Correlação entre índices de vegetação e componentes fisiológicos de folhas da aroeira

(1)

INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO ESPÍRITO SANTO

IFES CAMPUS ITAPINA ENGENHARIA AGRONOMICA

DOUGLAS BUTZLAFF AGNA

CORRELAÇÃO ENTRE ÍNDICES DE VEGETAÇÃO E COMPONENTES FISIOLÓGICOS DE FOLHAS DA AROEIRA

Colatina/ES 2021

(2)

DOUGLAS BUTZLAFF AGNA

CORRELAÇÃO ENTRE ÍNDICES DE VEGETAÇÃO E COMPONENTES FISIOLÓGICOS DE FOLHAS DA AROEIRA

Trabalho de Conclusão de Curso apresentado ao Instituto Federal do Espírito Santo – Campus Itapina,paraobtenção do grau de Engº Agrônomo.

Orientador: Evandro Chaves de Oliveira.

Colatina/ES 2021

(3)

(Biblioteca Professor Elias Minassa do Instituto Federal do Espírito Santo – Bibliotecária Débora do Carmo de Souza)

A271c Agna, Douglas Butzlaff.

Correlação entre índices de vegetação e componentes fisiológicos de folhas de aroeira / Douglas Butzlaff Agna – 2021.

35 f.; il. ; 30 cm

Orientador: Evandro Chaves de Oliveira.

TCC (graduação) – Instituto Federal do Espírito Santo, Curso Superior Bacharel em Agronomia.

1. RPA’S. 2. Índice de vegetação. 3. Agricultura de precisão. 4. schinus terebinthifolius raddi – aroeira. I. Agna, Douglas Butzlaff. II. Oliveira, Evandro Chaves de. III. Instituto Federal do Espírito Santo. IV. Título

CDD 577

(4)

MINISTÉRIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO SUPERIOR INSTITUTO FEDERAL DO ESPÍRITO SANTO

CAMPUS ITAPINA

Rodovia BR-259, Km 70, Zona Rural, Colatina, CEP 29709-910 Tel (27) 3723-1221 Fax (27) 3723-1244

CERTIFICADO DE APROVAÇÃO

AUTOR: Douglas Butzlaff Agna

ORIENTADOR: Evandro Chaves de Oliveira

Aprovado pela Banca Examinadora como parte das exigências do componente curricular de Trabalho de Conclusão de Curso, para obtenção do grau de Agrônomo pelo Instituto Federal do Espírito Santo, Campus Itapina.

__________________________________________________________

Evandro Chaves de Oliveira Presidente da Banca Examinadora

___________________________________________ (Res. 1/2020, Art. 19, § 3º)

Fidelis Zanetti de Castro Membro

_________________________________________ (Res. 1/2020, Art. 19, § 3º)

Robson Ferreira de Almeida Membro

_________________________________________ (Res. 1/2020, Art. 19, § 3º)

Leonardo Martineli Membro

(5)

AGRADECIMENTOS A Deus, pela minha existência;

A minha família por sempre buscar me colocar no caminho da educação;

Ao Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo (IFES), pela oportunidade de realizar este trabalho, pela bolsa de pesquisa e pela disponibilidade de toda a estrutura física e equipamentos para execução deste e outros trabalhos;

Ao meu orientador, Prof. Evandro Chaves de Oliveira, pelo apoio em todos os momentos, pela qualificada orientação, humildade acadêmica e pela disposição em compartilhar seus saberes;

Aos colegas e amigos, que contribuíram para o resultado do que sou e do que faço, em especial para os meus companheiros de república estudantil, pela amizade e apoio durante toda a graduação.

(6)

RESUMO

Com as técnicas de sensoriamento remoto através de veículo aéreo não tripulado sendo mais utilizadas e o Processamento de Imagem se tornando uma peça chave na análise de Agriculturas de Precisão, se tornou uma necessidade a implementação de ferramentas para aperfeiçoar a qualidade da agricultura e fornecer ao agricultor o máximo de informações possíveis. Neste sentido, o objetivo deste trabalho foi avaliar a eficácia de índices de vegetação obtidos por meio de imagens aéreas via câmera RGB embarcada em veículo aéreo não tripulado para o diagnóstico de componentes fisiológicos da aroeira (Schinus terebinthifolius Raddi). A coleta de dados do experimento foi realizada em uma lavoura de aroeira já formada, de uma propriedade rural localizada no município de São Mateus – Espírito Santo. Três meses após a colheita, realizou-se a coleta de amostras de componentes fisiológicos da cultura. As avaliações dos parâmetros fisiológicos, antocianina e flavonóides foram realizadas com o fluorômetro modelo Multiplex com fontes múltiplas de excitação de luz (ultravioleta, azul, verde e vermelha), estimando índices de vários compostos, como balanço de nitrogênio, de clorofila total e antocianina. Os índices gerados das combinações das bandas RGB utilizados neste estudo, se mostraram ser uma eficiente ferramenta para se estimar balanço de nitrogênio.

Palavras chave: RPA’S, Indices de vegetação, Agricultura de precisão, Schinus terebinthifolius Raddi.

(7)

ABSTRACT

With remote sensing techniques through unmanned aerial vehicle being more used and Image Processing becoming a key part in the analysis of Precision Agriculture, if necessary an implementation of tools to improve the quality of agriculture and provide the farmer with as much information as possible . In this sense, the objective of this work was to evaluate the effectiveness of vegetation indices obtained through aerial images via a RGB camera on an unmanned aerial vehicle for the diagnosis of physiological components of mastic trees (Schinus terebinthifolius Raddi). The data collection of the experiment was carried out in an already formed aroeira plantation, in a rural property located in the city of São Mateus - Espírito Santo. Three months after harvest, the physiological components of the crop were collected. The evaluations of physiological parameters, anthocyanin and flavonoids were performed with the Multiplex model fluorometer with multiple light excitation sources (ultraviolet, blue, green and red), estimation of indices of various compounds, such as nitrogen balance, total chlorophyll and anthocyanin. The basic indices of the RGB bands used in this study differ from being a tool to estimate nitrogen balance.

Key words: UAVs, Vegetation indices, Precision agriculture, Schinus terebinthifolius Raddi.

(8)

SUMÁRIO

1 INTRODUÇÃO ... 9

2 OBJETIVO ... 10

2.1 OBJETIVO GERAL ... 10

2.2 OBJETIVOS ESPECIFICOS ... 11

3 REFERENCIAL TÉORICO ... 11

3.1 CULTIVO DA AROEIRA (SCHINUS TEREBINTHIFOLIUS RADDI) ... 11

3.2 AERONAVES REMOTAMENTE PILOTADAS (RPA). ... 12

3.3 ÍNDICES DE VEGETAÇÃO ... 14

3.4 ÍNDICE DE RESISTÊNCIA ATMOSFÉRICA VISÍVEL (VARI)... 15

3.5 ÍNDICE DE VEGETAÇÃO DA DIFERENÇA NORMALIZADA DO VERDE E DO VERMELHO (NGRDI). ... 16

3.6 ÍNDICE DE RAZÃO DE CLOROFILA DE PIGMENTOS NORMALIZADO (NPCI). ... 16

3.7 COMPONENTES FISIOLÓGICOS. ... 17

4 METODOLOGIA ... 18

5 RESULTADOS E DISCUSSÃO ... 25

6 CONCLUSÃO ... 32

REFERÊNCIAS ... 33

(9)

1 INTRODUÇÃO

A pimenta rosa (Schinus terebinthifolius Raddi) pertence à família Anacardiaceae. É espécie pioneira e nativa, também conhecida popularmente em todo Brasil como aroeira, aroeira-vermelha, aroeira-pimenteira, pimenta brasileira e baga de Natal (CORRÊA, 1984; BARBOSA et al., 2007). Seus frutos são drupas, globosos, de 4,0 mm a 5,5 mm de diâmetro, levemente achatados na parte do comprimento. Quando imaturos são verde-claros, e quando maduros, apresentam cor vermelha, com sabor adocicado e aromático, sendo utilizado como condimento (BARBOSA et al., 2007;

EMBRAPA, 2016).

No Espírito Santo, além da colheita extrativista, a exploração da aroeira tem sido cultivada de forma comercial, em mais de 800 ha, sendo o Estado o maior produtor e exportador brasileiro, segundo o Instituto Capixaba de Pesquisa, Assistência Técnica e Extensão Rural (INCAPER, 2017). Segundo Sales et al. (2016), o Espírito Santo é o maior produtor de aroeira para o mercado alimentício.

Apesar de a planta ser utilizada como produto medicinal e alimentar (Péla, 2014; Ruas, 2016), ainda são poucos os estudos com o cultivo da espécie, sendo que os frutos são obtidos de forma predominante extrativista. Assim, o cultivo de aroeira requer, como qualquer outro plantio com fins comerciais, técnicas de adubação, espaçamento, poda, controle de pragas e doenças, entre outras. Diferentes técnicas agronômicas podem ser utilizadas para aumentar a produção das plantas, dentre elas tem-se o uso de sensoriamento remoto para avaliação do vigor/saúde da planta.

O Sensoriamento Remoto envolve a utilização de sensores orbitais e imagens aéreas.

Imagens orbitais apresentam limitações como a presença de nuvens e a interferência da atmosfera. Diante disso, a implementação da tecnologia conhecida como Unmanned Aerial Vehicles (UAVs), ou seja, Aeronaves Remotamente Pilotadas (RPA’S), possibilitou uma nova fonte de obtenção de dados remotamente com alta resolução espacial, baixo custo operacional e temporalidade quase em tempo real (HARWIN; LUCIEER, 2012).

Com o desenvolvimento de aplicações de sensoriamento remoto para o estudo da vegetação, diferentes índices de vegetação (IVs) na faixa do visível têm sido

(10)

empregados, em diversos estudos (ZHANG et al., 2019; ZHOU et al., 2017, POSSOCH et al., 2016). Dentre os vários índices desenvolvidos, o índice de vegetação com resistência atmosférica ao visível (VARI) é destinado principalmente para detecção de áreas de estresse nas lavouras e analisa o nível de 'verde' capturado dos dados (ou imagens).

Outros índices também foram desenvolvidos com o objetivo de captar variações estruturais do dossel das culturas, como o NRGDI (Normalized Red Green Difference Index) e o NPCI (Normalized pigment chlorophyll ratio index), respectivamente Jiménez-Brenes et al., (2019) e adaptado por Merzlyak et al. (1999). Tais índices têm como finalidade a detecção da presença de vegetação, pelo pressuposto do alto teor de clorofila nas folhas, podendo distinguir a resposta espectral da vegetação em relação ao solo por exemplo.

Por sua vez, diversos estudos com índices espectrais têm sido relacionados com parâmetros de crescimento, nutricionais, fisiológicos, hídricos, produtividade e qualidade dos produtos colhidos dentre eles (Thenkabail et al. 2000; Yang e Everitt 2012).

Baseado na importância de estudos para a cultura da aroeira no Espírito Santo, com o intuito de melhorar a produção e revelar conhecimentos sobre a planta, a hipótese dessa pesquisa fundamenta-se no potencial de aplicação de aquisição de dados aéreas via câmera RGB embarcada em RPA, como métodos rápidos, aplicáveis e eficazes para subsidiar a identificação de árvores e áreas de aroeira e a determinação indireta de componentes fisiológicos.

2 OBJETIVO

2.1 OBJETIVO GERAL

Avaliar a eficácia de índices de vegetação obtidos por meio de imagens aéreas via câmera RGB embarcada em veículo aéreo não tripulado no diagnóstico de componentes fisiológicos da aroeira (Schinus terebinthifolius Raddi).

(11)

2.2 OBJETIVOS ESPECIFICOS

- Calcular Índices de Vegetação para a área de estudo, visando identificar as plantas de aroeira com dados de câmera RGB de uma RPA;

- Analisar os componentes fisiológicos de balanço de nitrogênio, de clorofila total e antocianina de plantas de aroeira;

- Ajustar modelos de regressão desenvolvidos com IVs a fim de estimar os componentes fisiológicos com os dados obtidos por meio de câmera RGB de uma RPA.

3 REFERENCIAL TÉORICO

3.1 CULTIVO DA AROEIRA (SCHINUS TEREBINTHIFOLIUS RADDI)

Schinus terebinthifolius Raddi, pertencente à família Anacardiaceae, é popularmente chamada de aroeira, aroeira-da-praia, aroeira-vermelha, aroeira-mansa, aroeira- precoce, aroeira-pimenteira, aroeira-do-brejo, aroeira-negra, aroeira-branca, aroeira- do-campo, aroeirado-sertão, aroeira-do-paraná, entre outros (LORENZI, 2002).

Figura planta adulta de aroeira.

Fonte: Elaborado pelo autor (2021).

(12)

A aroeira é comum em áreas que se encontram nos estágios de capoeirinha, capoeira, capoeirão e nas florestas secundárias. É uma espécie abundante na orla e borda de pinheirais, beira de rios, córregos e nas formações praial com moitas; com 26 Clusia e nas de mata de restinga (REITZ et al., 1983; ASSUMPÇÃO; NASCIMENTO, 2000;

CARVALHO, 2003).

O principal produto obtido pelo cultivo da aroeira-vermelha são seus frutos. Estes, após o processo de industrialização, são conhecidos como pimenta-rosa e usados no mercado interno e externo como condimento “gourmet”. O óleo obtido de sua polpa apresenta bom potencial, principalmente para o mercado de cosméticos. Porém, o protocolo industrial de extração deste óleo necessita de aprimoramento para atingir as exigências de pureza do mercado internacional (NEVES, et al., 2016). Grande parte da produção de pimenta-rosa tem origem na exploração extrativista de plantas de populações naturais de aroeira-vermelha em áreas de restinga, principalmente dos estados do Espirito Santo e do Rio de Janeiro e, também, em ilhas de sedimentos areno-quartzosos do Rio São Francisco, na divisa entre Alagoas e Sergipe. Nesses ambientes, a colheita dos frutos é feita de forma coletiva pelas comunidades locais, (NEVES, et al., 2016).

A planta de pimenta rosa produz anualmente grande quantidade de pequenos frutos, de coloração vermelha quando maduros, com uma casca seca que se assemelha a um papel envolvendo as sementes, as quais são amplamente disseminadas pela avifauna, o que explica a fácil regeneração e dispersão da espécie. Além disso, sua madeira é moderadamente pesada, mole, resistente e durável, podendo ser utilizada para moirões, esteios, lenha e carvão (PÉLA, 2014).

3.2 AERONAVES REMOTAMENTE PILOTADAS (RPA).

As Aeronaves Remotamente Pilotadas têm ganhado espaço por serem uma geotecnologia mais simples que as demais, pode-se afirmar que possuem baixo custo, rapidez, fácil manuseio, além de operarem em diferentes altitudes (SERRA, 2014). Usam de uma tecnologia de voo não tripulada que permite a junção de uma câmera digital para coleta de imagens, definição de perímetro rural, aquisição de dados altimétricos entre outras representações cartográficas (OTAKE, 2017). As RPA’S podem ser divididas em três categorias: aeronaves de asa rotativa

(13)

(helicópteros, quadricópteros, hexacópteros, etc.), aeronaves aerostáticas (dirigíveis e balões de ar quente) e aeronaves de asa fixa (com design que se assemelham a aviões) (ALVES NETO et al. (2013).

Nos últimos anos, agricultores de vários países começaram a ver nas RPA’S uma oportunidade para aplicar no campo conceitos da agricultura de precisão, baseada no uso de instrumentos e recursos da tecnologia da informação para implementar melhorias na produção agrícola. (ANDRADE, 2016).

De acordo com ANTUNIASSI & SALVADOR (2002), a evolução tecnológica, a importação de componentes e sensores tem proporcionado a aplicação das RPA’S em novas áreas como na agricultura, onde essa tecnologia auxilia na identificação de anormalidades e na condução de tratos culturais em lavouras comerciais, visando maximizar a produtividade através da prática da agricultura de precisão, ou mesmo através da exploração de novas áreas.

O sensoriamento remoto por RPA’S oferece as vantagens de não oferecer risco de perda de vidas de tripulantes. Além disso, embora os principais projetos de RPA’S sejam dispendiosos, ainda assim custam menos que uma aeronave tripulada ou um satélite para os mesmos fins (JENSEN, 2009).

Figura fundamentos do sensoriamento remoto.

Fonte: Obtido em: https://www.researchgate.net/figure/Figura-2-Esquema-representando-como- funciona-o-sensoriamento-remoto-atraves-da-interacao_fig2_336749451. Acesso em: 04 set. 2021.

(14)

3.3 ÍNDICES DE VEGETAÇÃO

As análises da vegetação e detecção de mudanças são realizadas com o intuito de avaliar os recursos naturais e monitorar a cobertura vegetal. De acordo com Ponzoni (2001), a “aparência” da cobertura vegetal em determinado produto de Sensoriamento Remoto é fruto de um processo complexo que envolve muitos parâmetros e fatores ambientais. O que é efetivamente medido por um sensor remotamente situado, oriundo de determinada vegetação, não pode ser explicado somente pelas características intrínsecas dessa vegetação, inclui também a interferência de vários outros parâmetros e fatores tais como a fonte de radiação, o espalhamento atmosférico, as características tanto da folha quanto do dossel, os teores de umidade, a interferência da reflectância do solo, sombra, entre outros. Ainda segundo ROSA (2003), as faixas do vermelho e do infravermelho próximo são mais utilizadas, por conter mais de 90% da variação da resposta espectral da vegetação; portanto, estes índices realçam o comportamento espectral da vegetação, correlacionando-os com os parâmetros biofísicos da mesma.

Figura interferência por espalhamento atmosférico.

Fonte: Obtido em: https://slideplayer.com.br/slide/14281718/. Acesso em: 04 set. 2021.

(15)

Neste contexto, IVs derivados de imagens adquiridas por meio de sensores acoplados em RPA’S têm ganhado espaço na avaliação de espécies agrícolas (ZHENG et al., 2020). Segundo Costa et al. (2020), a utilização de câmeras convencionais de alta resolução, que operam somente na faixa do visível, são amplamente utilizadas para o monitoramento da vegetação, visto que foram desenvolvidos inúmeros IVs que utilizam apenas os canais RGB convencionais.

3.4 ÍNDICE DE RESISTÊNCIA ATMOSFÉRICA VISÍVEL (VARI).

Elaborado por (GITELSON et al., 2002) como uma modificação para o Indice de Vegetação da Diferença Normalizada do Verde e do Vermelho (NGRDI), o Visible Atmospherically Resistant Index foi proposto por apresentar baixa sensibilidade aos efeitos atmosféricos e resultados satisfatórios na estimativa da fração da vegetação.

Este índice utiliza em sua formulação as faixas espectrais do azul, verde e vermelho, com detalhe quanto à subtração da banda azul no denominador, proposta para reduzir os efeitos atmosféricos (KAUFMAN; TANRÉ, 1992). Este basicamente foi projetado para enfatizar a vegetação na parte visível do espectro, ao mesmo tempo que atenua as diferenças de iluminação e os efeitos atmosféricos. É ideal para RGB ou imagens coloridas; utiliza todas as três faixas de cores, (ESRI, 2018).

VARI = (G − R) / (G + R − B) Em que:

B: valor de reflectância na faixa espectral do azul;

G: valor de reflectância na faixa espectral do verde;

R: valor de reflectância na faixa espectral do vermelho.

Monteiro (2021),relata várias pesquisas com resultados promissores relacionadas ao uso do VARI na agricultura, como: detectar as características espectrais de variedades de arroz (AFDHALIA et al., 2020), avaliar parâmetros de qualidade de frutos de manga (ELSAYED et al., 2016), e estimar a porcentagem de cobertura verde do solo com grama (ZHANG et al., 2019).

(16)

3.5 ÍNDICE DE VEGETAÇÃO DA DIFERENÇA NORMALIZADA DO VERDE E DO VERMELHO (NGRDI).

O NGRDI foi um índice proposto por Tucker (1979) após Kanemasu (1974) concluir que as faixas espectrais do verde e do vermelho podem servir como indicador de crescimento e desenvolvimento das plantas. É um índice elaborado pela diferença normalizada das reflectâncias das bandas espectrais do verde e do vermelho, sendo geralmente utilizado para estimar a fração de vegetação, biomassa verde e indicador de fenologias vegetais.

NGRDI = (G − R) / (G + R) Em que:

G: valor de reflectância na faixa espectral do verde;

3.6 ÍNDICE DE RAZÃO DE CLOROFILA DE PIGMENTOS NORMALIZADO (NPCI).

O índice de proporção de pigmento normalizado NPCI usa os resultados da diferença normalizada dos dois espectros com a absorção mais forte de clorofila a e clorofila b para expressá-lo, refletindo a proporção de conteúdo de clorofila a / b. Dentro das plantas, a clorofila à é responsável por uma proporção maior, enquanto a clorofila b é responsável por uma proporção menor. A banda de absorção da clorofila a na parte da luz vermelha é mais curta, e a banda de absorção na parte da luz azul-violeta é mais estreita; em comparação com a clorofila b, a banda de absorção da clorofila a na parte da luz vermelha é polarizada na direção das ondas de luz longas, enquanto na parte da luz azul-violeta é polarizada na direção das ondas de luz curtas, (GUAN Li, LIU Xiangnan, 2009).

NPCI = (R − B) / (R + B) Em que:

B: valor de reflectância na faixa espectral do azul;

(17)

3.7 COMPONENTES FISIOLÓGICOS.

Nos últimos anos têm surgido alguns sensores óticos de fluorescência da clorofila para uso na agricultura como o Multiplex, com o objetivo principal de detectar deficiências de Nitrogênio e recomendar doses de Nitrogênio. O uso de sensores de fluorescência da clorofila nas principais culturas ainda é restrito devido ao elevado custo dos sensores.

O Multiplex (Force-A, Orsay, França) é um novo equipamento que trabalha com a detecção de fluorescência das plantas fornecendo vários compostos como antocianinas, flavonóis, clorofila, bem como outros parâmetros que funcionam como indicativo do estado fisiológico das plantas.

Sales et al. (2018) utilizaram o Multiplex para avaliação dos índices de flavonóides (FLAV), antocianina (ANT-RG e ANT-RB), clorofila total (SFR-G e SFR-R) e balanço de nitrogênio (NBI-G e NBI-R) de mudas de Schinus terebinthifolius Raddi submetidas a diferentes fontes de matéria orgânica. Os autores contataram um aumento nos teores de NBI-G e NBI-R e um decréscimo no FLAV.

Figura Multiplex (Force-A).

Fonte: Obtido em: https://www.force-a.com/. Acesso em: 04 set. 2021.

(18)

4 METODOLOGIA

A coleta de dados foi realizada em uma lavoura de aroeira já formada, de uma propriedade rural localizada no município de São Mateus – Espírito Santo, mais especificamente na região noroeste, nas coordenadas geográficas 18°56'23" de latitude sul; 39°45'44"de longitude oeste e altitude de 03 metros, Figura 1.

Figura 1 - Localização da área de estudo.

Os solos da região têm B textural, muito porosos, fortemente e moderadamente drenados, com textura variando de arenosa a média no horizonte A e média a argilosa no horizonte B. De acordo com a Köppen e Geiger, o clima é classificado como clima tropical úmido ou subúmido (Am). 24.2 °C é a temperatura média em São Mateus. 1241 mm é a pluviosidade média anual, Figura 2.

(19)

Figura 2 – Valores de temperatura do ar e precipitações de São Mateus-ES.

Fonte: Obtido em https://pt.climate-data.org/ . Acesso em: 04 set. 2021.

Foram utilizados um smartphone Galaxy A71 da marca SAMSUNG e os softwares para planejamento DroneDeploy (Figura 3) e de controle do voo DJI GO 4.0 que é um aplicativo de voo automatizado para drones da DJI, por meio do qual é possível realizar planos de voo com ou sem internet, ele também possibilita o controle manual do voo, podendo ser definida e redefinida a rota do drone em casos de emergência.

Figura 3 - Interface do DroneDeploy com o planejamento de voo.

(20)

um Phantom 4 Advanced, Figura 4, que tem um peso de 1,360 kg (incluindo bateria), com autonomia de voo de aproximadamente 25 minutos, equipado com uma câmera RGB com resolução de 20 megapixels e GPS integrado. As imagens foram recolhidas no período entre 13:00 PM e 14:00 PM , para evitar diferença radiométrica , buscando não interferir no resultado, com efeito de ruido nas imagens e baixos índices de refletância.

Figura 4 – Quadricóptero Phantom 4 Advanced.

Fonte: Obtido em: https://www.dji.com/br/phantom-4-adv. Acesso em: 04 set. 2021.

Para a geração do ortomosaico, utilizou-se o software Agisoft PhotoScan, que realiza o processamento fotogramétrico de imagens digitais, gera dados espaciais em 3D, para serem usados em softwares GIS. No software adiciona-se as imagens do voo, que são agrupadas em suas bandas multiespectrais do arquivo, alinhando os pontos de dados com as fotos do voo.

As imagens adicionadas são agrupadas com as imagens capturadas em cada uma das 5 bandas espectrais em que são capturadas as fotos pelo sensor multiespectral.

Uma vez que as fotografias são carregadas no PhotoScan, elas devem ser alinhadas, onde o software encontra a posição georreferenciada e orientação para cada foto e constrói um modelo de nuvem de pontos esparsos. Com base nas posições de câmara estimadas, o programa calcula a informação de profundidade para cada câmara para ser combinados num único ponto de nuvem densa.

(21)

Figura 5 - Ortomosaico gerado pelo software Agisoft.

Posteriormente foi utilizado o software QGIS® versão 3.16.10, que é um Sistema de Informação Geográfica (SIG) livre e aberto, por meio do qual foram gerados mapas temáticos com a classificação dos índices de vegetação e extraídos os seus valores por árvore de aroeira, Figura 6.

Figura 6 – Ilustração do software QGIS.

(22)

Após a aquisição das imagens, foram calculados os Índices de vegetação. A Tabela 1 apresenta um resumo descritivo dos índices de vegetação RGB utilizados neste estudo, com informações básicas referentes aos seus respectivos nomes, siglas, equações e referências bibliográficas.

Tabela 1 - Índices de vegetação obtidos com câmera RGB acoplada em Drone.

Nome Sigla Equação Referência

Visible Atmospherically

Resistant Index

VARI (G − R) / (G + R − B) GITELSON et al., (2002) Normalized Green-

Red Difference Index

NGRDI (G − R) / (G + R) TUCKER, (1979) Normalized pigment

chlorophyll ratio index

NPCI (R − B) / (R + B) MERZLYAK et al. (1999)

Três meses após a colheita, realizou-se a coleta de amostras de componentes fisiológicos da cultura da aroeira. As avaliações dos parâmetros fisiológicos, antocianina e flavonóides foram realizadas com o fluorômetro modelo Multiplex (Force-A) com fontes múltiplas de excitação de luz (ultravioleta, azul, verde e vermelho), estimando índices de vários compostos, como balanço de nitrogênio (NBI- G e NBI-R), de clorofila total (SFR-G e SFR-R), antocianina (ANT-RG e ANT-RB) e flavonóides (FLAV).

Esses índices obtidos pelo Multiplex®, foram derivados das diferentes combinações de comprimentos de ondas emitidos pelo equipamento, sendo que os índices com a letra G foram obtidos com a luz verde e os índices com a letra R pela luz vermelha (Sales et al., 2018). Todas as avalições foram realizadas no período da tarde, entre as 13:00 e 15:00 horas e em apenas um lado das plantas, apontando o equipamento para a copa, de cima para baixo, em um ângulo aproximadamente de 45 graus e os dados obtidos serão parametrizados antes de serem analisados, seguindo as recomendações do fabricante, Figura 7a. Concomitante, foram mensuradas a condutividade elétrica, umidade e temperatura do solo pelo sensor portátil Decagon Devices 5TE, Figura 7b.

(23)

Figura 7 – Coleta de dados com os equipamentos multiplex (a) e sensor portátil Decagon Devices (b) na lavoura de aroeira.

a b

A reflectância do dossel vegetativo foi avaliada pelo sensor óptico ativo Greenseeker®

(Figura 8), o qual fornece o Índice de vegetação por diferença normalizada (NDVI). O NDVI é dado pela relação: NDVI=(IVP-V) /(IVP+V), onde V refere-se à reflectância na região do vermelho (680 nm) e IVP refere-se à reflectância no infravermelho próximo (770 nm). As leituras foram realizadas com o equipamento posicionado paralelamente às linhas da cultura, em altura de 0,60 m acima do topo do dossel.

(24)

Figura 8 – NDVI obtido pelo sensor GreenSeeker

Fonte: Obtido em: https://agro.trimble.com.br/product/greenseeker-porttil/. Acesso em: 04 set. 2021.

O equipamento baseado em sensoriamento remoto terrestre (GreenSeeker) é um dos instrumentos utilizados para separar diferentes zonas de manejo. Para fazer isso, o sensor permite a definição de classes para estimar o potencial produtivo de forma ágil.

Os dados foram submetidos à análise de variância p<0,05, quando o teste de F foi significativo, procedeu-se o teste de Tukey ao nível de 5% de probabilidade (p<0,05).

Todo o procedimento estatístico foi realizado com o programa de código aberto R (R Core Team, 2019).

A correlação existente entre os índices de vegetação e a componentes filológicos da aroeira foram realizadas usando a matriz de correlação de Pearson (r). Foram ajustadas equações de regressão, quando da significância dos efeitos apontados pela análise de variância. Para escolha das equações, foram testados os modelos lineares e quadráticos pelo teste F, escolhendo-se aquele com maior significância.

(25)

5 RESULTADOS E DISCUSSÃO

Os resultados de umidade, temperatura e condutividade elétrica do solo obtidos na lavoura de aroeira, como os valores médios e os coeficientes de variação são mostrados na Tabela 2. Observaram-se que houve diferença significativa entre os blocos para os parâmetros de umidade e temperatura. Quanto às temperaturas do solo, não houve diferença estatística. A temperatura de superfície pode fornecer importantes informações sobre as especificidades físicas do clima local, o que a torna fundamental para o estudo e entendimento das variáveis ambientais dentro dos ambientes, dentre elas, a vegetação (FIALHO; SANTOS, 2020).

Tabela 02 –Valores médios de umidade (US), temperatura (TS) e condutividade elétrica (CE) em solo obtidos na lavoura de aroeira.

Bloco US (%) TS (°C) CE (ms/cm)

1 9.93 b 25.54 a 0.056 a

2 16.74 a 25.49 a 0.067 ab

3 18.48 a 24.78 a 0.131 abc

4 17.04 a 25.34 a 0.121 bc

5 18.35 a 25.85 a 0.076 c

Média 16.11 25.40 0.09

CV (%) 25.09 4.43 53.64

Médias seguidas de letras distintas na coluna diferem estatisticamente entre si pelo teste Tukey ao nível de 5%.

Ao observar os resultados expressos para as árvores de aroeira na Tabela 3, é possível notar que para os dados dos índices de vegetação VARI e NGRDI ocorre uma diferença significativa entre os blocos analisados no estudo e os índices NDVI e NPCI. Observa-se também a existência de um determinado padrão de comportamento nas variações do NGRDI e VARI quando comparados ao NDVI.

Contudo, maiores coeficiente de variação são identificadas no VARI, NGRDI e NCPI, enquanto no NDVI essas variações se apresentam mais baixas. De forma geral, o padrão comportamental do NDVI está diretamente relacionado com fatores climáticos característicos da região, sendo que a maior disponibilidade de radiação solar e temperaturas mais altas contribuem para uma maior produção de biomassa das espécies. Com relação a diminuição dos valores de NDVI, entre o outono e inverno, esse período corresponde a diminuição da temperatura média do ar, conforme verificado por Trentin (2015).

(26)

Tabela 3 – Valores médios referentes aos índices de vegetação em função dos blocos amostrais para os índices NDVI, VARI, NRGDI e NPCI obtidos da lavoura de aroeira.

Bloco NDVI VARI NGRDI NPCI

1 0.87 a 0.15 b 0.11 b 0.24 a

2 0.87 a 0.20 ab 0.13 ab 0.39 a

3 0.88 a 0.16 b 0.16 ab 0.35 a

4 0.88 a 0.22 ab 0.16 ab 0.21 a

5 0.88 a 0.29 a 0.22 a 0.29 a

MG 0.88 0.20 0.16 0.29

CV (%) 2.52 51.27 55.84 78.01

Médias seguidas de letras distintas na coluna diferem estatisticamente entre si pelo teste de Tukey ao nível de 5%.

Como é possível observar na Figura 9, os comportamentos que VARI, NGRDI e NCPI apresentam quando comparados com o NDVI da aroeira, é possível notar uma similaridade entre eles com menores amplitudes de variação no VARI e NGRDI e maiores variações no NCPI.

Figura 9 - Distribuição de valores médios para os índices nas diferentes dos blocos amostrais.

A título de ilustração, as Figura 9, 10 e 11 apresentam amplitude dos valores dos índices de vegetação de câmera RGB obtidos na lavoura de aroeira, sendo possível

0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00

1 2 3 4 5

ÍNDICES

BLOCOS

NDVI VARI NPCI NGRDI

(27)

reafirmar que mesmo em dados com características distintas ocorre um padrão de comportamento semelhante em todos os blocos.

É possível notar também que em ambos os casos o VARI se mostra um índice mais sensível e com maiores amplitudes de resultados médios que o NGRDI e o NCPI. O VARI, é determinado principalmente pelas características do dossel da cultura, como conteúdo de clorofila, biomassa e a própria arquitetura do dossel (ZHAO et al., 2020), mesmo utilizando apenas o espectro do visível, apresenta grande potencial para o acompanhamento das condições da cultura da aroeira em campo.

Figura 9 – Mosaico VARI da aroeira.

Figura 10 - Mosaico NGRDI da aroeira.

(28)

Figura 11 - Mosaico NPCI da aroeira.

De acordo com o teste de médias (Tabela 4), não houve diferença significativa nos componentes teor de clorofila absorvida na luz verde (SFR_G), teor de clorofila absorvida na luz vermelha (SFR_R), antocianina no comprimento de onda vermelho- verde (ANTH_RG:), antocianina no comprimento de onda vermelho-azul (ANTH_RB:), balanço de nitrogênio na luz verde (NBI_G), balanço de nitrogênio na luz vermelha (NBI_R) para os blocos avaliados.

Tabela 4 - Valores médios referentes aos dados fisiológicos em função dos blocos amostrais obtidos da lavoura de aroeira.

Bloco SFR_G* SFR_R* ANTH_RG* ANTH_RB* NBI_G* NBI_R*

1 2,65 2,50 -0,49 -1,06 0,25 0,74

2 2,70 2,61 -0,52 -1,12 0,27 0,87

3 2,54 2,34 -0,51 -1,08 0,28 0,86

4 2,43 2,20 -0,55 -1,17 0,24 0,74

5 2,30 2,19 -0,49 -1,08 0,21 0,63

MEDIA 2,524 2,368 -0,512 -1,102 0,25 0,768

CV (%) 25.61 36.98 16.26 12.67 34.2 39.43

*Médias na coluna não diferem estatisticamente entre si pelo teste Tukey ao nível de 5%. Antocianina (ANT-RG e ANT-RB), teor de clorofila (SFR-G e SFR -R) e balanço de nitrogênio (NBI-G e NBI-R).

Analisando a correlação entre os IVs da câmera RGB com os componentes filológicos obtidos com o Multiplex, Tabela 5. No NCPI, as correlações foram baixas e positivas (variando de 0,22 a 0,64), mas nos índices VARI e NGRDI, as correlações foram altas

(29)

e negativas, principalmente, para os parâmetros dos balanços de nitrogênio na luz verde (NBI_G) e vermelha (NBI_G). Prestes et al. (2020), na avaliação de metodologia de estimativa de produtividade de soja por meio de aeronave não tripulada e técnica de aprendizado de máquina baseada em regressão, contataram que as melhores correlações foram obtidos pelo VARI.

Tabela 5 – Resultado da Correlação de Pearson.

ÍNDICES SFR_G SFR_R ANTH_RG ANTH_RB NBI_G NBI_R

VARI -0,81 -0,62 0,06 -0,26 -0,79 -0,70

NPCI 0,39 0,50 0,08 0,22 0,59 0,64

NGRDI -0,74 -0,52 0,12 -0,17 -0,70 -0,60

Antocianina (ANT-RG e ANT-RB), teor de clorofila (SFR-G e SFR -R) e balanço de nitrogênio (NBI-G e NBI-R).

Nas Figuras 12 e 14, podemos observar o ajuste da regressão para os índices VARI e NGRDI. Os balanços de nitrogênio na luz verde (NBI_G) e vermelha (NBI_G), sendo correlacionadas com o valor de VARI e NGRDI. Valores mais baixos de VARI e NGRDI correspondem a maiores valores de balanços de nitrogênio. Em contrapartida, quanto maior o NCPI (Figura 13), indica maior acúmulo de nitrogênio na aroeira. O nitrogênio constitui vários componentes celulares vegetais como proteínas, ácidos nucléicos, clorofila, fitohormônios, enzimas e metabólitos secundários (MARSCHNER, 2012). E segundo Gross et al., (2016), é perfeitamente possível constatar o aumento e diminuição da reflectância na faixa do visível, à medida que a concentração de clorofila sofre variações na vegetação. Este fato é promissor e apresenta grande importância, pois os índices gerados com a câmera RGB representam um passo importante com grandes potencialidades de ser utilizados no monitoramento agrícola da aroeira de forma eficiente.

(30)

Figura 12 - Relação entre o índice VARI e os balanços de nitrogênio na luz verde (NBI_G) e vermelha (NBI_G) em plantas de aroeira.

Figura 13 - Relação entre o índice NPCI e os balanços de nitrogênio na luz verde (NBI_G) e vermelha (NBI_G) em plantas de aroeira

y = -4,4066x²+ 1,5383x + 0,1343 R² = 0,757

y = -20,151x²+ 7,611x + 0,1083 R² = 0,7156

0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00

0 0,05 0,1 0,15 0,2 0,25 0,3 0,35

Balanço de Nitrogênio x VARI

NBI_G NBI_R Polinomial (NBI_G) Polinomial (NBI_R)

y = 4,2743x²- 2,3184x + 0,5457 R² = 0,6016

y = 17,237x²- 9,3926x + 1,9625 R² = 0,7369

0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00

0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45

Balanço de nitrogênio x NPCI

(31)

Figura 14 - Relação entre o índice NGRDI e os balanços de nitrogênio na luz verde (NBI_G) e vermelha (NBI_G) em plantas de aroeira.

y = -8,3962x²+ 2,3693x + 0,1007 R² = 0,7031

y = -36,762x²+ 10,984x + 0,007 R² = 0,6944

0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00

0 0,05 0,1 0,15 0,2 0,25

Balanço de nitrogênio x NGRDI

(32)

6 CONCLUSÃO

Diante do presente trabalho, foi possível observar que existe variações dos índices, uma vez ainda que muitas variáveis podem interferir nos resultados, por isso a grande necessidade de se trabalhar com métodos equivalentes, a fim de gerar a menor variância não verdadeira possível nos resultados.

Os índices gerados das combinações das bandas RGB utilizados neste estudo, demonstraram ser uma eficiente ferramenta para se estimar balanço de nitrogênio, sobretudo por já serem associadas as RPA’S diretamente de fábrica, tornando sua utilização cada vez mais prática e eficiente.

No entanto, recomenda-se, averiguar todo o potencial da metodologia proposta e os resultados apresentados por este estudo em mais áreas de produção e estádios fenológicos da aroeira.

(33)

REFERÊNCIAS

AFDHALIA, F. et al. Detection of rice varieties based on spectral value data using UAV- based images. In: Sixth International Symposium on LAPAN-IPB Satellite.

International Society for Optics and Photonics, p. 1137222, 2019.

ALVES NETO, A. Geração de trajetórias para veículos aéreos autônomos não tripulados. 2008. Dissertação (Mestrado em Ciências da Computação) –

Universidade Federal de Minas Gerais. Belo Horizonte, Minas Gerais, 2008.

ANDRADE, R. DE OLIVEIRA. Drones sobre o campo. Avanços tecnológicos ampliam as possibilidades do uso de aeronaves não tripuladas na agricultura.

São Paulo, SP, 2016. Disponível em: < http://revistapesquisa.fapesp.br/wp- content/uploads/2016/01/074- 077_Drones_239.pdf >. Acesso em: 04 set. 2021.

ANTUNIASSI, U.R.; SALVADOR, A. Análise de imagens aéreas para

mapeamento de plantas daninhas em sistemas de agricultura de precisão. In:

SIMPÓSIO INTERNACIONAL DE AGRICULTURA DE PRECISÃO, 2., 2002, Viçosa.

Anais. Viçosa: UFV, 2002. 1 CD-ROM.

ASSUMPÇÃO, J.; NASCIMENTO, M. T. Estrutura e composição florística de quatro formações vegetais de restinga no complexo lagunar Grussaí/Iquipari, São João da Barra, RJ, Brasil. Acta Botanica Brasilica, v. 14, n. 3, p. 301-315, 2000.

DOI: 10.1590/S0102- 33062000000300007.

AUFMAN, Y. J.; TANRÉ, D. Atmospherically Resistant Vegetation Index (ARVI) for EOSMODIS. IEEE Transactions on Geoscience and Remote Sensing, v. 30, n. 2, p. 261–270, mar. 1992.

CARVALHO, P. E. R. 2003. Espécies arbóreas brasileiras. Colombo: EMBRAPA.

640p.

Climate-data.org. Clima: São Mateus. Disponível em: < https://pt.climate-

data.org/america-do-sul/brasil/espirito-santo/sao-mateus-27845/ > Acesso em: 30 de agosto de 2021.

Cultivo da aroeira-vermelha (Schinus terebinthifolius Raddi) para produção de pimenta-rosa. Edinelson José Maciel Neves ... [et al.]. - Colombo : Embrapa

Florestas, 2016. 24 p. : il. color. - (Documentos / Embrapa Florestas, ISSN 1980- 3958 ; 294).

COSTA, L.; NUNES, L.; AMPATZIDIS, Y. A new visible band index (vNDVI) for estimating NDVI values on RGB images utilizing genetic algorithms. Computers and Electronics in Agriculture, v. 172, p. 105334, 2020.

DE SALES, R. A., DE SALES, R. A., DOS SANTOS, R. A., QUARTEZANI, W. Z., DA SILVA BERILLI, S., & DE OLIVEIRA, E. C. Influência de diferentes fontes de matéria orgânica em componentes fisiológicos de folhas da espécie Schinus

(34)

terebinthifolius Raddi. (Anacardiaceae). Scientia Agraria, v. 19, n. 1, p. 132-141, 2018.

ELSAYED, S. et al. Passive reflectance sensing and digital image analysis for assessing quality parameters of mango fruits. Scientia Horticulturae, v. 212, p. 136- 147, 2016.

ESRI. ArcGIS Desktop 10.5.0.6491. Redlands, 2016.

GITELSON, A. A. et al. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, v. 80, n. 1, p. 76–87, 2002.

GROSS, J. A. et al. Resposta espectral de dosséis de soja em função de concentrações de clorofilas. Revista Brasileira de Cartografia, v. 68, n. 7, 2016.

JENSEN, J. R. Sensoriamento remoto do ambiente: uma perspectiva em recursos terrestres. 2. ed. São José dos Campos: Editora Parêntese, 2009.

JIMÉNEZ-BRENES, F. M. et al. Automatic UAV-based detection of Cynodon dactylon for site-specific vineyard managenment. PLOS ONE, v. 14, n 6, p. 1-21, 2019.

KANEMASU, E. T. Seasonal canopy reflectance patterns of wheat, sorghum, and soybean. Remote Sensing of Environment, v. 3, n. 1, p. 43–47, jan. 1974.

KÖPPEN, W. P. Klimate der erde: grundriss der klimakunde. Berlin: Justus Perthes, 1923. KUMAR, R. R. Radiation from plants, reflection and emission: a review.

Lafayette: Purdue Research Foundation, 1972.

LORENZI, H. Árvores Brasileiras – Manual de Identificação e Cultivo de Plantas Arbóreas Nativas do Brasil. Vol 1, 4ª edição, Nova Odessa, SP. Instituto

Plantarum, 2002.

MARSCHNER, H. Mineral nutrition of higher plants. 3ª ed. Orlando, Academic Press. 2012. 651 p.

MELO, E. T.; SALES, M. C. L.; OLIVEIRA, J. G. B. Aplicação do Índice de Vegetação por Diferença Normalizada (NDVI) para análise da degradação ambiental da microbacia hidrográfica do Riacho dos Cavalos, Crateús-CE.

Raega-O Espaço Geográfico em Análise, v. 23, 2011.

MONTEIRO, Pedro Henrique da Silva et al. Comportamento espectro-temporal da soja utilizando sensores orbitais e não orbital e correlação dos índices de vegetação com a produtividade. 81f. Dissertação de Mestrado. Universidade Tecnológica Federal do Paraná. 2021.

(35)

OTAKE, V. S. Produtos cartográficos gerados a partir de drones e aplicações na agricultura. 2017. 20 p. Trabalho de Conclusão de Curso (Agronomia).

UniCesumar – Centro Universitário de Maringá, MARINGÁ – PR 2017.

PÉLA, JADIR JOSÉ. Caracterização agronômica da aroeira (Schinus

terebinthifolius Raddi) no município de São Mateus, no Estado do Espírito Santo. – 2014. 62 f. Tese (Doutorado – Produção Vegetal) – Universidade Estadual do Norte Fluminense Darcy Ribeiro, Centro de Ciências e Tecnologias

Agropecuárias. Campos dos Goytacazes, RJ, 2014.

PONZONI, F. J. Comportamento Espectral da Vegetação. In: MENESES, P. R., NETTO, J. S. M. (org) Sensoriamento remoto, reflectância dos alvos naturais.

Brasília – DF: Editora Universidade de Brasília - UNB, Embrapa Cerrados, p 157- 199, 2001.

POSSOCH, M.; BIEKER, S.; HOFFMEISTER, D.; BOLTEN, A. A.; SCHELLBERG, J.; BARETH, G. Multi-temporal crop surface models combined with the RGB vegetation index from UAV-based images for forage monitoring in grassland.

In: International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives. 2016. Proceedings.... 2016. v. XLI-B1, p.

991–998.

PRESTES, C. D. P. et al. Avaliação de metodologia de estimativa de produtividade de soja por meio de aeronave não tripulada e técnica de aprendizado de máquina baseada em regressão. Revista Mundi Engenharia, Tecnologia e Gestão, v. 5, n. 3, p. 245-01, 2020.

R Development Core Team. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. 2019.

Disponível em: < http://www.R-project.org/>. Acesso em 30 de ago de 2021.

Referência: Gitelson, A., et al. "Linhas de vegetação e solo in Visible Spectral Space:

A Concept and Technique for Remote Estimation of Vegetation Fraction.

"International Journal of Remote Sensing 23 (2002): 2537-2562." (ESRI, 2018).

REITZ, R.; KLEIN, R. M.; REIS, A. Aroeira-vermelha. Projeto madeira do Rio

Grande do Sul. [Porto Alegre]: SUDESUL; Herbario Barbosa Rodrigues, 1988. p. 70.

ROSA, R. Introdução ao Sensoriamento Remoto, Uberlândia: EDUFU,2003.

RUAS, FABIANA GOMES. Seleção de genótipos, manejo e perfil químico de aroeira (Schinus terebinthifolius Raddi.) no Estado do Espírito Santo. (2017).

141f. Dissertação do Programa de Pós-Graduação em Biologia Vegetal do Centro de Ciências Humanas e Naturais da Universidade Federal do Espírito Santo – UFES, 2017.

SANTOS, L. G. F.; FIALHO, E. S. Análise da distribuição da Temperatura de Superfície em relação ao Índice de Vegetação por Diferença Normalizada, em estação seca e chuvosa, no município de Teixeiras - MG. Revista Ponto de Vista, v. 9, n. 3, p. 95-112, 2020.

(36)

SALES, M.D.C.; ROSA, A. R.; SILVA, A. M. C. S. A contribuição da etnobotânica para o estudo da gestão social em comunidades tradicionais: o caso da produção da aroeira no norte do estado do Espírito Santo. Anais do IX ENAPEGS- Porto Alegre (RS), ano 09, p. 1-16, 2016.

SERRA, L. A. O. O potencial dos UAV para atualização de cartografia municipal.

Dissertação de mestrado. Departamento de Engenharia Geográfica, Geofísica e Energia. Lisboa: Universidade de Lisboa, 2014.

Thenkabail, P. S., Smith, R. B., & de Pauw, E. (2000). Hyperspectral vegetation indices and their relationships with agricultural crop characteristics. Remote sensing of Environment, 71, 158-182.

TRENTIN, C. B. Os estoques de carbono nas áreas de vegetação campestre da APA do Ibirapuitã. 2015. Tese (Doutorado em Sensoriamento Remoto).

PPGSR/UFRGS, Porto Alegre. 2015.

TUCKER, C.J. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, v. 8, n.2, p. 127-150, 1979.

Yang, C., & Everitt, J. H. (2012). Using spectral distance, spectral angle and plant abundance derived from hyperspectral imagery to characterize crop yield

variation. Precision agriculture, 13, 62-75.

ZHANG, X.; ZHANG, F.; QI, Y.; DENG, L.; WANG, X.; YANG, S. New research methods for 93 vegetation information extraction based on visible light remote sensing images from an unmanned aerial vehicle (UAV). International Journal of Applied Earth Observation and Geoinformation, v. 78, n. feb., p. 215–226, 2019.

ZHAO, Y. et al. Predicting wheat yield at the field scale by combining high- resolution Sentinel-2 satellite imagery and crop modelling. Remote Sensing, v.

12, n. 6, p. 1024, 2020.

ZHENG, H. et al. Early season detection of rice plants using RGB, NIR-GB and multispectral images from unmanned aerial vehicle (UAV). Computers and Electronics in Agriculture, v. 169, p. 105223, 2020.

ZHOU, X.; ZHENG, B. G.; XU, J. Y.HE, X. K.; GE, X.; YAO, T.; CHENG, Y.; ZHU, W.

X.; CAO, Y. C. T. Predicting grain yield in rice using multi-temporal vegetation indices from UAVbased multispectral and digital imagery. ISPRS Journal of Photogrammetry and Remote Sensing, v. 130, p. 246–255, 2017.