O experimento foi conduzido no campo experimental da Universidade Federal de Mato Grosso do Sul, Campus de Chapadão do Sul (18°46'26"S, 52°37'28"W e altitude média de 810 m), município de Chapadão do Sul-MS, no período de novembro de 2017 a fevereiro de 2018. O clima da região de acordo com a classificado de Koppen é do tipo Aw, definido como tropical úmido, com estação chuvosa no verão e seca no inverno. A Figura 1 contém as condições climáticas observadas no decorrer do experimento.
Figura 1. Condições climáticas observadas na área no decorrer do experimento.
Três meses antes da semeadura, a saturação por bases do solo da área experimental foi elevada para 60% por meio de calagem. Para implantação do experimento, foi utilizado preparo convencional do solo com uma aração e duas gradagens (com grade destorroadora e
15 17 19 21 23 25 27 29 0 10 20 30 40 50 60 70 80 T emper atura média (ºC) C huva (mm) Chuva (mm) TºC média
39
niveladora). A abertura e a adubação das linhas foram realizadas de forma mecanizada com uma semeadora-adubadora John Deere® 2109, com cinco linhas instaladas no espaçamento de 0,45 m entre linhas. A adubação de base utilizada foi 300 kg ha-1 do formulado 04-14-08. A semeadura foi realizada manualmente com a distribuição de 15 sementes por metro.
O experimento foi instalado em delineamento de blocos aumentados com 196 populações F2:5 do Programa Soja da Universidade Federal de Viçosa e 10 testemunhas, com cinco repetições para cada testemunha (Tabela 1). A unidade experimental constou de uma linha de 3,0 m para cada tratamento. O controle de plantas daninhas, pragas e doenças foi realizado conforme recomendações técnicas para a cultura.
Tabela 1. Relação das cultivares de soja usadas como testemunhas.
Cultivar Empresa Cultivar Empresa
M 7211 Monsoy 1168 TMG
M 7908 Monsoy 123 TMG
M 9144 Monsoy 7262 TMG
NS 5959 IPRO Nidera UFVS Citrino UFV
ST 815 Bayer UFVS Turquesa UFV
Caracteres avaliados
Aos 60 dias após a emergência, foi utilizada a aeronave remotamente pilotada (RPA) de asa fixa Sensefly eBee RTK, com controle autônomo de decolagem, plano de voo e aterrissagem. O eBee está equipado com o sensor multiespectral Parrot Sequoia. O sensor multiespectral Sequoia faz aquisição da reflectância nos comprimentos de onda do verde (550 nm), vermelho (660 nm), infravermelho próximo (735 nm) e infravermelho (790 nm), possuindo um sensor de luminosidade que permite a calibração dos valores adquiridos. As informações obtidas nesses comprimentos de ondas permitem o cálculo dos diversos mapas dos
40
índices de vegetação a serem utilizados nos algoritmos computacionais. As imagens foram mosaicadas e ortorretificadas pelo programa computacional Pix4Dmapper. A acurácia posicional das ortoimagens foi verificada com pontos de controle em campo (GCP – Ground
Control Points), levantados com o RTK. Os índices de vegetação calculados foram: NDVI
(Normalized Difference Vegetation Index), NDRE (Normalized Difference Red Edge Index), GNDVI (Green Normalized Difference Vegetation Index) e SAVI (Soil Adjusted Vegetation
Index). Os índices de vegetação estudados em função da maior correlação com a massa vegetal,
segundo Raper e Varco (2015), estão contidos na Tabela 2.
Tabela 2. Relação dos índices de vegetação calculados pelo uso do sensor multiespectral Sequoia.
Índice de Vegetação
Índice de Vegetação Equação Referências
NDVI
Índice de vegetação pela diferença normalizada (𝑅𝑁𝐼𝑅 – 𝑅𝑅𝐸𝐷) (𝑅𝑁𝐼𝑅+ 𝑅𝑅𝐸𝐷) Rouse et al. (1974) NDRE
Índice de vegetação pela diferença normalizada à transição do vermelho (Red-edge) (𝑅𝑁𝐼𝑅 – 𝑅𝐸𝐷𝐺𝐸) (𝑅𝑁𝐼𝑅+ 𝑅𝐸𝐷𝐺𝐸) Gitelson e Merzlyak (1994) GNDVI
Índice de vegetação pela diferença normalizada ao verde (𝑅𝑁𝐼𝑅 – 𝑅𝐺𝑅𝐸𝐸𝑁) (𝑅𝑁𝐼𝑅 + 𝑅𝐺𝑅𝐸𝐸𝑁) Gitelson et al. (1996) SAVI Índice de vegetação ajustado pela presença
de solo
(1 + L)(𝑅𝑁𝐼𝑅 – 𝑅𝑅𝐸𝐷)
(𝑅𝑁𝐼𝑅+ 𝑅𝑅𝐸𝐷+ L) Huete (1988)
RNIR: reflectância na faixa do infravermelho próximo; RGREEN: reflectância na faixa do verde; RRED: reflectância
na faixa do vermelho; REDGE: reflectância na faixa de transição do vermelho (Red-edge); L: fator de correção do
41
O número de dias para maturação (NDM) correspondeu ao número de dias entre a germinação e a maturação em mais de 50% de plantas da parcela. Com base no ciclo observado nas condições edafoclimáticas em Chapadão do Sul, foram adotados os seguintes critérios para classificação dos genótipos de soja quanto ao ciclo: genótipos de ciclo precoce possuem NDM menor ou igual a 105 dias; genótipos de ciclo médio possuem NDM entre 106 e 120 dias; genótipos de ciclo tardio possuem NDM superior a 120 dias. Com base nesses critérios, o conjunto de dados original foi composto por 73 genótipos de ciclo precoce, 45 de ciclo médio e 88 de ciclo tardio.
Conjunto de dados e modelagem da RNA
Para obter uma boa capacidade de generalização das diferentes arquiteturas das RNAs avaliadas, o conjunto de dados foi ampliado de modo que cada grupo (precoce, médio e tardio) fosse composto por 200 genótipos. Esse processo foi realizado de forma individual para cada grupo de modo que a média, a variância das variáveis e a covariância entre elas não fossem alteradas em relação aos dados originais. A ampliação foi realizada pelo software Genes (Cruz, 2013). Após ampliação do conjunto de dados, foram construídos boxplot para cada variável em função dos grupos estabelecidos.
As RNAs foram aplicadas ao conjunto ampliado de 600 indivíduos contendo o NDM como variável principal e os respectivos valores dos índices de vegetação. A arquitetura de rede utilizada foi a Perceptron Multicamadas. O conjunto de dados ampliados foi particionado em 80% para treinamento da rede e 20% para validação, e posteriormente a rede foi utilizada para a predição dos dados reais (conjunto teste). A camada de entrada foi composta pelos índices de vegetação; duas camadas ocultas, onde o número de neurônios testados em cada camada variou entre 2 a 10; a camada de saída foi composta por um único neurônio, representado por um vetor de elementos conhecidos, uma vez que o processo de aprendizado é supervisionado. Foram testadas as funções de ativação tangente hiperbólica (tansig), logística (logsig) e limiar
42
(purelin). Além disso, foram avaliados os algoritmos de treinamento trainbr (Bayesian
regulation backpropagation) e trainlm (Levenberg-Marquardt backpropagation), com um
número de épocas igual a 3000.
Portanto, foram testados 486 cenários distintos, obtidos pela combinação entre 9 possibilidades de neurônios na primeira camada x 9 possibilidades de neurônios na segunda camada x três funções de ativação x dois algoritmos de treinamento. Após testes destas possibilidades, foi escolhida a topologia que apresentou os maiores coeficientes de determinação (R²) no treinamento e validação para a predição do NDM.
Para comparar os resultados de predição do NDM, foi realizada análise de regressão múltipla desta variável em função dos índices de vegetação, sendo avaliada a significância dos coeficientes de regressão do modelo pelo teste t e o R². O R² das análises foi utilizado como medida de acurácia seletiva de cada modelo. As análises foram processadas pelos softwares Matlab (Mathworks, 2012), a partir de scripts do aplicativo Genes (Cruz, 2013), e Rbio (Bhering, 2017).
RESULTADOS E DISCUSSÃO