Predição do teor de clorofila na cultura do arroz irrigado utilizando imagens aéreas e redes neurais artificiais

Abstract

Esta pesquisa teve como objetivo desenvolver modelos computacionais para predição do teor de clorofila (Chl) na cultura do arroz irrigado utilizando imagens aéreas do espectro de cores visível e Redes Neurais Artificiais (RNA). Através do dispositivo clorofiLOG, foram realizadas medições dos níveis de Chl nas folhas das plantas do arroz e coletado imagens aéreas por uma câmera digital RGB portátil, embarcada em um Veículo Aéreo Não Tripulado (VANT). As imagens foram coletadas com a aeronave em movimento com velocidade de 2 m/s a uma altura de 50 m do solo. Utilizando Processamento Digital de Imagens (PDI), foram extraídos e gerados 42 índices espectrais. Eles foram selecionados e correlacionados com os níveis e Chl medidos. Os índices espectrais foram atribuídos como entrada e as medições de Chl como saída para os modelos de predição. Por se tratar de um problema de regressão não linear, optou-se em solucioná-lo através de RNAs. Foi utilizada a técnica de seleção de características (índices espectrais) por seleção de filtro, selecionando entre os 42 índices espectrais, apenas aqueles com maiores níveis de correlações com os valores de Chl medidos. Desta forma, quatro modelo de RNAs do tipo Multi Layer Perceptron (MLP) foram gerados com diferentes configurações. O modelo da RNA 1 foi obtido com 5 entradas, 5 neurônios na camada oculta e desempenho médio de R²=0,80. A RNA 2 foi obtido com 16 entradas, 10 neurônios na camada oculta e desempenho médio de R²=0,7395. A RNA 3 foi gerada a partir da RNA 2 contendo 9 entradas, 10 neurônios na camada oculta e desempenho médio de R²=0,7775. O quarto modelo representado pela RNA 4 foi gerado a partir da RNA 3 contendo com 5 entradas, 10 neurônios na camada oculta e desempenho médio de R²=0,799. As RNAs 1 e 4 obtiveram os melhores resultados e demonstraram que atingiram aos objetivos desta pesquisa. Desta forma evidencia-se a utilidade destes modelos de predição como ferramentas de auxílio à rizicultura. Conclui-se que a RNA 1 obteve o melhor desempenho geral e pode fornecer novas perspectivas na forma de estimar os níveis Chl de forma indireta e rápida em grandes áreas.

Abstract: This research aimed to develop computational models to predict the chlorophyll (Chl) content in rice culture using aerial images of the visible color spectrum and Artificial Neural Networks (ANN). Through the chlorofiLOG device, measurements of Chl content in the leaves of rice plants were performed and aerial images were collected by a portable RGB digital camera, loaded in an Unmanned Aerial Vehicle (UAV). The images were collected with the aircraft moving with speed of 2 m/s and height of 50 m above ground. Using Digital Image Processing (DIP), 42 spectral indexes were extracted and generated. They were selected and correlated with the measured contents of Chl. Spectral indices were assigned as input and Chl measurements as output to the prediction models. Like a non-linear regression problem, it was decided to solve it through ANNs. The technique of selecting characteristics (spectral indexes) by filter selection was used, selecting from the 42 spectral indexes, only those with the highest levels of correlations with the measured Chl values. In this way, four models of ANNs of the Mult Layer Perceptron (MLP) type were generated with different configurations. The ANN 1 model was obtained with 5 inputs, 5 neurons in the hidden layer and an average performance of R²=0,80. The ANN 2 was obtained with 16 inputs, 10 neurons in the hidden layer and an average performance of R²=0,7395. The ANN 3 was generated from ANN 2 containing 9 inputs, 10 neurons in the hidden layer and an average performance of R²=0,7775. The fourth model represented by ANN 4 was generated from ANN 3 containing 5 inputs, 10 neurons in the hidden layer and an average performance of R²=0,799. The ANNs models 1 and 4 obtained the best results and demonstrated that they achieved the objectives of this research. In this way, the usefulness of these prediction models is evidenced as tools to aid rice growing. It is concluded that RNA 1 obtained the best overall performance and can provide new perspectives on how to estimate Chl levels indirectly and quickly in large areas.