resolução espectral, como no caso de drones, distinguir tipos diferentes de cobertura vegetal e, até mesmo, variações de uma mesma espécie de planta (como a soja Bt e a soja não-Bt), utilizando a ferramenta computacional Pixel Explorer (PEX), desenvolvida pelo autor deste trabalho.

Palavras-chave: sensoriamento remoto, classificação supervisionada e vegetação.


1 – Introdução

Com o avanço constante das novas tecnologias de sensoriamento remoto, torna-se cada vez mais importante a busca por soluções computacionais que auxiliem os analistas de imagens, na tarefa de reconhecimento e classificação de feições específicas da superfície terrestre, que possam individualizar a resposta espectral de alvos de interesse, seja a na composição do solo ou em diferentes tipos de cultura.

Segundo Velasco et al., 1978, a grande dificuldade no processo classificação de padrões diferentes reside na definição de qual é a classe da feição de interesse, além da coleta de amostras com pixels puros. Porém, a ferramenta de classificação Pixel Explorer (PEX) não se baseia apenas em pixels puros isolados, mas também na miscigenação que pode ocorrer dentro de uma mesma classe, dependendo apenas da expertise do analista, para selecionar corretamente as feições de interesse, que sejam relacionadas à classe que se quer discretizar, na imagem a ser classificada.

O presente artigo mostra como a ferramenta PEX (Marinho et al., 2014) pode ser utilizada como auxílio na diferenciação de feições, mesmo em imagens com baixas resoluções espaciais e espectrais.


2 – Metodologia de Trabalho

2.1 – Soja Transgênica

A soja transgênica, comercializada hoje no mercado brasileiro, expressa a proteína Cry1Ac. O nome popular, soja Bt, se deve ao fato dessa proteína ser derivada da bactéria Bacillus thuringiensis, comumente encontrada nos solos e outros ambientes naturais. A Cry1Ac é específica para algumas espécies de insetos da ordem Lepidoptera, dessa forma apresenta excelente proteção contra as principais lagartas da cultura da soja. A soja Bt é protegida contra as principais pragas da cultura, durante todo o ciclo de desenvolvimento da planta. Ao se alimentarem de plantas de soja Bt, as lagartas-alvo ingerem a proteína Cry1Ac, que se liga a receptores específicos no tubo digestivo do inseto, provocando a ruptura da membrana do intestino médio das lagartas e, consequentemente, a morte do inseto. Já a soja não modificada geneticamente fica então denominada soja não-Bt (Programa Boas Práticas Agronômicas, 2016).

2.2 – Área de estudo

O cultivo da soja que foi utilizada neste trabalho foi realizado na área experimental da Embrapa Cerrados, localizada na rodovia BR-020, km 18, Planaltina, DF (Lat. 15º36’47’’ Sul / Long. 47º42’27’’ Oeste, altitude de 1.017 metros), safra 2015/2016. As condições de preparação de solo, controle de plantas invasoras e doenças fúngicas seguiram as recomendações técnicas para a região.

A área de estudo fazia parte de um projeto da Embrapa, que visava à diferenciação da infestação de pragas, lepidópteras, entre as duas variações de soja, a Bt e a não-Bt, todo o processo de preparação e cultivo das mudas, assegurou a fidedignidade dos dados referentes ao tipo e localização das duas variações de cultura no local, ressaltando-se ainda que as duas culturas foram plantadas na mesma época e que, por ocasião da tomada de imagens pelo sensor, estavam na mesma fase de crescimento e maturação, igualando assim as condições de reflexão da luz solar para ambos os tipos de soja. O plantio foi conduzido em blocos de delineamento casualizados (DBC), com três repetições, no esquema de parcelas subdivididas, com dimensões de 2,1 a 2,5 ha, dispostas em forma de mosaico alternado (três parcelas para soja não-Bt e três parcelas pra a soja Bt) (figura 1).

Figura 1. Área de estudo. Parcelas 1, 4 e 5 – Soja Bt; parcelas 2, 3 e 6 – soja não-Bt.
Imagem: Google Earth.

2.3 – Drone de reconhecimento

O imageamento foi realizado por um drone Phantom 3 Professional, da DJI (figura 2). Com uma câmera Sony EXMOR 1/2.3”, com 12.76 Mega pixels e lentes com FOV (Field Of View) de 94°, equivalente ao formato das lentes 35 mm, com um tamanho máximo de imagem em composição true color de 4000 x 3000 pixels.
Figura 2. Phantom 3 Professional. Fonte: http://www.escoladedrones.com.br

2.4 – Imageamento

O drone obteve imagens da área de estudo, a uma altura de aproximadamente 190 m acima do solo (figura 3).

Figura 3. Foto oblíqua da área de estudo. Fonte: Arte e Drone.

2.5 – Classificação supervisionada

Para o processo de classificação supervisionada, foi utilizada a ferramenta PEX.


 3 – Resultado e Discussão

3.1 – Classificação 1

Como ponto de partida, foram selecionados na imagem os parâmetros referentes à feição “soja” como um todo, sem se levar em conta a que parcela a amostra pertencia. Com isso, foram coletados pontos de treinamento, tanto sobre a soja comum, quanto a soja Bt, em diferentes distâncias entre o sensor e os pontos no solo. Ao todo foram coletados 12 pixels representativos da área cultivada, sendo que o resultado obtido na classificação foi uma máscara contendo a delimitação da plantação efetiva de soja. Como se pode observar na figura 4.
Figura 4. Máscara da classificação da feição “soja” na imagem oblíqua.

É interessante notar que a área ao redor da plantação é repleta de outros tipos de vegetação, tanto nativa, quanto de origem agrícola, mas apenas as feições selecionadas, referentes à soja, foram classificadas na imagem. Até mesmo um arbusto que se encontrava em meio à plantação não foi classificado.

3.2 – Classificação 2

Em seguida, utilizando a informação sobre as parcelas contíguas possuírem tipos de soja geneticamente diferentes, selecionou-se uma imagem da plantação que conseguisse manter uma relação igualitária da distância entre o sensor e duas parcelas, com os tipos distintos de soja. Essa relação deveria ser o mais uniforme possível, para que a quantidade de radiação chegando ao sensor, oriunda duas áreas, fosse equivalente, pois a absorção e o espalhamento diminuem a quantidade de energia luminosa, que atravessa um meio, ao longo da sua direção de propagação. Por isso, para que a atenuação causada pela distância não fosse fator influenciador no experimento, foram classificadas duas parcelas posicionadas lado a lado (a parcela 1, com soja Bt e a parcela 2, com soja não-Bt) com distâncias idênticas até o sensor (figuras 5). Em cada parcela foi selecionado um espaço amostral de 15 pixels, suficiente para gerar duas máscaras que, quando observadas individualmente, apresentam nitidamente a delimitação das áreas com maior ocorrência de uma, ou de outra, variedade de soja (figuras 6 e 7). Podemos observar as respostas espectrais das amostras na figura 8.

Figura 5. Parcelas 1 e 2 da área de estudo. Fonte: Arte e Drone.

Figura 6. Parcela 1, com soja Bt, classificada.

Figura 7. Parcela 2, com soja não-Bt, classificada.

Figura 8. Resposta espectral das amostras.

 


4 – Conclusões

Fica evidenciado, nas imagens classificadas, que as respostas espectrais dos dois tipos de soja foram relativamente diferentes entre si e, apesar de pequenas áreas de conflito, as feições da soja Bt e da não-Bt foram separadas com êxito, não havendo sobreposição dos pixels classificados (figura 9). Com isso, a ferramenta Pixel Explorer demonstra seu potencial para ser utilizada por analistas de imagens, para a separação e identificação de feições vegetais, que possuam padrões diferentes de reflexão da luz solar, como culturas de espécies diferentes ou, até mesmo, na diferenciação entre duas variações genéticas da mesma planta, como é caso das sojas Bt e não-Bt, Com um universo amostral pequeno (poucos pixels selecionados analista), sem a necessidade de ROIs (Regiões de Interesse) ou outas ferramentas de análise, com resultados significativos em porcentagem de acurácia, como ilustrado no gráfico da figura 10.

Figura 9. Parcela 1 (em azul) e parcela 2 (em vermelho) classificadas, com pequenas áreas de conflito.

Figura 10. Resultado da classificação em porcentagem de área.


5 – Referências Bibliográficas

  • Velasco, F. R. D.; Prado, L. O. C.; Souza, R. C. M. Sistema MAXVER: Manual do Usuário. São José dos Campos, SP: INPE, 1978.
  • BOAS PRÁTICAS AGRONÔMICAS. Boas práticas agronômicas em culturas Bt. Disponível em: <http://www.boaspraticasagronomicas.com.br>. Acesso em: 18 Fev 2017.
  • ESCOLA DE DRONES, Available at: <http://www.escoladedrones.com.br>. Acesso em: 12 Mar 2016.
  • Marinho C. A. B.; Baptista G. M. M. ; Meneses P. R. -Proposta de ferramenta computacional para discriminação de feições espectrais em imagens de altíssima resolução espacial- Revista Brasileira de Cartografia, Rio de Janeiro, N0 67/1 p. 35-41, Jan/Fev/2015

por Carlos Alberto Branco Marinho – Dr.

Professor e Especialista em Sensoriamento Remoto

Geo Sem Fronteiras

carlos.marinho@geosemfronteiras.org

Categoria

Tem uma pergunta?

Entre em contato com nosso suporte para qualquer dúvida.

Posts Recentes

O que é Agricultura de Precisão?

USANDO DRONES EM GEOPROCESSAMENTO

Introdução ao Google Earth Engine

Como definir a terminologia da agricultura de precisão