T2-Fronteiras - Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem PDF

12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
(https://blog.frontiersin.org/2018/07/03/journal-impact-factor-frontiers-in-plant-science/?
O jornal de ciências de plantas mais citado do
utm_source=FWEB&utm_medium=FJOUR&utm_campaign=IF18_JOURN_FPLS-TOP) mundo
FATOR DE
IMPACTO 3.677
2017 JCR, Clarivate Analytics 2018
em Plant Science (https://www.frontiersin.org/jou
ÍNDICE
(https://spotlight.frontiersin.org/how-to-enter/?
utm_source=FWEB&utm_medium=FMAIN&utm_campaign=SPOTLIGHT&utm_term=BANNER&utm_content=WEB)
Abstrato
Want to
Introdução win $100,000 to host your own conference? (https://spotlight.frontiersin.org/how-to-
enter/?
Inquérito de Literatura
utm_source=FWEB&utm_medium=FMAIN&utm_campaign=SPOTLIGHT&utm_term=BANNER&utm_content=
Plataformas UAV e
Suggest aimplantados
sensores Research Topic (https://spotlight.frontiersin.org/how-to-enter/?
Avanços do
Sensoriamento Remoto
de VANTs na Fenotipagem
no Campo

 
Artigo de download
Discussões

Conclusão
Exportar citação
Contribuições do autor
Declaração de con ito de

interesse
12,080
TOTAL DE VISUALIZAÇÕES
Agradecimentos
Abreviaturas
Referências
COMPARTILHAR NO
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 1/37
0 0 0 0 1
REVISAR ARTIGO
Frente. Planta Sci., 30 de junho de 2017 | https://doi.org/10.3389/fpls.2017.01111 (https://doi.org/10.3389/fpls.2017.01111)
Sensoriamento Remoto de Veículos Aéreos Não

Tripulados para Fenotipagem de Cultivos
Baseados no Campo: Situação Atual e
Perspectivas
Guijun Yang 1,2,3 † ‡ , Jiangang Liu (http://www.frontiersin.org/people/u/429108)1,3 † ‡ , Chunjiang
Zhao 1,2,3 * , Zhenhong Li (http://www.frontiersin.org/people/u/430200) , Yanbo Huang ,
4 Haiyang 5
Yu 1,3 , Bo Xu 1,3 , Xiaodong Yang 1 , 2 , Dongmei Zhu 6 , Xiaoyan Zhang 7 , Ruyang Zhang 8 ,
Feng 1 Haikuan , Xiaoqing Zhao 1 , Zhenhai Li 1,2 , 1,2 Heli Lie Hao Yang 1,2
1 Laboratório-chave de Sensoriamento Remoto Quantitativo na Agricultura do Ministério da Agricultura, República Popular da China,
Centro de Pesquisa de Pequim para Tecnologia da Informação na Agricultura, Pequim, China
2 Centro Nacional de Pesquisa em Engenharia para Tecnologia da Informação na Agricultura, Pequim, China
3 Laboratório-chave de Agro-informática, Ministério da Agricultura, Pequim, China
4 Escola de Engenharia Civil e Geociências, Universidade de Newcastle, Newcastle upon Tyne, Reino Unido
5 Unidade de Pesquisa de Sistemas de Redução de Safras, Departamento de Agricultura dos Estados Unidos - Serviço de Pesquisa
Agrícola, Stoneville, NC, Estados Unidos
6 Departamento de Criação de Trigo, Instituto de Ciências Agrárias da Região de Lixiahe, Jiangsu, China
7 Centro Nacional de Melhoramento da Soja, Universidade Agrícola de Nanjing, Nanjing, China
8 Centro de Pesquisa do Milho, Academia de Agricultura e Ciências Florestais de Pequim, Pequim, China
A fenotipagem desempenha um papel importante na pesquisa em ciências das culturas; A aquisição

precisa e rápida de informações fenotípicas de plantas ou células em diferentes ambientes é útil para
explorar os padrões de herança e expressão do genoma para determinar a associação de informações
genômicas e fenotípicas para aumentar o rendimento da cultura. Os métodos tradicionais de aquisição
de características das culturas, como a altura da planta, cor da folha, índice de área foliar (LAI), teor de
clorofila, biomassa e rendimento, dependem de amostragem manual, que é trabalhosa e demorada.
Plataformas de sensoriamento remoto de veículos aéreos não tripulados (UAV-RSPs) equipadas com
ÍNDICE
sensores diferentes tornaram-se recentemente uma importante abordagem para fenotipagem rápida e
não destrutiva
Abstrato de alta produtividade e têm a vantagem de operação flexível e conveniente, acesso sob
demanda
Introdução a dados e alta resolução espacial . Os UAV-RSPs são uma ferramenta poderosa para estudar
fenómenos e genómica. Como os métodos e aplicações para fenotipagem de campo usando UAVs para
usuários que desejam derivar parâmetros fenotípicos de grandes campos e testes com o mínimo esforço
Plataformas UAV e
no trabalho
sensores de campo e obter resultados altamente confiáveis são necessários, o status atual e
implantados
perspectivas
Avanços do sobre o tópico UAV-RSPs para a fenotipagem baseada em campo foram revisados com base
no levantamento
Sensoriamento bibliográfico da fenotipagem da cultura usando UAV-RSPs no banco de dados Web of
Remoto
Science
no Campo
™ Core Collection e estudo de casos da NERCITA. A referência para a seleção de plataformas de
UAV e sensores de sensoriamento remoto, os métodos comumente adotados e aplicações típicas para
Discussões
análise de características fenotípicas por UAV-RSPs, e o desafio para fenotipagem de culturas por UAV-
Conclusão
RSPs foram considerados.

Introdução
interesse
Agradecimentos
A produção de culturas deve dobrar até 2050 para atender às demandas de produção previstas da população global (
Abreviaturas
Ray et al., 2013 ). Prevê-se que as necessidades de produção agrícola aumentem 2,4% ao ano, mas a taxa média de
Referências
aumento é de apenas 1,3%, com rendimentos estagnados em até 40% da terra sob produção de cereais ( Fischer e
Edmeades, 2010).). Para garantir uma melhor produtividade agrícola, adaptar-se aos impactos da mudança
climática e prevenir a resistência de pragas e doenças a medidas de controle, os cientistas devem entender melhor a
conexão entre as características observáveis de uma planta (fenótipo) e sua composição genética (genótipo). Ao
estabelecer a conexão entre o genótipo e o fenótipo, é possível selecionar plantas tolerantes ao estresse de alto
rendimento e melhorar a produção agrícola para satisfazer as necessidades da população humana em crescimento (
White et al., 2012 ; Li L. et al., 2014). ; Thorp et al, 2015.). Nas duas últimas décadas, o sequenciamento genético de
culturas progrediu a um ritmo acelerado, mas a tradução desses dados para a identificação de características
desejáveis é limitada pela falta de conhecimento dos fenótipos associados ( Furbank e Tester, 2011 ; Zaman-Allah et
al., 2015 ). Para aliviar esse gargalo e beneficiar-se plenamente da informação genômica disponível, plataformas de
fenotipagem confiáveis, automáticas, multifuncionais e de alto rendimento devem ser desenvolvidas para oferecer
aos cientistas de plantas uma nova visão sobre todos os aspectos das plantas vivas. Nos últimos anos, plataformas de
fenotipagem rápida de alto rendimento (HTPPs) foram discutidas ( Yang et al., 2013 ; Araus and Cairns, 2014).), e a
maioria é totalmente automatizada em estufas ou câmaras de crescimento com controle ambiental preciso. Embora
os HTPPs possibilitem a captura de informações detalhadas e não invasivas ao longo do ciclo de vida da planta, os
resultados de ambientes controlados são distintos das situações reais que as plantas experimentarão no campo,
dificultando a extrapolação dos dados para o campo.
A fenotipagem baseada em campo (FBP) é um componente crítico da melhoria de culturas através da genética, pois
é a expressão máxima dos efeitos relativos de fatores genéticos, fatores ambientais e sua interação em características
críticas de produção, tais como potencial de rendimento e tolerância a abióticos. Estresses bióticos ( Araus e Cairns,
2014 ; Neilson et al., 2015 ). A FBP é cada vez mais reconhecida como a única abordagem capaz de fornecer o
rendimento necessário e uma descrição precisa da expressão de características em sistemas de cultivo do mundo
real. O desempenho dos programas de melhoramento sobre produtividade e produtividade das culturas deve ser
avaliado em condições naturais ( Gonzalez-Recio et al., 2014 ; González-Dugo et al., 2015 ; Rahaman et al., 2015).).
Atualmente, as plataformas de fenotipagem (FBPPs) mais comumente baseadas em campo usam veículos terrestres
com rodas ou aéreos implantando vários tipos de sensores para medir traços de plantas em uma escala de tempo de
alguns segundos por parcela. Para FBPPs baseados em veículos terrestres, o processo consome tempo se houver
muitos lotes necessários para coletar dados ( Zhang e Kovacs, 2012 ). Por exemplo, mais de 40 h foram necessários
para cobrir as 20.000 parcelas com um único veículo viajando a 2 km por h para medir traços em filas simples (
White et al., 2012 ). A utilização de vários veículos e vários conjuntos de sensores para fazer medições em todas as
parcelas simultaneamente aumentaria os custos ( Zhang e Kovacs, 2012 ; Cobb et al., 2013). Além disso, os FBPPs
com veículos terrestres não podem ser usados para trabalho inter-regional devido à falta de manobrabilidade. Nos
últimos anos, a plataforma de fenotipagem de campo suspensa por cabo foi desenvolvida para uma estimativa
rápida e não destrutiva das características das culturas. Para a plataforma de fenotipagem baseada em campo
suspensa por cabo, há vantagens de segurança, alta precisão, independente das condições do solo e mínima
interferência tátil das plantas. No entanto, como tem que estar localizada em certos locais, a área de cobertura da
plataforma de fenotipagem de campo suspensa por cabo é relativamente baixa, o que limita suas aplicações para a
ÍNDICE
fenotipagem em larga escala ( Kirchgessner et al., 2016 ). Algumas dessas limitações podem ser abordadas usando
abordagens baseadas em satélite ou sensoriamento remoto aéreo.
Abstrato
Introdução
As tecnologias de imagens por satélite tornaram-se uma ferramenta extremamente útil para coletar dados para
várias aplicações
Inquérito agrícolas ( Li L. et al., 2014 ; Sankaran et al., 2015b ). No entanto, as principais limitações do uso
de Literatura
dos sensores
Plataformas dee satélite atualmente disponíveis são o alto custo, a falta de resolução espacial para a identificação de
UAV
sensores implantados
características desejáveis, o risco de cenas nubladas e os longos períodos de revisitação ( Issei et al., 2010 ; Gevaert e
cols. ., 2015).
Avanços do Alternativas baseadas em plataformas aerotransportadas tripuladas demonstraram capacidade de
monitoramento de condições de colheita em grande escala devido às altas resoluções espaciais e espectrais dos
sensores. No entanto, no caso da criação, e com exceção das grandes empresas de sementes, os altos custos
no Campo
operacionais e a complexidade operacional limitaram o uso dessas plataformas para atividades de pesquisa (
Discussões
Chapman et al., 2014 ). Os UAV-RSPs de baixa altitude e flexíveis são uma ferramenta importante e acessível para a
Conclusão
fenotipagem de culturas ( Berni et al., 2009b ; Liebisch et al., 2015 ) e agricultura de precisão ( Hunt et al., 2005 ;
Zhang e Kovacs, 2012 ; Ballesteros et al., 2014 ; Gomez-Candon et al., 2014 ;Candiago et al., 2015 ), e fornecem uma
abordagem
Declaração dede baixo
con custo para atender aos requisitos críticos de resoluções espaciais, espectrais e temporais. A fim
ito de
interesse
de avaliar a precisão e eficiência da fenotipagem baseada em campo em pequenas parcelas por meio de diferentes
técnicas de sensoriamento remoto, uma comparação direta de três abordagens de sensoriamento remoto, incluindo
Agradecimentos
UAV, sensoriamento proximal e imagens baseadas em satélite, demonstrou que o VANT sensoriamento remoto
Abreviaturas
baseado em melhor desempenho para aquisição de temperatura de dossel e NDVI em reprodução ( Tattaris et al.,
Referências
2016). Portanto, os UAV estão se tornando críticos na fenotipagem de cultivos para fenotipagem de alto rendimento
de um grande número de parcelas e testes de campo em tempo quase real e dinâmico. Os UAVs podem ser usados
para executar tarefas autônomas através do uso de equipamentos de controle remoto via rádio e um sistema de
autocontrole, que pode ser dividido em vários tipos de acordo com o modo de voo ( Sankaran et al., 2015b ).
Câmeras digitais, câmeras multiespectrais, sensores hiperespectrais, termovisores infravermelhos e detecção e
alcance de luz (LIDAR) são comumente usados em sensores UAV-RSP. As aplicações desses sensores para FBP
incluem imagens visíveis para modelagem de superfície de dossel, altura de colheita e estimativa de biomassa (
Mathews e Jensen, 2013 ; Diaz-Varela et al., 2014 ; Zarco-Tejada et al., 2014 ), espectroscopia visível-próximo ao
infravermelho para identificar o estado fisiológico ( Sugiura et al., 2005 ; Overgaard et al., 2010 ; Swain et al., 2010 ;
Nigon et al., 2015 ), imagens térmicas para detectar o estresse hídrico ( Gonzalez-Dugo et al., 2013 , 2014 ), nuvem
de pontos LIDAR para medir parâmetros geométricos de plantas finas com alta precisão ( Wallace et al., 2012 ) e
imagens de microondas para estimar a umidade do solo parâmetros da estrutura da copa combinando diferentes
bandas espectrais ( Acevo-Herrera et al., 2010 ; Issei et al., 2010 ).
O fenótipo da cultura é uma expressão do genótipo e do ambiente em que ele cresce, incluindo características
geométricas (por exemplo, altura da planta, IAF, alojamento, cobertura do dossel), textura espectral da copa
(características espectrais), características fisiológicas (por exemplo, clorofila, biomassa, conteúdo de pigmentos,
fotossíntese), indicadores de estresse abiótico / biótico (por exemplo, condutância estomática, diferença de
temperatura da copa, potencial hídrico da folha, índice de senescência), nutrientes (concentração de nitrogênio, teor
de proteína) e rendimento. Diferentes abordagens metodológicas baseadas em espectros, temperatura do dossel e
luz visível foram propostas para avaliar essas características no campo ( Araus e Cairns, 2014).). As características
geométricas de uma cultura podem ser estimadas construindo o modelo de superfície digital (DSM) ou modelo de
elevação digital (DEM) e conduzindo uma análise de classificação de imagens, que pode ser usada para estimar a
altura da planta, proporção da área de alojamento, emergência, etc. Hunt et al., 2005 , 2010 ; Li JW et al., 2015 ). As
características de absorção e reflectância das culturas podem ser usadas para recuperar as características fisiológicas
de uma cultura ( Overgaard et al., 2010 ; Swain et al., 2010 ; Nigon et al., 2015).). A temperatura da copa está
intimamente relacionada à transpiração da cultura, que pode refletir o potencial hídrico da folha, a condutância
estomática, etc. sob condições de estresse abiótico e biótico. A combinação de dados hiperespectrais e
infravermelhos térmicos permite a previsão do rendimento das culturas ( Berni et al., 2009b ; Gonzalez-Dugo et al.,
2015 ).
Esta revisão considera os últimos aspectos tecnológicos do sensoriamento remoto a partir do estado-da-arte dos
VANTs para estimar os parâmetros de fenotipagem de plantas em escala de campo. O artigo está organizado da
seguinte forma: (1) um levantamento bibliográfico de sensoriamento remoto UAV para fenotipagem de culturas de
campo na última década, (2) uma visão geral de UAVs de baixa altitude e sensores implantados, (3) avanços e
aplicações de UAV. sensoriamento remoto na fenotipagem baseada em campo e (4) as limitações e perspectivas
futuras do sensoriamento remoto de VANT para fenotipagem de culturas baseadas em campo.
ÍNDICE
Abstrato
Existem 96 artigos relacionados às palavras-chave “UAV”, “UAS”, “Drone”, “Veículo Aéreo Não Tripulado”, “Sistema
Introdução
Aéreo Não Tripulado”, “Aeronaves Não Tripuladas”, “Plataforma de Baixa Altitude”, “Colheita”, "Criação de
Inquérito
culturas",de"Sensoriamento
Literatura remoto", "Baseado em campo", "Fenotipagem" e "Phenomics" no banco de dados de
coleta principal
Plataformas UAV e da Web of Science ™ (THOMSON REUTERS ™) até 17 de maio de 2017. No entanto, existem apenas
seis artigos que explicitamente incluem “Phenotyping” ou “Phenomics” nos títulos e palavras - chave ( Zaman-Allah
Avanços do ; Gomez-Candon et al., 2016 ; Haghighattalab et al., 2016 ; Holman et al., 2016 ; Shi et al., 2016 ;
et al., 2015
Watanabe et al., 2017). As outras literaturas estão intimamente relacionadas à fenotipagem da cultura usando UAV-
RSPs,
no Campomas não mencionam explicitamente o fenótipo da cultura; a pesquisa se concentra em um ou mais traços da
cultura. O número de artigos publicados para cada ano é mostrado na Figura 1A . Há apenas um artigo publicado
Discussões
durante o período de 2005-2006. A maior parte da pesquisa focada na fenotipagem de culturas de campo tem sido
Conclusão
realizada desde 2007 e tem aumentado rapidamente a cada ano. Foram publicados 85 artigos no período de 2012 a
2017, representando 88,5% da literatura total relacionada ao FBP utilizando UAV-RSPs. As citações de artigos
Declaração de durante
recuperados con ito de
o período de 2007-2017 são dadas na Figura 1B., mostrando que o número de citações de 2012
interesse
a 2017 representa 94,4% do total de citações durante esse período. Considerando as estatísticas da literatura acima,
Agradecimentos
a fenotipagem de culturas com base em campo tornou-se um local de pesquisa.
Abreviaturas
Referências
FIGURA 1
(https://www.frontiersin.org/files/Articles/272832/fpls-08-01111-HTML/image_m/fpls-08-01111-g001.jpg)
Figura 1. (A) Contagem anual de literatura e (B) frequência anual de citações acumulada para cada artigo. A
pesquisa foi realizada em 17 de maio de 2017.
Os periódicos que publicaram pelo menos três artigos relacionados ao tópico deste artigo de revisão são mostrados
na Tabela 1 . A revista com maior quantidade de pesquisas relacionadas 〈〈 Sensoriamento Remoto 〉〉 publicou
17 artigos, respondendo por 17,7% de todos os artigos recuperados. Os artigos publicados nos periódicos de 〈〈
Agricultura de Precisão 〉〉 e 〈〈 International Journal of Remote Sensing 〉〉 são 8 e 7, respectivamente. A
maioria dos artigos relacionados foi publicada em periódicos focados em sensoriamento remoto e agricultura, o que
é consistente com o fato de que o modelo agrícola e a tecnologia de sensoriamento remoto são a principal ciência e
tecnologia para FBP da UAV-RSP. Os artigos recuperados foram analisados estatisticamente utilizando a ferramenta
analítica “CiteSpace” ( Chen, 2004), e uma análise da frequência das palavras-chave é mostrada na Figura 2 . As
palavras-chave usadas com mais frequência incluem "agricultura de precisão", "veículo aéreo não tripulado", "UAV",
"sensoriamento remoto" e "índice de vegetação", enquanto "fenotipagem" e "fenómenos" foram usados com menos
frequência. Mesmo os objetivos de pesquisa das literaturas pesquisadas focaram na monitoração do crescimento da
cultura, o fenótipo da cultura inclui inúmeras características da cultura, tais como características relacionadas ao
espectro da cultura, estrutura, fisiologia, ecologia, estresse biótico e estresse abiótico ( Pask et al., 2012 ). Assim,
todos os artigos recuperados pertenciam à fenotipagem da cultura por UAV-RSPs.
TABELA 1
(https://www.frontiersin.org/files/Articles/272832/fpls-08-01111-HTML/image_m/fpls-08-01111-t001.jpg)
Tabela 1 . Revistas relevantes que publicaram mais de três artigos relacionados ao sensoriamento remoto de
VANT para fenotipagem de culturas baseadas em campo.
FIGURA 2
ÍNDICE
Figura 2 . Frequência de uso de palavras-chave no total de artigos pesquisados. Quanto maior o tamanho da
Abstrato
fonte, maior a frequência de uso, o mesmo que o tamanho do círculo correspondente a cada palavra-chave. A
Introdução linha de cor diferente mostra apenas as conexões entre palavras-chave ou artigos pesquisados, respectivamente.
Plataformas UAV e
Avanços do
Com base na análise
Sensoriamento Remoto acima, o desenvolvimento de UAV-RSPs para fenotipagem de culturas tornou-se gradualmente
de
umVANTs
temana Fenotipagem
quente e pode fornecer suporte teórico e técnico para agricultura de precisão e melhoramento de culturas.
no Campo
Além disso, há relatos raros sobre o FBP usando UAV-RSPs no melhoramento de culturas ( Issei et al., 2010 ;
Discussões
Torres-Sanchez et al., 2014 , 2015 ). Existe uma demanda urgente para o desenvolvimento de estratégias para a
Conclusão
obtenção rápida e não destrutiva de dados fenotípicos de culturas com base na atual tecnologia agrícola de
sensoriamento
Contribuições do remoto.
autor A fenotipagem de culturas de campo de alta produtividade pode aliviar o gargalo de “ligar
genótipo
Declaraçãoede
fenótipo” para acelerar a eficiência do melhoramento de culturas.
con ito de
interesse
Agradecimentos
Plataformas UAV e sensores implantados
Abreviaturas
Referências
Visão geral das plataformas de fenotipagem baseadas em UAV
O FBP usando UAV-RSPs é baseado em uma aeronave não tripulada equipada com vários sensores, usando a
tecnologia de comunicação e a tecnologia de posicionamento GPS para obter imagens de alta resolução rápida e não
destrutivamente sobre o dossel da lavoura no campo. Os modelos de recuperação por sensoriamento remoto são
então usados para ensaios de campo de fenotipagem após processamento de dados ( Sugiura et al., 2005 ; Li W. et
al., 2016 ). Os UAV típicos usados para FBP incluem multi-rotores, helicópteros, asa fixa, dirigíveis e asa voadora
(Tabela 2 ; Sankaran et al., 2015b).) e são selecionados com base na finalidade e orçamento. Os dirigíveis têm as
vantagens de capacidade de flutuação, cargas efetivas mais altas e a capacidade de decolagem e aterrissagem
vertical; no entanto, eles são lentos devido ao tamanho grande e sua estabilidade é fraca em condições de vento,
dificultando a obtenção de informações precisas ( Liebisch et al., 2015 ). Os helicópteros não tripulados têm a
vantagem de poder decolar e pousar verticalmente, voar para os lados e pairar. A carga útil do helicóptero é maior
que a de um UAV multi-rotor e pode suportar sensores grandes, como o LIDAR. No entanto, a operação complexa,
falta de foco livre, alto custo de manutenção e ruído limitam a aplicação de helicópteros ( Sugiura et al., 2005 ;
Swain et al., 2010 ; Chapman et al., 2014).). O UAV de asa fixa é caracterizado por velocidade de vôo rápida e tempo
de vôo longo; no entanto, o gargalo para a aplicação de asa fixa do FBP é a falta de habilidade de pairar livre e o
desfoque de imagem causado por altas velocidades e altitudes ( Herwitz et al., 2004 ; Link et al., 2013 ). Os UAV com
vários rotores têm as vantagens de baixo custo, capacidade de pairar, requisitos de baixa decolagem e aterrissagem e
são usados com mais frequência para o FBP. No entanto, as maiores limitações dos UAV multi-rotor são o tempo de
voo relativamente curto, a carga útil mais baixa e a sensibilidade ao clima ( Zhang e Kovacs, 2012 ; Pena et al., 2013 ;
Uto et al., 2013 ; Nasi et al., 2015). Os materiais de fabricação tradicional de UAV são metais, como aço para aviação
e alumínio ( Colomina e Molina, 2014 ; Salami et al., 2014 ; Pajares, 2015 ). Para reduzir o peso do UAV, aumentar a
força do corpo e prolongar o tempo de vôo, uma variedade de materiais compósitos leves e de alta resistência tem
sido amplamente utilizados, incluindo fibra de vidro e fibra de carbono, e se tornaram os principais materiais
alternativos para o corpo dos UAVs. Para o motor, os motores UAV podem ser divididos em duas categorias: óleo e
motor elétrico. Os motores a óleo têm as vantagens de resistência ao vento forte e longo tempo de trabalho,
enquanto há desvantagens de ser volumoso, produzindo grande vibração e tendo pouca confiabilidade, o que leva ao
borrão da imagem ( Xiang e Tian, 2011).; Sankaran et al., 2015b ). Os motores elétricos apresentam as vantagens de
segurança, pequena vibração, facilidade de manutenção e baixo custo, o que faz com que se torne uma importante
via para a fenotipagem das culturas por UAV; no entanto, o tempo de resistência de vôo curto e a resistência fraca ao
vento limitaram seu uso para fenotipagem de culturas em larga escala. Uma série de sistemas de propulsão com as
vantagens de pequeno volume, baixa vibração e novas fontes de energia tornaram-se disponíveis e melhoraram
muito o espaço e a capacidade de carga do UAV. Motores e sistemas de propulsão silenciosa de baixa altitude são
necessários para satisfazer os requisitos de UAVs de pequeno e médio porte ( Verhoeven, 2009 ).
MESA 2
ÍNDICE
Abstrato Tabela 2 . Tipos típicos de UAV usados para fenotipagem de culturas baseadas em campo.
Introdução
Plataformas UAV e
O corpodo
Avanços do UAV, sistema de controle de vôo, controle remoto, sensores e óleo / energia elétrica são os componentes
mínimos necessários
Sensoriamento Remoto para um UAV-RSP; enquanto a estação terrestre que permite o planejamento da rota de voo e a
configuração dos parâmetros de voo, é uma ferramenta opcional. O sistema de controle de voo de um UAV é o
no Campo
núcleo de todo o processo de voo, incluindo a decolagem, voar no ar, executar tarefas e recuperação, e é uma das
Discussões
principais tecnologias de um sistema UAV. Tomando o UAV-RSP que foi usado para fenotipagem de campo no
Conclusão
melhoramento de culturas por NERCITA na China, por exemplo, para ilustrar os componentes de um UAV-RSP
(Figura 3). Ado
Contribuições ferramenta
autor de planejamento de rotas de um UAV pode definir a altura do voo, velocidade de voo,
localização docon
Declaração de vooitoe de
missões, e os detalhes do voo são transmitidos para o sistema de controle de vôo através de um
interesse
transceptor de dados, que permite a descolagem automática , vôo guiado e pouso automático.
Agradecimentos
Abreviaturas
FIGURA 3
Referências
Figura 3 . Os componentes de um UAV adotado pela NERCITA para fenotipagem de campo no melhoramento de
culturas. (A) Um UAV de oito rotores chamado DJI Spreading Wings S1000 +; (B) sistema de controle de vôo
DJI chamado WOOKONG-M; (C) controle remoto DJI Lightbridge 2; (D) gimbal de auto-desenvolvimento; (E)
Interface do usuário da Estação Terrestre DJI.
Sensores implantados por pequenos UAVs

Plataforma de UAV equipada com sensores de imagem de luz visível, sensores espectrais, sensores térmicos
infravermelhos, sensores de fluorescência, LIDAR et al. pode obter a cor, textura, contorno geométrico das culturas,
que pode ser usado para monitorar a altura de plantas, IAF, biomassa e outras características fisiológicas de culturas
em diferentes estágios de crescimento ( Zhang e Kovacs, 2012 ; Rahaman et al., 2015 ; Tabela 3). Como os sensores
equipados são restritos pela capacidade de carga útil do UAV, que deve atender aos critérios de alta precisão, peso
leve, baixo consumo de energia e tamanho pequeno. Considerando o custo, carga útil de UAV e desenvolvimento
tecnológico de produtos comerciais, câmera digital (RGB), câmera multiespectral, termovisor infravermelho, câmera
hiperespectral, LIDAR, câmera tridimensional e radar de abertura sintética (SAR) são os principais sensores
equipados pelo UAV. RSPs até agora ( Chapman et al., 2014 ; Sankaran et al., 2015b ). Os UAV-RSPs adotados pela
NERCITA foram mostrados na Figura 4 .
TABELA 3
Tabela 3 . Especificações e aplicações de sensores típicos implantados por UAV.
FIGURA 4
Figura 4 . Os UAV-RSPs adotados pela NERCITA para fenotipagem de campo no melhoramento de culturas. (A)
Um DJI Spreading Wings S1000 + equipado com imager hiperespectral (Cubert UHD185), termovisor
infravermelho (Optris PI400) e câmera digital (Sony DSC-QX100); (B) Um RIEGL RiCOPTER equipado com
LIDAR (RIEGL VUX-1UAV) (Consentimento obtido do indivíduo para a publicação).
ÍNDICE
Abstrato
Introdução
Câmera digital
Os UAV equipados
Plataformas UAV e com câmeras digitais podem rapidamente adquirir imagens coloridas ou em tons de cinza para
estimar a altura da cultura, a distribuição dos anjos das folhas, o IAF, o alojamento e a cor da folha et al. (
Ballesteros
Avanços do et al., 2014 ; Bendig et al., 2014 ; Chapman et al., 2014). A câmera RGB é a mais comumente usada pelo
Sensoriamento
UAV Remoto
na pesquisa de fenotipagem de culturas. O sensor tem as vantagens de baixo custo, peso leve, operação
conveniente, processamento de dados simples e requisitos de ambiente de trabalho relativamente baixos. Os dados
no Campo
podem ser coletados sob condições ensolaradas e nebulosas, mas a exposição deve ser definida com base nas
Discussões
condições do tempo para evitar a exposição inadequada ou excessiva da imagem. Infelizmente, este método é
Conclusão
insuficiente para analisar com precisão a informação fenotípica da cultura para características fisiológicas devido à
Contribuições
limitação dasdo autor de luz menos visíveis.
faixas
A ortoimagem ou DSM / DEM é o produto final da fotografia aérea. Para as imagens digitais, como há efeito
interesse
significativo de elementos de orientação interior e distorção da câmera na qualidade da imagem, é necessário o
Agradecimentos
processamento de inspeção e distorção das imagens de acordo com os modelos da câmera. Em seguida, o
Abreviaturas
tratamento homogêneo de imagens é necessário para permitir a consistência de brilho, escala de cinza e textura
entre as imagens. O segundo passo é combinar as imagens de acordo com os pontos de característica de cada
Referências
imagem, a conversão de característica invariante de escala (SIFT) e o algoritmo de consenso de amostra aleatório
(RANSAC) foram adotados para processar e otimizar imagens. Finalmente, como o UAV não pode adquirir as
imagens em grande escala devido às limitações dos dispositivos e técnicas de imagem, a fim de avaliar o status de
crescimento da cultura em toda a área de estudo,Colomina e Molina, 2014 ). Como cada valor de pixel das imagens
pode ser calculado a partir da refletância ou radiância de bandas específicas, os índices de cor podem ser extraídos
com imagens de alta resolução adquiridas pelo VANT para identificar as características da vegetação ( Holman et al.,
2016 ; Du e Noguchi, 2017 ).
Sensor de imagem multiespectral / hiperespectral
Os UAVs com sensores de imagem espectral podem obter as características de absorção espectral e refletância das
culturas, que podem ser usadas para monitorar a área de plantio e o crescimento da cultura, avaliar as
características biológicas e físicas de uma cultura e prever o rendimento das culturas ( Overgaard et al ., 2010 ;
Lebourgeois et al., 2012 ; Honkavaara et al., 2013 ; Candiago et al., 2015 ; Nigon et al., 2015). Sensores de imagem
multiespectral e hiperespectral são comumente utilizados pelo UAV. Os sensores multiespectrais de imagem são
definidos como hardware capaz de detectar e registrar radiação de partes invisíveis e visíveis do espectro
eletromagnético, que têm sido amplamente utilizadas para a fenotipagem de culturas devido às vantagens do baixo
custo, da rápida formação de quadros e da alta eficiência do trabalho. ; no entanto, eles são limitados pelo baixo
número de bandas, baixa resolução espectral e espectro descontínuo ( Berni et al., 2009b ; Issei et al., 2010 ;
Overgaard et al., 2010 ; Diaz-Varela et al., 2014 ; Candiago et al., 2015). Os sensores de imagem hiperespectrais são
câmeras que podem obter um grande número de bandas muito estreitas e espectros contínuos. Comparado com os
imageadores multiespectrais, os imageadores hiperespectrais têm as vantagens de mais informações de banda e
maior resolução espectral e podem refletir com precisão as características espectrais da cultura no campo e as
diferenças espectrais entre as culturas ( Zarco-Tejada et al., 2012 , 2013 ; Colomina e Molina, 2014). Nos últimos
anos, a imagem hiperespectral tornou-se uma forma comum de adquirir características das culturas, como o teor de
água da cultura, concentração de nitrogênio foliar, teor de clorofila, IAF e outros parâmetros físicos e químicos, para
facilitar a previsão do rendimento das culturas. A tecnologia de imagem hiperespectral é a tendência futura para a
pesquisa de fenotipagem de culturas usando UAV-RSPs; entretanto, a aplicabilidade do modelo de inversão física
baseado no sensoriamento remoto hiperespectral, os mecanismos complexos de modelos de decomposição espectral
mista para muitos tipos de componentes de campo (cultura, solo, etc.) e um método de extração de elementos
requerem mais pesquisas ( Overgaard et al. , 2010 ; Thorp et al., 2015). O pré-processamento de imagens espectrais
contém principalmente a calibração radiométrica, correção geométrica, fusão de imagens e aprimoramento de
imagem. Em seguida, a reflectância espectral pode ser extraída usando software, como ArcGis, ENVI, etc., para
construir índices de vegetação para recuperar características fenotípicas da cultura ( Nasi et al., 2015 ).
Sensor de imagem infravermelho térmico
Os sensores
ÍNDICE de infravermelho térmico que usam detectores de infravermelho e uma lente de imagem óptica para
receber energia de radiação infravermelha no detector infravermelho do elemento fotossensível podem produzir
Abstrato
dados baseados em séries temporais ou análise de ponto único, que têm sido amplamente utilizados para monitorar
Introdução
o crescimento das culturas e o estresse hídrico detecção ( Gonzalez-Dugo et al., 2013 , 2015 ). Como a condutância
estomática, características fotossintéticas e taxa de transpiração estão intimamente relacionadas com a temperatura
do dossel, aUAV
Plataformas tecnologia
e de imagem térmica infravermelha pode ser usada para determinar a resposta das culturas em
condições de estresse ( Baluja et al., 2012). O método convencional para a determinação da temperatura da copa das
culturas é usando um termômetro infravermelho portátil, que é difícil de realizar na temperatura da copa das
Avanços do
culturas em diferentes condições experimentais simultaneamente, dificultando a comparação da diferença na
temperatura
no Campo entre os tratamentos, porque a temperatura da copa da cultura Mudanças ao longo do tempo. Além
disso, a seleção da área para medição é subjetiva e aleatória ( Berni et al., 2009b). Os UAV equipados com
Discussões
termovisores infravermelhos podem adquirir de forma rápida e não destrutiva a temperatura da copa das culturas,
Conclusão
que pode efetivamente identificar as diferenças de temperatura na copa das culturas sob diferentes condições
ambientais. A sensibilidade térmica é geralmente menor que 80 mK. Entretanto, como a temperatura da copa é
Declaração
sensível àsde con ito deambientais, é necessária a eliminação da influência da temperatura de fundo, incluindo a
condições
interesse
radiação solar, a temperatura do ar ambiente e a velocidade do vento ( Sugiura et al., 2007 ; Deery et al., 2014 ). Os
Agradecimentos
métodos mais comumente adotados para atingir o objetivo incluem usar fundos de folha para eliminar a
temperatura de fundo, determinar a porcentagem de solo nu e folhas cobertas em cada imagem (Jones et al., 2009 ),
Abreviaturas
eReferências
mascarando os dados sobre uma temperatura de fundo conhecida ( Chapman et al., 2014 ). Como o uso direto da
temperatura superficial da copa das plantas para recuperar a condutância estomática ou o potencial hídrico é
arriscado por influenciar os pixels do solo. Além disso, a temperatura do dossel por si só não é suficiente para
derivar o estresse, a evapotranspiração ou outros parâmetros similares ( Ortega-Farias et al., 2016).). Portanto, é
necessário executar todo o balanço energético, levando em conta a temperatura do ar, velocidade do vento, direção
do vento, etc. Para o processamento térmico de infravermelho, métodos diferentes, incluindo a eliminação de todos
os pixels fora da faixa de temperatura esperada algoritmos de limiarização, como o método Otsu, foram adotados
para extrair automaticamente a temperatura do dossel ( Gonzalez-Dugo et al., 2013). No entanto, a presença de
pixels mistos (pixels contendo sinais do solo e da vegetação) é um grande problema para o dossel heterogêneo (
Baluja et al., 2012 ). A influência dos pixels mistos do solo pode ser reduzida com a fusão de dados infravermelhos
térmicos com a imagem RGB. No entanto, a fusão de dados para o pré-processamento de imagens é desgastante e
subjetiva.
LIDAR
LIDAR é um método de levantamento que mede a distância até um alvo com emissão de luz laser. É um dispositivo
de sensoriamento remoto ativo que utiliza o laser como fonte de luz transmissora e adota o método de detecção
fotoelétrico. O LIDAR é composto por um transmissor, receptor, quadro de rastreamento e módulo de
processamento de informações, que possui as vantagens de densidade de ponto alto, alta resolução espacial, menor e
mais leve que o radar de microondas tradicional e bom desempenho para detecção de baixa altitude ( Wallace et al.
De 2012). À medida que o pulso emitido interage com as partes do dossel dele, são retornados por elementos
diferentes, e o tempo de atraso entre eles fornece as informações sobre os parâmetros da estrutura horizontal e
vertical do dossel. Os LIDARs simples medem apenas o primeiro e o último retorno, enquanto os de onda total
retornam a densidade de fótons para um intervalo de atrasos de tempo. As limitações do LIDAR incluem o alto
custo, o feixe estreito, o grande processamento de dados e o pulso de laser pode ser totalmente absorvido pela água,
o que afeta muito a popularidade e a aplicação da tecnologia LIDAR. O LIDAR foi aplicado para estimar a biomassa
e a altura de plantas de árvores, e há poucas aplicações de fenotipagem de culturas usando LIDAR ( Ota et al., 2015).
Os métodos usados para extrair parâmetros estruturais na floresta não são apropriados para a cultura, porque a
altura da planta é muito baixa e o padrão de agregação de folhas é centrado na planta. Assim, é necessário explorar
estratégias para extrair parâmetros estruturais da cultura por LIDAR.
SAR
O SAR é um radar de geração de imagens usado para conduzir o processamento coerente do eco recebido em
diferentes locais para obter dados de alta resolução. O SAR é um tipo de sensor de microondas ativo que pode ser
categorizado em dois tipos, focado e não focalizado. O SAR pode obter imagens de radar de alta resolução
semelhantes a imagens ópticas em condições meteorológicas de visibilidade muito baixa e pode funcionar 24 horas
por dia, o que pode ser usado para identificação de culturas, monitoramento de área cultivada, estimativa de traço
principal e previsão de rendimento, fornecendo forte suporte técnico para monitoramento de crescimento de
culturas
ÍNDICE em larga escala por sensoriamento remoto ( Rosen et al., 2006 ; Wang et al., 2014 ).
Em resumo, os UAVs implantam sensores com as vantagens de operação flexível e conveniente, acesso sob demanda
Abstrato
a dados e alta resolução espacial como um meio importante para adquirir rapidamente e não destrutivamente
Introdução
fenótipos de culturas baseados em campo. No entanto, como as informações de sensoriamento remoto de um único
sensor são limitadas, a combinação de sensores múltiplos para adquirir e integrar dados é necessária para a
Plataformas UAV e
fenotipagem de culturas baseada em campo por UAV-RSPs. Além disso, como a qualidade da imagem pode ser
influenciada pela velocidade do vento, altitude e velocidade de voo, desempenho do sensor, vibração da aeronave e
Avanços do
método de correção de imagem, etc., é necessário explorar estratégias para adquirir imagens com alta qualidade. A
capacidade de processar eficientemente “grandes” dados de sensoriamento remoto adquiridos por UAV continua a
no Campo
ser um desafio, assim como a capacidade de desenvolver algoritmos robustos e rápidos de acordo com os sensores
utilizados.
Discussões
Conclusão
Métodos Universais de Processamento de Dados

Declaração
O de con ito dede imagens de sensoriamento remoto é a base para a recuperação do fenótipo da cultura por
pré-processamento
interesse
sensoriamento remoto UAV. Como existem distorções geométricas e de radiação para imagens de sensoriamento
Agradecimentos
remoto, causadas pela atmosfera, características do sensor, atitude do UAV et al. Assim, é necessário eliminar a
Abreviaturas
distorção geométrica e de radiação antes de recuperar o fenótipo da cultura por imagens de sensoriamento remoto.
A correção geométrica e radiométrica são duas técnicas básicas de pré-processamento para dados de sensoriamento
Referências
remoto de VANTs.
Correção Geométrica
Geralmente contém deformações geométricas para as imagens originais obtidas pela plataforma de sensoriamento
remoto do UAV devido à influência da atitude e velocidade da plataforma UAV, o deslocamento do modelo de
elevação da superfície e a mudança da projeção observada. Assim, a correção geométrica das imagens de
sensoriamento remoto do UAV é um pré-requisito para o processamento e análise de dados subsequentes. Os
métodos comumente adotados para correção geométrica podem ser divididos em duas categorias: (1) Correção
geométrica baseada nos dados do PDV UAV ( Yang et al., 2015 ); (2) Correção geométrica baseada em GPS
diferencial de alta precisão ( Saskia et al., 2017). Os pontos de controle de solo devem ser definidos para o método
tradicional, enquanto a correção geométrica pode ser obtida usando dados de POS de baixa precisão do UAV sem
definir pontos de aterramento, o que pode melhorar a eficiência do processamento de imagens de sensoriamento
remoto UAV. O DEM tem sido amplamente utilizado no monitoramento de altura de culturas e biomassa, que
geralmente pode ser gerado com métodos, tais como ajuste de superfícies móveis, função multifacetada e método de
elementos finitos para interpolação de DEM ( Liang et al., 2013 ).
Processamento de Radiação Espectral
A energia eletromagnética recebida pelos sensores implantados pelo UAV é inconsistente com a refletância física ou
o brilho da radiação espectral do alvo devido às condições atmosféricas, às características físicas do sensor, à posição
do sol e ao ângulo de medição ( Zhao et al., 2014 ). Portanto, a fim de refletir corretamente a refletância espectral ou
as características de radiação, a correção de radiação é necessária para eliminar ou corrigir os vários ruídos ligados à
energia radiante de saída do sensor no processo de imagens de sensoriamento remoto. Calibração de radiação
espectral refere-se ao processo de conversão de um número digital (DN) de imagens adquiridas por sensores
implantados em UAV em parâmetros físicos ( Liang, 2008).), como brilho de radiação, refletância ou temperatura
da superfície, que inclui calibração relativa e calibração absoluta. Os métodos de conversão de reflectância
comumente adotados incluem o modelo de regressão linear, modelo de campo plano, método de média interna,
modelo residual logarítmico e método de alvo escuro et al. A correção atmosférica pode ser negligenciada, pois a
atmosfera entre a superfície e o sensor tem uma influência fraca na radiação da entrada do sensor com a atitude de
vôo relativamente baixa do micro-UAV ( Hernandez-Lopez et al., 2012 ). A reflectância espectral ou índices de
vegetação derivados de imagens hiperespectrais foram influenciados pela visão angular de sensores implantados por
VANT. Modelos de transferência radiativa podem ser ferramentas úteis para corrigir influências angulares em
ambientes com vegetação (Burkart et al., 2015 ). A extração de características espectrais é o processo de
decomposição, reconstrução e seleção da medida espectral, que pode ser dividida em três categorias: método de
redução estatística, método de linha espectral característica e método de linha espectral de acordo com a fórmula de
expressão característica ( Li , 2012 ). O método de redução estatística é o método mais utilizado para a extração de
características espectrais, que tem as vantagens de ser fácil de operar e usar, enquanto há a desvantagem da falta de
significado físico. Os métodos de redução estatística comumente utilizados incluem análise de componentes
principais,
ÍNDICE transformada wavelet, aprendizado múltiplo e máquina de vetor de correlação supervisionada, máquina
de vetor de suporte e análise discriminante (Laliberte et al., 2011 ). A essência do método é a decomposição,
Abstrato
reorganização e seleção da energia radiante celestial, a fim de remover ruído redundante e converter o sinal no
Introdução
padrão, fácil de processar na aplicação subsequente. A vantagem do método de espectro de recursos é que o bom
significado físico, mas muitas vezes é computacionalmente intensivo e ineficiente. Os resultados não apresentam
representação
Plataformas UAV para
e as características espectrais quando há mais tempos espectrais e menos dados de observação. Há
também a vantagem do forte significado físico para o método da linha espectral, no entanto, é sensível à
complexidade
Avanços do espectral e à calibração do instrumento ( Liang et al., 2013 ).
Métodos
no Campo Universais de Modelagem
Os principais métodos adotados para a fenotipagem da cultura por sensoriamento remoto UAV incluem análise de
Discussões
imagem, método do modelo físico, método estatístico empírico e método avançado de análise de dados, como
Conclusão
aprendizado de máquina ( Liang et al., 2013 ; Bendig et al., 2015 ). Como as modernas técnicas de imagem podem
permitir a visualização de dados multidimensionais e multiparâmetros, as imagens de alta resolução adquiridas pela
plataforma
interesse de sensoriamento remoto UAV foram utilizadas para estimar as características da estrutura da cultura
usando o método de análise de imagens ( Torres-Sanchez et al. 2015 ). O método de análise de imagens baseado em
Agradecimentos
objetos trabalha com grupos de pixels homogêneos e contíguos, o que pode ajudar a resolver o problema de que a
Abreviaturas
similaridade espectral de pixels de culturas e plantas daninhas nas fases iniciais de crescimento (Sankaran et al.,
Referências
2015b ). A descrição geral do procedimento para análise de imagem inclui aquisição, segmentação e classificação de
imagens ( Mathews, 2014 Torres-Sanchez et al., 2015). Algoritmos de análise de imagem são os principais drivers
para a extração de dados estatísticos para quantificar o fenótipo. Algoritmos de segmentação típicos são baseados
em um modelo de cor e valor limite ( Li L. et al., 2014 ). A fim de acelerar a eficiência do trabalho, os métodos
automáticos baseados em objetos foram destacados, já que o UAV pode adquirir dados maciços de imagens. O
algoritmo de limiar OBIA é essencial para a classificação automática da vegetação (). Como o modelo de inversão
física, como o modelo de transferência radiativa, refere-se a problemas complexos da estrutura da folha e dossel,
transmissão de radiação, a combinação de mecanismo de transferência radiativa e características de absorção
espectral do componente bioquímico é necessária para recuperar o fenótipo da cultura. Por exemplo, o modelo
PROSAIL combinado com dados espectrais foram utilizados para monitorar o IAF do trigo ( Bendig et al., 2015). As
características fenotípicas da cultura, como cobertura do dossel da cultura, IAF, teor de clorofila, nutriente vegetal,
teor de água, biomassa e rendimento et al., Podem ser rapidamente adquiridas usando modelos estatísticos
empíricos com vários índices de vegetação. Os métodos estatísticos empíricos comumente adotados para
fenotipagem de campo de alto rendimento incluem regressão linear múltipla, regressão por mínimos quadrados
parciais e regressão linear por etapas ( Richards, 1990). A utilização de métodos avançados de análise de dados,
como análise de componentes principais (PCA), redes neurais artificiais (ANN), máquina de vetor de suporte (SVM)
e análise wavelet (WA) et al., Pode ser um importante método para melhorar a predição. precisão dos modelos de
recuperação. No entanto, há desvantagens da falta de relações de regressão explícitas, o processo de cálculo que
consome tempo, o que limita muito sua eficiência e escopo de aplicação ( Zhao et al., 2014).). Os modelos
estatísticos empíricos são amplamente utilizados e eficazes na pesquisa de Sensoriamento Remoto de VANT para
fenotipagem baseada em campo, de acordo com a pesquisa da literatura, mas as aplicações foram limitadas pela
maior demanda em dados práticos de levantamento e falta de significado físico. Para o aprendizado de máquina, a
desvantagem óbvia é a falta de capacidade de interpretar dados, o que dificulta a exploração das vantagens do
aprendizado de máquina.
Avanços do Sensoriamento Remoto de VANTs na Fenotipagem no Campo

O fenótipo da cultura é definido como as características fisiológicas e bioquímicas e características que são
influenciadas pela informação genética da cultura e fatores ambientais, podendo ser dividido em diferentes níveis,
como grupos, indivíduos, órgãos, tecidos e células ( Cobb et al. al., 2013 ; Yang et al., 2013 ; Araus e Cairns, 2014 ). O
fenótipo da cultura está intimamente relacionado à produção de culturas e melhoramento de culturas. A aquisição
rápida e não destrutiva da informação fenotípica das culturas no campo é um pré-requisito importante para estudar
a lei de herança genética e acelerar a eficiência da criação de culturas em larga escala ( Yang et al., 2013). Os
métodos tradicionais para medir as características das culturas, como biomassa, IAF e produtividade, dependem da
amostragem manual, que é demorada, ineficiente e imprecisa ( Berni et al., 2009b ; Rahaman et al., 2015 ; Li W. e
cols. ., 2016 ). Há vantagens definitivas para a fenotipagem baseada em campo baseada em UAV-RSPs, incluindo
alta eficiência técnica, baixo custo, adequação para ambientes de campo complexos, trabalho de campo oportuno,
ÍNDICE
aquisição de dados de alta resolução, identificação rápida de informações de crescimento, aquisição de imagens
síncronas, e alta eficiência operacional. Os UAV-RSPs têm sido amplamente utilizados para a fenotipagem de
Abstrato
culturas em campo como uma ferramenta importante para a fenotipagem de alta produtividade para auxiliar na
Introdução
pesquisa de safras (Tabela 4).). No entanto, ainda há a falta de validação da fenotipagem baseada em campo por
sensoriamento remoto UAV com germoplasma massivo (mais de 1.000 parcelas).
Plataformas UAV e
Avanços do
TABELA 4
no Campo
Discussões Tabela 4 . Aplicações típicas de fenotipagem de culturas baseadas em campo por UAV-RSPs.
Conclusão

interesse
Agradecimentos
Abreviaturas
Referências
Traços Geométricos da Colheita

Traços geométricos, como a altura da cultura ( Bareth et al., 2016 ; Holman et al., 2016 ), fração de cobertura vegetal
( Weiss e Baret, 2017 ; Yu et al., 2017 ), fração de radiação interceptada ( Guillen-Climent et al., 2014 ; Duan et al.,
2017 ), LAI ( Corcoles et al., 2013 ), hospedagem ( Chapman et al., 2014 ), estrutura 3D ( Aasen et al., 2015 ; Weiss e
Baret, 2017 ), distribuição do ângulo foliar ( Guo et al., 2015 ; McNeil et al., 2016 ), densidade de perfilhos ( Du e
Noguchi, 2017 ) e emergência ( Sankaran et al., 2015a), pode ser obtido rapidamente usando os métodos de análise
de imagem ou a informação espectral e de textura nas imagens adquiridas por um sensor de imagem implantado por
um UAV ( Tamouridou et al., 2017 ; Yu et al., 2017 ). As nuvens de pontos tridimensionais densificadas podem ser
criadas usando a estrutura do movimento (SFM) com base nas imagens adquiridas por um UAV equipado com uma
câmera digital ( Turner et al., 2012 ; Holman et al., 2016 ). Em seguida, o DSM e o DEM são extraídos para gerar
modelos de superfície de culturas (CSMs) ( De Souza et al., 2017 ), que podem ser usados para estimativa da área de
alojamento ( Chapman et al., 2014 ) e monitoramento da altura da planta ( Li W. et al., 2016). A precisão da
estimativa da altura da planta usando o DSM e o DEM pode ser significativamente melhorada com o uso do GPS em
Tempo Real Cinemático (RTK) ( Xiong et al., 2017 ). A altura de planta do milho foi estimada por UAV equipado
com uma câmera digital com o R 2 e NRMSE de 0,88 e 6,40%, respectivamente ( Li W. et al., 2016 ). Além de
estimar a altura da planta usando o DEM gerado por imagens digitais, as nuvens de pontos adquiridas pelo LIDAR
também podem ser usadas para estimar a altura da planta. No estudo em andamento da NERCITA, 69 (Inbred) e
104 (Hybrid) linhas de milho foram selecionadas para estimar a altura das plantas com LIDAR baseado em UAV. Os
coeficientes de determinação entre a altura estimada do milho por LIDAR e a altura medida da planta podem chegar
a 0,94 no melhoramento de milho (Figura 5), que mostrou uma alta precisão na estimativa da altura de plantas em
reprodução. A dinâmica de floração funciona como uma característica fenotípica importante para o arroz em casca,
que consome muito tempo e exige trabalho intensivo por observação manual. A técnica de análise de imagem,
incluindo descritores de transformação de característica invariante de escala e aprendizado de máquina, teve um
bom desempenho na detecção de panículas de floração com imagens RGB ( Guo et al., 2015 ). No entanto, as
aplicações de UAV para a contagem de panículas de floração não foram relatadas. A caracterização automatizada da
dinâmica de floração por sensoriamento remoto UAV em larga escala é essencial para acelerar o processo de
reprodução. Assim, ainda há potencial para aplicações mais amplas de fenotipagem baseada em campo por UAV
com o avanço do método de análise de imagem, sensor de baixo custo e software efetivo de processamento de
imagem.
FIGURA 5
ÍNDICE
Abstrato
Figura 5 . A estimativa da altura de plantas de milho de verão. (A) Modelo de altura de corte (CHM) de LIDAR
Introdução em 8 de julho de 2016 (pontos vermelhos indicam os pontos de amostra medidos), (B) Validação da altura do
milho a partir de LIDAR.
Plataformas UAV e
Avanços do
A classificação de imagens de sensoriamento remoto é uma parte importante da análise de características de
imagem
de VANTs enapode ser usada para monitoramento de cores de folhas e identificação de culturas ( Geipel et al., 2014 ). Os
Fenotipagem
métodos
no Campode classificação podem ser divididos em classificações supervisionadas e não supervisionadas de acordo
com o nível de intervenção do usuário exigido. Os métodos de classificação supervisionada incluem discriminante de
Discussões
máxima verossimilhança, classificação de redes neurais, classificação fuzzy, classificação de distância mínima e
Conclusão
classificação de Fisher, enquanto métodos de classificação não supervisados incluem agrupamento dinâmico,
agrupamento fuzzy, agrupamento hierárquico e divisão ( Zhao e Qian, 2004 ). A cobertura do dossel de solo (GCC)
foi reconhecida como um importante parâmetro relacionado à fotossíntese e transpiração da cultura (Mullan e
interesse
Reynolds, 2010 ). O GCC é dinâmico durante os estágios de crescimento da cultura. O GCC é reduzido como
Agradecimentos
resultado do enrolamento ou murchamento das folhas em condições de estresse hídrico ( Sayed et al., 2012 ), que
Abreviaturas
podem ser usados para estudar a resposta de variedades de culturas sob estresse abiótico / biótico. Assim, a
dinâmica do GCC ao longo do tempo tem sido considerada como uma das características fenotípicas alvo no
Referências
melhoramento de culturas ( Zaman-Allah et al., 2015 ; Yu et al., 2017 ). A cobertura do dossel no solo pode ser
estimada pela refletância da copa, temperatura da superfície e imagens ( Booth et al., 2005 ; Rajan and Maas,
2009).). Por exemplo, Champan adquiriu o GCC de sorgo com melhor predição linear não-viesada usando um UAV
com uma câmera digital e mostrou que o UAV-RSP tem um grande potencial para fenotipagem de culturas em
criadouros específicos ( Chapman et al., 2014 ). Como a precisão da estimativa do GCC é relativamente baixa usando
o NDVI em fase inicial de crescimento devido à influência do solo. Os dados em nível de pixel extraídos de imagens
com alta resolução adquiridas por UAV tiveram melhor desempenho para a estimativa do GCC ( Sankaran et al.,
2015b). A grande quantidade de dados adquiridos pelos UAV-RSPs que implantam sensores de várias fontes pode
ser processada rápida e eficientemente por meio de aprendizado de máquina, que tem sido amplamente utilizado no
campo da fenotipagem de culturas sob condições de estresse. Identificação, classificação, quantificação e predição
são os principais passos para analisar as características fisiológicas sob condições de estresse biótico e abiótico com
base na aprendizagem de máquina ( Zhao e Qian, 2004 ; Singh et al., 2016 ).
O IAF reflete o status de crescimento da população de culturas e está intimamente relacionado ao rendimento das
culturas. Métodos para estimar o IAF por sensoriamento remoto incluem modelos estatísticos e modelos ópticos.
Índices de vegetação podem ser construídos após o processamento dos dados de refletância espectral adquiridos por
espectrômetros baseados em UAV usando métodos estatísticos para estimar o IAF, tais como Índice de Vegetação
por Diferença Normalizada (NDVI), Índice de Vegetação por Razão (RVI) e Índice de Vegetação Perpendicular
(PVI). Por exemplo, o IAF no melhoramento de soja foi estimado com base na Hiperespectral baseada em UAV por
NERCITA, com a determinação de coeficientes e RMSE para modelos de calibração de 0,70 e 0,67, respectivamente,
que mostraram uma boa precisão ( Lu et al., 2016). Além de estimar o IAF com modelos estatísticos baseados em
índices de vegetação, o modelo de transmissão de radiação também pode ser usado para a estimativa do IAF. Por
exemplo, o modelo PROSAIL combinado com dados espectrais no campo foi usado para estimar o IAF do trigo (
Vega et al., 2015 ).
Índice Espectral de Vegetação Relacionada à Fenotipagem de Culturas

As características de absorção e reflexão diferem entre as bandas espectrais nas folhas da cultura, com forte
absorção na banda visível e forte reflexão na faixa do infravermelho próximo, fornecendo a base física do
monitoramento do crescimento da cultura por sensoriamento remoto. As características de reflexão das folhas das
culturas em diferentes bandas podem ser adquiridas pelo espectrômetro de imagem (Figura 6 ). Um grande número
de índices de vegetação pode ser construído pelo tratamento empírico de dados de refletância espectral em
diferentes comprimentos de onda, que podem refletir a diferença entre a refletância da luz visível, infravermelho
próximo e fundo do solo, indicando o status de crescimento da cultura. 5). Por exemplo, a relação entre o IAF e o
índice espectral diferenciado normalizado (NDSI) calculado a partir de todas as combinações possíveis de duas
bandas foi avaliada e mostrou que o NDSI consiste de duas bandas sensíveis e pode ser usado para estimar o IAF
com alta precisão (Figura 7 ; Gao et al., 2016 ). As características espectrais do dossel da cultura podem ser
ÍNDICE
rapidamente adquiridas por um UAV-RSP equipado com sensores multiespectrais e hiperespectrais e podem então
ser processadas para construir um índice de vegetação para monitorar as principais características da cultura, como
Abstrato
cobertura do dossel, LAI, conteúdo de clorofila, nutrientes das plantas , estado da água, biomassa e produção (
Introdução
Horler et al., 1983 ; Raun et al., 2001 ; Gutierrez et al., 2010).). Os índices de vegetação construídos por meio da
combinação de espectros nos canais infravermelho próximo e vermelho, como NDVI, RDVI e GNDVI, podem ser
Plataformas UAV e
usados para monitorar o LAI e a cobertura do dossel ( Danks et al., 1984 ; Curran, 1985 ). Os índices de vegetação
compostos por uma combinação de espectros nos canais vermelho, azul e infravermelho, como OSAVI, EVI, RVI,
Avanços do
PVI e DVI, podem ser usados para estimar o conteúdo de clorofila e nitrogênio foliar ( Samseemoung et al., 2012 ;
Nigon et na
de VANTs al,Fenotipagem
2015.). Os índices de vegetação compostos de uma combinação de espectros nos canais verde e
no Campo como o índice de razão verde vermelho, podem ser usados para determinar o conteúdo de carotenoides.
vermelho,
Os índices de vegetação construídos com base na diferença entre dois ou mais canais espectrais, como o DVI / EVI,
Discussões
que é sensível às mudanças no fundo do solo, podem ser usados para o monitoramento da biomassa da cultura. Os
Conclusão
índices de vegetação compostos pela razão entre dois ou mais canais espectrais podem indicar a diferença entre o
crescimento da cultura e a cobertura da cultura. Por exemplo, o RVI foi usado para monitoramento do CCC. Índices
de vegetação de diferença normalizados, como NDVI / RDVI, podem refletir o crescimento da cultura e nutrição. A
interesse
combinação de canais azuis, vermelhos e infravermelhos próximos pode eliminar a interferência de aerossóis
Agradecimentos
atmosféricos nos índices de vegetação, tais como OSAVI, o que pode melhorar a precisão do monitoramento do
Abreviaturas
crescimento da cultura e prever o rendimento. Há vantagens de computação fácil, requisitos instrumentais baixos
Referências
para o método de análise estatística empírica com base no índice de vegetação, enquanto a limitação inclui a falta de
interpretação fisiológica da cultura e precisa ser empiricamente ajustada a cada cenário específico. Além do método
estatístico empírico para fenotipagem de culturas, o modelo semi-mecanicista, modelo de mecanismo e aprendizado
de máquina também são métodos úteis. No entanto, o método mais adotado para a fenotipagem de culturas por
sensoriamento remoto UAV é principalmente o modelo estatístico empírico. enquanto a limitação inclui a falta de
interpretação fisiológica da cultura e precisa ser empiricamente ajustada a cada cenário particular. Além do método
sensoriamento remoto UAV é principalmente o modelo estatístico empírico. enquanto a limitação inclui a falta de
interpretação fisiológica da cultura e precisa ser empiricamente ajustada a cada cenário particular. Além do método
sensoriamento remoto UAV é principalmente o modelo estatístico empírico.
FIGURA 6
Figura 6 . A distribuição de imagens hiperespectrais no melhoramento de trigo.
TABELA 5
Tabela 5 . Índices de vegetação típicos utilizados para fenotipagem baseada em campo com plataforma UAV.
FIGURA 7
Figura 7 . Coeficiente de determinação ( R 2 ) entre IAF e NDSI calculado a partir de todas as combinações
possíveis de duas bandas nas fases de junção e floração do trigo.
ÍNDICE
Abstrato
Introdução
Plataformas UAV e
Traços Fisiológicos da Colheita

Avanços do
A
derefletância das folhas da planta na luz visível é afetada pelo conteúdo de clorofila, caroteno e luteína no tecido da
VANTs na Fenotipagem
no Campo
paliçada, enquanto a refletância das folhas da planta na faixa do infravermelho próximo está intimamente
relacionada à estrutura celular. Um grande número de índices de vegetação pode ser construído após o tratamento
Discussões
empírico da informação espectral e pode ser usado para estimar muitas propriedades biofísicas, como a clorofila,
Conclusão
teor de proteína, biomassa, desnutrição, vigor da cultura e estado da água ( Ma et al., 2001 ; Prasad et al., 2007 ).
Por exemplo, o NDVI pode refletir o efeito da informação de base sobre os espectros do dossel para estimar o vigor
da colheita, a biomassa e a produtividade ( Hall et al., 2003 ; Gao et al., 2016).). O GNDVI e o NDWI foram
interesse
utilizados para estimar o conteúdo de clorofila foliar e o estado da água, respectivamente ( Prasad et al., 2007 ;
Agradecimentos
Lelong et al., 2008 ; Gonzalez-Dugo et al., 2014 ). A precisão e confiabilidade da estimativa das características
Abreviaturas
fisiológicas da cultura foram determinadas pelo modelo de recuperação. O método de modelagem e análise mais
Referências
comumente usado para a fenotipagem de culturas por sensoriamento remoto é a análise de regressão, incluindo
regressão linear e não linear. Os métodos de regressão linear, incluindo regressão linear multivariada (MLR),
regressão linear stepwise (SLR) e PLSR, são simples e exequíveis ( Capolupo et al., 2015 ) e têm ampla aplicação na
análise quantitativa por sensoriamento remoto. Por exemplo, o MLR foi usado para estimar a biomassa da cultura
(Rosen et al., 2006 ; Swain et al., 2010), PLSR foi usado para estimar o IAF no melhoramento de soja ( Lu et al.,
2016 ), e SLR foi usado para estimar o teor de clorofila foliar ( Berni et al., 2009b ). No entanto, a principal objeção
aos métodos de regressão linear é a falta de explicação da fisiologia da cultura. Nos últimos anos, usando métodos
de regressão não-linear, incluindo análise de componentes principais, redes neurais artificiais, máquina de vetor de
suporte e análise de wavelets, a mineração de dados tem sido amplamente empregada para associar informações
hiperespectrais com parâmetros fisiológicos e bioquímicos ( Gong, 1999 ; Liang, 2005 ; Wang et al., 2008). No
entanto, como não existe uma fórmula de regressão explícita para esses modelos de regressão não-linear, é difícil
obter um modelo de análise universal, e o processo de cálculo consome mais tempo, o que limita a eficiência e a
aplicação desses métodos. A radiação interceptada fotossinteticamente ativa (IPAR) interposta como importante
indicador da fotossíntese e acúmulo de biomassa, métodos baseados em sensoriamento remoto óptico, como o
modelo de transferência radiativa 3D, FLIGHT, foram adotados para estudar a fração de radiação
fotossinteticamente ativa interceptada. (fIPAR) e absorvido (fAPAR). As imagens multi-espectrais de alta resolução
adquiridas pelo UAV fornecem uma maneira rápida e não destrutiva para estimativas fPAR e FAPAR nos últimos
anos ( Guillen-Climent et al., 2012 ).
A biomassa é um importante indicador do crescimento das culturas, que pode ser usado para monitoramento de
culturas e previsão de produtividade. Os sensores, incluindo câmera multiespectral, imageador hiperespectral,
LIDAR, combinando os métodos incluindo análise estatística empírica dos índices de vegetação, estimativa baseada
na produtividade primária líquida e modelo de crescimento da cultura foram amplamente utilizados para estimativa
de biomassa ( Hunt et al., 2005 ; Swain et al. al., 2010 ; Wallace et al., 2012 ; Bendig et al., 2014). No entanto, o
método para estimar a biomassa da cultura por sensoriamento remoto de VANT é principalmente um modelo
estatístico empírico. A fim de melhorar a precisão da estimativa de biomassa, os índices de vegetação que combinam
a altura da planta foram usados para estimar a biomassa da cultura. Por exemplo, a altura de plantas do modelo
RNDVI foi usada para estimar a biomassa de cevada com o R 2 de 0,84, enquanto o melhor desempenho de estimar
a biomassa pelo índice de vegetação único obtido pelo GRVI e MGRVI com R 2 de 0,60 ( Ota e cols. ., 2015). Além do
modelo de recuperação com índice único de vegetação, o modelo de regressão múltipla com diversos índices de
vegetação também foi adotado para estimar a biomassa, que apresentou boa acurácia. Por exemplo, no experimento
de melhoramento genético de soja da NERCITA, o sensoriamento remoto hiperespectral baseado em UAV foi usado
para estimar a biomassa de soja em 126 parcelas por NERCITA e forneceu um método rápido e não destrutivo para
estimar a biomassa das culturas em ambientes de campo complexos. Como existe uma boa relação entre a altura da
planta de soja e a biomassa (Figura 8), os índices de vegetação combinados de altura de plantas adquiridos por um
imageador hiperespectral Cubert UHD 185 foram usados para construir modelos de recuperação usando PLSR para
estimar a biomassa de soja de um germoplasma massivo. Como a relação entre as características espectrais do
dossel e a biomassa da soja em diferentes estádios de crescimento apresentou diferenças significativas, o método de
ÍNDICE
"modelagem por segmentação" foi utilizado para estimar a biomassa da soja sob diferentes estágios de crescimento.
Os índices de vegetação de OSAVI, R 726 e NDVI 705foram usados para construir um modelo de recuperação para
Abstrato
estimar a biomassa no melhoramento de soja durante os períodos de floração e enchimento de vagens, com o
Introdução
coeficiente de determinação e RMSE de 0,71 e 0,39, respectivamente. Enquanto o RVI, VOG1, NDVI e razão de pico
verde e vale vermelho (R1) foram usados para construir um modelo de recuperação para estimar a biomassa no
Plataformas UAV e
melhoramento de soja durante os períodos de enchimento e maturação, com um coeficiente de determinação e
RMSE de 0,70 e 0,38 (Figura 9 ; Lu et al., 2016 ).
Avanços do
no Campo
FIGURA 8
Discussões
Conclusão
Contribuições do autor Figura 8 . A relação entre a altura da planta e a biomassa acima do solo da soja (de Lu et al., 2016 ; permissões
para reprodução foram obtidas dos detentores dos direitos autorais).
interesse
Agradecimentos
Abreviaturas
Referências
FIGURA 9
Figura 9 . A relação entre a biomassa prevista e medida em diferentes estágios de crescimento. (A) Calibração e
validação de biomassa durante os períodos de floração e enchimento de vagens; (B) Calibração e validação de
biomassa durante os períodos de enchimento e maturação; de Lu et al. (2016) ; permissões de reprodução foram
obtidas dos detentores dos direitos autorais.
Estresse Abiótico / Biótico

A pesquisa em fisiologia vegetal sob condições de estresse abiótico ou biótico geralmente se concentra nas mudanças
de características fisiológicas e bioquímicas e seu mecanismo de agronomia. Fatores de estresse, incluindo déficit
hídrico, baixa temperatura, alta temperatura, alta salinidade, poluição ambiental, pragas e doenças, podem ter
efeitos adversos significativos sobre o crescimento das culturas ( Zhao e Qian, 2004 ; Zarco-Tejada et al., 2012 ;
Nigon e cols. ., 2015). Estudar a resposta das culturas a diferentes condições de stress é importante para o cultivo e
reprodução. Como a permeabilidade da membrana das células vegetais, o conteúdo de clorofila e a peroxidase
mudam sob condições de estresse, algumas doenças podem ser detectadas por espectroscopia no estágio inicial de
crescimento. Por exemplo, o sensor de imagem multi-banda baseado em UAV foi implantado para adquirir imagens
aéreas de alta resolução para detecção de Huanglongbing (HLB), o que mostra que há diferença significativa para a
refletância espectral de 710 nm e os valores do índice NIR-R entre saudável e Árvores infectadas com HLB ( Garcia-
Ruiz et al., 2013). Os índices de vegetação podem ser extraídos de imagens adquiridas por VANT para separar os
dendezeiros saudáveis e aqueles infestados por Phellinus Noxius por visualização, análise e identificação de software
de processamento de imagens, que fornecem um meio de detecção oportuna de infecções por pragas ou doenças (
Samseemoung et al. ., 2011 ). A erva daninha também pode ser culturas separadas com imagens multiespectrais
implantadas por UAV. Por exemplo, a erva daninha Silybum marianum (L.) Gaertn foi classificada usando o
classificador de máxima verossimilhança (ML) com imagens multiespectrais adquiridas por um UAV de asa fixa. A
precisão geral das taxas de classificação pode chegar a 87,04 % ( Tamouridou et al., 2017). Como a informação
fenotípica da cultura desempenha um papel importante em revelar a resistência das culturas ao estresse, a
fenotipagem rápida é essencial para que os cientistas agrícolas atinjam seus objetivos. Temperaturas de dossel
infravermelho detectadas remotamente podem fornecer um método eficiente para monitoramento rápido e não
destrutivo da resposta de toda a planta ao estresse hídrico ( Rashid et al., 1999 ; Gutierrez et al., 2010 ), que tem sido
amplamente usado para testar a tolerância à seca variedades. A evapotranspiração pode ser estimada com imagens
de infravermelho térmico sob condições de estresse ( Grieder et al., 2015). A temperatura da copa também pode ser
ÍNDICE
usada para prever o rendimento das culturas em algumas ocasiões. Por exemplo, houve uma correlação positiva
significativa
Abstrato entre menor temperatura da copa e maior rendimento sob condições de alta temperatura e seca (
Reynolds et al., 2007 ). A condutância estomática diminuiu e a temperatura foliar aumentou com o fechamento do
Introdução
estoma sob estresse osmótico causado pelo excesso de salinidade e alta temperatura, o que pode ser usado para
estimar o potencial hídrico e a condutância estomática ( Bowman e Strain, 1988 ; Wang et al., 2003 ).
Plataformas UAV e
Como
sensoresa implantados
temperatura da copa da cultura está relacionada à fotossíntese, a diferença de temperatura do ar da copa
(TD), que
Avanços do é a razão entre a temperatura da copa e a temperatura do ar, pode ser usada para prever o rendimento da
cultura, por exemplo,
Sensoriamento Remoto existe uma correlação negativa significativa entre TD e produção de batata híbrida de sorgo (
Chaudhuri e Kanemasu, 1982 ) e uma correlação positiva significativa entre TD e produção de trigo sob condições de
no Campo
estresse hídrico ( Rashid et al., 1999 ; Bellundagi et al., 2013 ). O índice de déficit hídrico obtido a partir de dados de
Discussões
imagens térmicas pode ser usado para determinar o estado da água das folhas das culturas e para estimar a
Conclusão
condutância estomática. A temperatura do dossel desempenha um papel importante na triagem de variedades
resistentes à do
Contribuições seca pelo Centro Internacional de Melhoramento do Milho e do Trigo ( Reynolds et al., 1994 ).
autor
Aproximadamente
Declaração de con ito60%
de da variação do rendimento de sementes de diferentes variedades de trigo pode ser explicada
pelas condições de alta temperatura e seca e pela temperatura do dossel, que são negativamente correlacionadas
interesse
com o rendimento do trigo ( Olivares-Villegas et al., 2007 ; Reynolds et al., 2007 ). Mantenha (2013)encontraram
Agradecimentos
uma diferença na temperatura do dossel entre as variedades de soja criadas durante os períodos de 1920-2010, que
Abreviaturas
não foram afetadas pelo meio ambiente. Além disso, há uma correlação negativa significativa entre a temperatura do
Referências
dossel e o rendimento de dois grupos de variedades maduras ( Keep, 2013 ).
O método convencional de medir a temperatura da copa das culturas no campo é usando um termovisor portátil,
que é ineficiente. É difícil medir sincronicamente características agronômicas em uma grande área em pouco tempo
usando um termovisor portátil, mas um UAV equipado com um instrumento de imagem térmica pode rapidamente
e facilmente adquirir dados de imagens térmicas para monitorar o crescimento de culturas em grandes áreas para
monitorar indiretamente estado de crescimento. O uso de VANTs equipados com termovisores para monitorar a
temperatura da copa das culturas, a condutância estomática e o estado de água foliar do trigo, milho e sorgo
apresentaram alta precisão em comparação com os dados observados no campo, enquanto os indicadores de
algodão adquiridos por termoformagem imagers mostraram menor precisão ( Berni et al., 2009b ;Zarco-Tejada et
al., 2012 ; Colomina e Molina, 2014 ).
Previsão do potencial de colheita e monitoramento de nutrientes

O rendimento da safra, que está intimamente relacionado ao desenvolvimento e diferenciação de órgãos e à
distribuição e acúmulo de produtos fotossintéticos, é o foco central da pesquisa em ciências das culturas. Os
métodos tradicionais para estimativa de rendimento de culturas são o uso de levantamentos manuais ou o
estabelecimento da relação entre fatores agronômicos ou fatores climáticos e o rendimento das culturas usando
métodos de análise estatística ( Overgaard et al., 2010 ; Swain et al., 2010).). Muitas observações e amostragens em
experimentos de campo são necessárias para determinar os parâmetros do modelo de previsão de produção, que é
trabalhoso e demorado. Como alguns fatores são difíceis de quantificar, é difícil promover o uso desses modelos
devido à baixa adaptabilidade a diferentes áreas. A predição de rendimento por sensoriamento remoto é definida
como a construção da relação entre os espectros de copa e o rendimento de culturas com base nas características
biológicas das culturas para predição de produtividade usando dados espectrais em diferentes estágios de
crescimento da cultura ( Swain et al., 2010). Melhorar a precisão e adaptabilidade do modelo de estimativa de
rendimento é um pré-requisito para a aplicação do sensoriamento remoto UAV. O rendimento das culturas pode ser
previsto combinando os parâmetros fisiológicos das plantas com os índices de vegetação. Os parâmetros fisiológicos
de plantas e os parâmetros de sensoriamento remoto adotados comumente para construir modelos de predição de
rendimento incluem a duração do período de crescimento, conteúdo de clorofila, IAF, biomassa acima do solo,
refletância espectral e índices de vegetação ( Filella et al., 1995 ). O rendimento da safra pode ser previsto pela
construção de um modelo de inversão de sensoriamento remoto contendo uma variedade de índices de vegetação;
no entanto, a precisão da predição da cultura usando o índice estrutural é baixa devido aos efeitos do estresse
hídrico terminal ( Chaudhuri e Kanemasu, 1982). A temperatura da copa, que está relacionada com o rendimento
até certo ponto, e os índices de pigmentação de carotenóides, como o PRI e índice de reflectância de absorção de
clorofila (CARI), são adequados para o rastreamento de características complexas, como o rendimento da cultura (
Gonzalez-Dugo et al. , 2015 ). Por exemplo, o rendimento de trigo foi previsto com base na temperatura do dossel,
pois a baixa temperatura aumenta o rendimento sob condições adequadas de abastecimento de água e limitação de
água ( Olivares-Villegas et al., 2007).). O teor de clorofila também pode ser usado para prever o rendimento das
culturas,
ÍNDICE porque existe uma relação entre o teor de clorofila e a fotossíntese que está relacionada com a produção. A
precisão dos modelos de previsão de rendimento melhora com o aumento do número de parâmetros de modelagem;
Abstrato
no entanto, os modelos de previsão de rendimento usando características de refletância espectral e temperatura de
Introdução
dossel geralmente se concentram em 2 ~ 3 bandas e carecem de adaptabilidade. Portanto, é importante construir
Inquérito
modelosde deLiteratura
previsão de rendimento de culturas que combinem parâmetros de fisiologia da cultura e sensoriamento
remoto para
Plataformas melhorar
UAV e a precisão da predição de rendimento pelo UAV-RSP.
Nos últimos anos, foram identificadas as características espectrais dos componentes, como clorofila, nitrogênio e
Avanços do
água da planta, que permitiram estimar o conteúdo bioquímico das culturas por sensoriamento remoto e estimar a
nutrição dasFenotipagem
de VANTs na plantas sob diferentes condições ambientais ( Swain et al., 2007 , Wang et al., 2008). A concentração
no Campo
de nitrogênio foliar (LNC) é um importante indicador do estado do nitrogênio (N) para avaliar a regulação dinâmica
e prever o rendimento das culturas. O progresso da pesquisa da tecnologia de sensoriamento remoto para a
Discussões
estimativa
Conclusão de LNCs foi alcançado nos últimos anos. Os algoritmos e índices de vegetação adotados para a construção
de modelos analíticos de sensoriamento remoto afetam significativamente a precisão da fenotipagem de campo
usando UAV-RSPs. Como modelos para análise de informações fenotípicas de cultivares massivas em áreas
reprodutivas utilizando sensoriamento remoto de veículos aéreos não tripulados são sensíveis às condições
interesse
climáticas e do solo, o desenvolvimento de estratégias para a estimativa de LNC para diferentes culturas sob
Agradecimentos
diferentes condições ambientais é útil para o monitoramento do crescimento das culturas. No estudo da NERCITA,
Abreviaturas
quatro técnicas quimiométricas, incluindo a regressão linear múltipla por etapas (SMLR), Regressão por mínimos
Referências
quadrados parciais (PLSR), redes neurais de propagação reversa (BPN) e regressão por máquinas vetoriais de
suporte (SVR), foram adotadas com 13 características espectrais chaves para construir modelos LNC. Os resultados
indicaram que a regressão por mínimos quadrados parciais (PLSR) e a regressão de máquinas de vetor de suporte
(SVR) tiveram melhor desempenho do que os outros dois métodos, comValores de R 2 no conjunto de calibração de
0,82 e 0,81 e os valores do erro médio quadrático normalizado (NRMSE) no conjunto de validação de 5,48 e 5,94%,
respectivamente ( Li Z. et al., 2016 ).
Discussões
UAV-RSPs e sensores implantados

As plataformas de sensoriamento remoto dos UAV se tornaram uma maneira eficaz de obter rapidamente
informações sobre o solo, especialmente no campo do monitoramento do crescimento de culturas. É necessário
ajustar a altitude de voo e a velocidade de voo com base nas condições reais, devido à complexidade do ambiente das
terras agrícolas. Em contraste, a velocidade de vôo e a altitude devem ser menores para obter informações
detalhadas sobre o crescimento de frutos no mato ( Mathews e Jensen, 2013 ). Os UAV-RSPs freqüentemente
usados, especialmente os UAV com múltiplos rotores, como o modelo quadrióptero UAV md4-1000, são giroplanos
não tripulados. Os giroplanos têm as vantagens de velocidade e altura de vôo ajustáveis, a capacidade de decolar e
aterrissar verticalmente, a liberdade das restrições de condições do local e a adequação para a observação de
informações precisas sobre terras agrícolas (Hardin and Jensen, 2011). A altitude de vôo dos UAVs multi-rotor varia
de 20 a 100 m, garantindo que a resolução de dados espaciais dos sensores ópticos possa atingir o nível centimétrico
para uma identificação precisa dos indivíduos da cultura. A altitude de vôo varia de 300 a 1.000 m para a maioria
dos UAVs de asa fixa, e o maior problema para os UAVs de asa fixa é que é necessária uma velocidade mínima de
vôo antes que eles parem. A operação dos UAVs de asa fixa é mais complicada do que a dos UAVs de múltiplos
rotores, o que os torna mais perigosos. As desvantagens limitam a ampla aplicação de UAVs de asa fixa para
aquisição de dados na fenotipagem de campo. A maioria dos UAVs está equipada com sistemas de acionamento
automático. O ajuste automático da altura, posição e atitude do vôo é realizado usando GPS / INS e o manômetro
montado no UAV,Pajares, 2015 ). A carga útil pode atingir de 3 a 5 kg para os UAVs com múltiplos rotores e de asa
fixa. Além disso, o corpo do UAV deve ser maior quando a carga exceder 5 kg; é necessário que o UAV seja equipado
com uma estrutura de ejeção no local especializado para a decolagem e que realize um julgamento artificial para
abrir o pára-quedas, o que aumenta a complexidade e a dificuldade de operar os UAV de asa fixa. Em geral, os UAV
com múltiplos rotores são mais estáveis e convenientes e são mais adequados como plataforma para fenotipagem de
culturas em campo. No entanto, a extensão limitada que as asas rotativas podem cobrir pela velocidade e autonomia
é o problema para sua aplicação. No futuro, os UAV com vários rotores poderão fornecer mais de uma hora de vôo
contínuo à medida que a tecnologia da bateria amadurecer.
Atualmente, os UAVs são equipados com sensores óticos com bandas de onda que vão da luz visível até o
infravermelho
ÍNDICE próximo, como sensores multiespectrais, câmeras digitais convencionais e sensores hiperespectrais.
Os problemas com os sensores implantados pelo UAV-RSP são os seguintes: (1) a falta de sensores para a
Abstrato
fenotipagem de culturas baseadas em campo. Os sensores óticos existentes são difíceis de usar para obter
Introdução
informações quantitativas da cultura e são geralmente empregados para análise qualitativa. Por exemplo, um
formato de armazenamento de 8 bits é usado para geração de imagens pela câmera Tetracam ADC-lite, o que pode
Plataformas
resultar emUAV
umae mudança muito pequena na diferença espectral entre as culturas e afetar a precisão da análise
quantitativa subsequente. As câmeras digitais comumente usadas não possuem calibração de câmera e calibração
Avanços do
radiométrica, o que pode afetar a precisão da análise de parâmetros geométricos. A imagem hiperespectral
aerotransportada não tripulada, incluindo imagens lineares de vassourões e imagens de olhos fixos, gradualmente
atraiu a atenção de especialistas e acadêmicos. O hiperespectrômetro de imagem linear de vassoura de pressão é
no Campo
mais maduro, enquanto o imageador hiperespectral com aparência de estrela foi desenvolvido para plataformas
Discussões
instáveis nos últimos dois anos. O maior problema com o espectrômetro de vassoura linear é que é difícil garantir
Conclusão
uma calibração geométrica precisa. A resolução espacial do espectrômetro pode atingir o nível centimétrico, mas a
vibração da plataforma UAV e o jitter dinâmico podem causar distorções geométricas óbvias na ausência de sistema
Declaração
de de con itoede
posicionamento orientação de alta precisão (POS) ou sistema de navegação inercial (INS). A vibração pode ser
interesse
reduzida por amortecedores ou por uma plataforma de estabilização ativa. Contudo, é difícil para a precisão da
Agradecimentos
calibração geométrica atingir o nível centimétrico, o que pode afetar seriamente a aplicação desse tipo de sensor.
Abreviaturas
Portanto, é necessário desenvolver sensores a serem implantados por micro-UAV para fenotipagem de culturas
baseadas
Referênciasem campo. (2) O atual sistema de controle de aquisição de sensores e o sistema de controle de vôo UAV
não estão integrados. Atualmente, o UAV e os sensores implantados são de fabricantes diferentes. Portanto, o
sistema de controle de voo do UAV não fornece uma interface para os sensores, e o sistema de autocontrole, unidade
de aquisição e armazenamento são equipados pelos sensores sem a interface e sem um sistema de controle de vôo
UAV.
Regulamentos do espaço aéreo para a aplicação de UAVs

Os UAVs têm as vantagens de flexíveis, em tempo real e não destrutivos para fenotipagem de culturas, no entanto,
os UAVs devem seguir regras rígidas de gerenciamento para garantir sua segurança, bem como o desenvolvimento
sustentável da indústria aeronáutica UAV. Como o plano de vôo precisa ser permitido pelos reguladores da aviação,
que geralmente levam mais de 3 dias em alguns países. Por exemplo, as permissões de mais de três agências
reguladoras, como a força aérea, a aviação civil, a polícia, são necessárias para conduzir vôos UAV na China, o que é
demorado. O plano de voo, incluindo o tempo de voo, o condutor UAV de altitude de voo, a área de voo e a
finalidade do voo, etc., devem ser apresentados. Como o plano para a aquisição de informações de sensoriamento
remoto do UAV era geralmente programado com base nas condições de clima e crescimento da cultura, É difícil
propor uma declaração avançada para conduzir a pesquisa de fenotipagem de campo. Além disso, o voo frequente
pode ser necessário na pesquisa, as declarações repetidas são um problema. Aqui apresentamos um resumo do
regulamento principal para UAVs em diferentes países. Como um dos países mais desenvolvidos da indústria da
aviação, os regulamentos dos UAV nos Estados Unidos estão em uma posição relativamente avançada. Os UAV
foram admitidos na Administração Nacional de Aeronáutica e Espaço (NASA) nos Estados Unidos em 1990, e a
regulamentação dos UAV encontrou um equilíbrio entre cautela e abertura pela Administração Federal de Aviação
(FAA) com o aumento da frequência de operação dos UAV civis. Existem três tipos de UAV que precisam ser
supervisionados: aeronaves públicas, aeronaves civis e aviões modelo. A FAA dos EUA anunciou um registro online
de drones comerciais e pequenos UAVs em 2016, com custos de registro iguais para drones recreativos. A versão
web do sistema de registro foi projetada para reduzir o tempo necessário para um grande número de operadores de
UAV registrar UAVs comerciais. Recentemente, a FAA dos EUA propôs uma exigência regulatória de que um VANT
deve estar à vista de seu operador, o que limita a ampla aplicação de VANTs para pesquisas de grandes áreas,
inspeção de longa distância de dutos e entrega. Para resolver essa limitação, um sistema de gerenciamento de
tráfego aéreo foi desenvolvido com a cooperação da NASA, empresas, universidades e agências governamentais para
permitir que o operador use um sistema de rastreamento para que o UAV possa voar fora da vista do operador,
evitando áreas sensíveis. como aeroportos e áreas lotadas. A Agência Europeia para a Segurança da Aviação (EASA)
publicou um aviso de revisão avançada do sistema (A-NPA2015-10) denominado “o quadro das regras e
regulamentos operacionais do UAV” em 30 de julho de 2015. O A-NPA forneceu um quadro regulamentar
operacional detalhado com baixo risco proposto pela EASA. A supervisão da EASA baseou-se no desempenho e no
risco dos VANTs, que podem ser divididos em três categorias: (1) classe aberta (baixo risco); (2) operação de
franquia (risco médio); (3) classe de validação (alto risco). O quadro regulamentar da AESA baseia-se no risco
operacional do VANT. Além das regulamentações baseadas no gerenciamento de riscos, existem regulamentações
baseadas
ÍNDICE na certificação de VANTs, que são similares àquelas para veículos espaciais tripulados ( O A-NPA forneceu
um quadro regulamentar operacional detalhado com baixo risco proposto pela EASA. A supervisão da EASA baseou-
Abstrato
se no desempenho e no risco dos VANTs, que podem ser divididos em três categorias: (1) classe aberta (baixo risco);
Introdução
(2) operação de franquia (risco médio); (3) classe de validação (alto risco). O quadro regulamentar da AESA baseia-
se no risco operacional do VANT. Além das regulamentações baseadas no gerenciamento de riscos, existem
regulamentações
Plataformas UAV e baseadas na certificação de VANTs, que são similares àquelas para veículos espaciais tripulados ( O
A-NPA forneceu um quadro regulamentar operacional detalhado com baixo risco proposto pela EASA. A supervisão
da EASAdobaseou-se no desempenho e no risco dos VANTs, que podem ser divididos em três categorias: (1) classe
Avanços
Sensoriamento
aberta (baixo Remoto
risco); (2) operação de franquia (risco médio); (3) classe de validação (alto risco). O quadro
regulamentar
no Campo da AESA baseia-se no risco operacional do VANT. Além das regulamentações baseadas no
gerenciamento de riscos, existem regulamentações baseadas na certificação de VANTs, que são similares àquelas
Discussões
para veículos espaciais tripulados ( O quadro regulamentar da AESA baseia-se no risco operacional do VANT. Além
Conclusão
das regulamentações baseadas no gerenciamento de riscos, existem regulamentações baseadas na certificação de
Contribuições
VANTs, que sãodo autor
similares àquelas para veículos espaciais tripulados ( O quadro regulamentar da AESA baseia-se no
risco operacional
Declaração dode
de con ito VANT. Além das regulamentações baseadas no gerenciamento de riscos, existem
interesse
regulamentações baseadas na certificação de VANTs, que são similares àquelas para veículos espaciais tripulados
Agradecimentos
(Stöcker et al., 2017 ). A Administração de Aviação Civil da China (CAAC) estipula que as instituições e indivíduos
que utilizam UAVs devem solicitar espaço aéreo especializado com base na “Portaria Geral de Controle de Voo da
Abreviaturas
Referências
Aviação” e obedecer às regras de gerenciamento de atividade de voo para garantir a segurança de vôo. O nível de
gerenciamento da produção e a posse e uso de VANT afetam grandemente o tamanho do mercado de aplicações de
VANTs, que incluem sensoriamento remoto de VANT e fenotipagem de culturas baseadas em campo.
Métodos e Precisão da Fenotipagem de Culturas Baseadas em Campo

Os métodos para análise do fenótipo de cultura de sensoriamento remoto incluem monitoramento direto,
classificação de imagens, comparação concorrente, modelagem estatística empírica, modelagem de reversão física,
aprendizado de máquina e análise de séries temporais de parâmetros de sensoriamento remoto ( Singh et al., 2016 ;
Virlet et al., 2017). No entanto, os métodos comumente adotados para a fenotipagem da cultura pela tecnologia de
sensoriamento remoto UAV são a análise estatística empírica no momento. Os outros métodos igualmente
importantes para a análise de dados de sensoriamento remoto não têm sido amplamente utilizados na pesquisa,
apenas alguns artigos apresentam esses métodos para a fenotipagem da cultura por VANT. As declarações baseadas
na pesquisa bibliográfica e no estudo de caso da NERCITA indicaram que a alta precisão para estimar características
fenotípicas de culturas baseadas em campo pode ser alcançada, no entanto, a alta precisão só pode ser alcançada em
ocasiões especiais. As pesquisas que analisam o IAF, o conteúdo de clorofila do dossel e o teor de nitrogênio foliar
por meio de dados de sensoriamento remoto foram totalmente desenvolvidas. O coeficiente de determinação dos
modelos de recuperação pode exceder 0,85 ( Rosen et al., 2006 ;Berni et al., 2009b ; Ballesteros et al., 2014 ; Bendig
et al., 2014 ), indicando que a informação fenotípica estimada está de acordo com os valores medidos. A razão para a
alta precisão é que as características espectrais das folhas estão relacionadas aos indicadores supracitados e podem
ser usadas para refletir diretamente as informações de crescimento. Infelizmente, é difícil propor modelos
universais ou métodos gerais para recuperar características fenotípicas de culturas com boa precisão por
sensoriamento remoto entre diferentes tipos de culturas até o momento.
Como o índice de vegetação é uma importante causa das diferenças no sensoriamento remoto para recuperar
características fenotípicas da cultura, a combinação de bandas espectrais pode afetar a precisão da recuperação. A
precisão de recuperação de traços complexos baseados em sensoriamento remoto nas literaturas pesquisadas
permanece baixa. O coeficiente de determinação de modelos de recuperação para prever o rendimento de culturas e
a biomassa é geralmente inferior a 0,70 ( Overgaard et al., 2010) devido à relação indireta entre informações de
sensoriamento remoto e características complexas da cultura. As características das culturas complexas são
influenciadas pelo genoma e pelo ambiente, enquanto a reflectância espectral e os índices de vegetação (por
exemplo, NDVI, RVI) estão indiretamente relacionados a essas características. As características das culturas, como
o IAF e a fração de radiação fotossinteticamente ativa absorvida, estão mais relacionadas ao rendimento da cultura;
no entanto, é difícil usar as características das culturas diretamente relacionadas às características espectrais para
prever o rendimento das culturas devido à heterogeneidade da superfície terrestre, a influência do tipo de cultura e
do ambiente e a incerteza da extração por sensoriamento remoto.
As idéias básicas de pesquisa para fenotipagem de culturas baseadas em campo pelo UAV-RSP são semelhantes,
ÍNDICE
incluindo a recuperação de características-chave da cultura, como estrutura da cultura, conteúdo bioquímico,
Abstrato
biomassa, produção, alojamento, doenças e pragas, a partir de dados de sensoriamento remoto ( Sankaran et al. ,
2015b ). A maioria das características das culturas recuperadas está na escala do dossel e pode indicar o crescimento
Introdução
da cultura;
Inquérito no entanto, é necessário adquirir características fisiológicas e ecológicas de plantas individuais e até
de Literatura
órgãos que não podem ser resolvidos pelos UAVs. Portanto, novos sensores e modelos de reversão física são
Plataformas UAV e
necessários para monitorar sincronicamente as principais informações fenotípicas das culturas nas escalas micro e
macro.
Avanços do
Desa o para o processamento de dados "grande"
no Campo
Em comparação com o rápido desenvolvimento de plataformas de sensores e hardware, a eficiência e a função do

Discussões
processamento de imagens são insuficientes, especialmente a capacidade de processamento rápido de software no
Conclusão
campo. Além disso, grandes quantidades de dados adquiridos por imageadores hiperespectrais e LIDAR precisam
ser processados ( Zhao e Qian, 2004). Como o processamento de imagens para dados hiperespectrais e LIDAR é
complexo,
interesse há uma necessidade urgente de desenvolver software com a capacidade de executar processamento de
imagem preciso e de alta velocidade para melhorar a eficiência e a precisão do processamento de dados. O fluxo de
Agradecimentos
processamento de dados é baseado no processamento de imagens de sensoriamento remoto aéreo para a maioria
Abreviaturas
dos softwares de processamento de sensoriamento remoto UAV existentes, sem considerar as características
Referências
especializadas do sensoriamento remoto UAV. Os aspectos que refletem a diferença entre o sensoriamento remoto
aéreo e o sensoriamento remoto UAV incluem poucos pontos de controle no solo, falta de parâmetros de calibração
interna rígidos nos sensores implantados e falta de um sistema POS de alta precisão para sensoriamento remoto
UAV, o que evita sistema de processamento de sensoriamento remoto aéreo de ser aplicado diretamente ao
processamento de dados de sensoriamento remoto de UAV. O software de processamento digital de imagens, como
o Agisoft PhotoScan Professional Edition (Agisoft LLC, São Petersburgo, Rússia) e o Pixel4D (Lausanne Suíça), que
pode ser usado para correção geométrica e mosaicos, desenvolveu-se rapidamente nos últimos anos; no entanto,
imagens hiperespectrais e dados LIDAR não podem ser processados usando software de processamento comercial
devido à falta de um módulo especial para análise de informações de sensoriamento remoto. A eficiência do software
de processamento de dados deve ser melhorada para satisfazer os requisitos de processamento e análise de dados
rápidos e precisos. imagens hiperespectrais e dados LIDAR não podem ser processados usando software de
processamento comercial devido à falta de um módulo especial para análise de informações de sensoriamento
remoto. A eficiência do software de processamento de dados deve ser melhorada para satisfazer os requisitos de
processamento e análise de dados rápidos e precisos. imagens hiperespectrais e dados LIDAR não podem ser
processados usando software de processamento comercial devido à falta de um módulo especial para análise de
informações de sensoriamento remoto. A eficiência do software de processamento de dados deve ser melhorada
para satisfazer os requisitos de processamento e análise de dados rápidos e precisos.
A correção geométrica e a calibração radiométrica constituem o trabalho mais exigente para o processamento de
dados por sensoriamento remoto UAV, o que consome tempo. Um método maduro de fotogrametria por
sensoriamento remoto foi adotado para correção geométrica, que requer muitos pontos correspondentes ao mesmo
nome, geração de nuvens de pontos e correção de imagens orto. Além disso, é difícil processar em lote porque a
resolução espacial e espectral de cada sensor é diferente, o que reduz a eficiência do processamento. É necessário
desenvolver métodos de processamento de saída de sensoriamento remoto UAV baseados em computação em
nuvem ou computação de alto desempenho para processar dados de sensoriamento remoto on-line e evitar a baixa
eficiência causada pelo processamento de dados usando software independente. Além disso, Há uma necessidade de
desenvolver ferramentas analíticas especializadas para sensores implantados na pesquisa de fenotipagem de
culturas usando UAV-RSPs para grandes aplicações por criadores de culturas. A aplicação de UAV-RSPs para
fenotipagem de culturas baseadas em campo pode promover a análise de associação de genomas e fenótipos para
melhorar a eficiência de melhoramento de culturas.
Conclusão
A fenotipagem de culturas em campo por UAV-RSPs tornou-se um tema de pesquisa quente nos últimos anos.
Aproximadamente 88,5% da literatura pesquisada focada na fenotipagem de campo usando UAV-RSPs foi publicada
nos últimos 5 anos. O status atual e as perspectivas dos UAV-RSPs para FBP são os seguintes:
(1) O UAV-RSP pode ser uma ferramenta poderosa para fenotipagem baseada em campo com as vantagens de alta
eficiência
ÍNDICE de operação, baixo custo, adequação para ambientes de campo complexos e alta resolução. O UAV
multi-rotor é a plataforma de fenotipagem baseada em UAV mais adotada nos últimos anos. Há potencial para o
Abstrato
UAV-RSP agir como uma alternativa aos métodos tradicionais de monitoramento do crescimento de culturas,
Introdução
previsão de produção e seleção de variedades. A câmera digital, a câmera multiespectral, a câmera
Inquérito de Literaturao imageador infravermelho térmico e o LiDAR têm sido amplamente utilizados para a
hiperespectral,
fenotipagem
Plataformas UAV e baseada em campo. A adoção de multi-sensores acoplados a métodos avançados de análise de dados
para recuperar características fenotípicas de culturas são os pontos críticos de pesquisa nos últimos anos.
Avanços do
(2) O fenótipo de cultura que pode ser adquirido por UAV-RSP inclui, mas não está limitado a, características
geométricas, textura espectral da copa, características fisiológicas, resposta ao estresse abiótico / biótico,
nutrição de plantas e produtividade. Infelizmente, ainda há uma falta de validação para a fenotipagem baseada
no Campo
em campo por UAV com um grande grupo de variedades de culturas. Existe diferença para a precisão da
Discussões
fenotipagem baseada em campo usando sensoriamento remoto UAV entre as características fenotípicas, que foi
Conclusão
causada pela variação do tipo de sensor, clima, fases de crescimento da cultura e tipo de cultura. Pesquisas
focadas nas características fenotípicas da cultura que estão diretamente relacionadas à informação espectral da
Declaração de con
copa foram ito de
conduzidas e mostraram boa precisão sob certas condições,
interesse
(3) Os fatores limitantes para a fenotipagem de campo baseada em UAV incluem a baixa capacidade dos UAVs, as
Agradecimentos
regulamentações rígidas do espaço aéreo, a falta de métodos para processamento rápido de dados e modelos para
estimar características complexas sob diferentes condições ambientais. Melhorar o desempenho dos UAVs,
Abreviaturas
reduzir o custo dos sensores, acelerar o processamento de dados e desenvolver estratégias para analisar o
Referências
fenótipo da cultura por sensoriamento remoto são tendências futuras. Felizmente, espera-se que com o avanço
dos UAVs com carga útil maior e maior durabilidade, sensores de baixo custo, melhores métodos de
processamento de imagem para dados “Big” e regulamentações efetivas do espaço aéreo, haja potencial para
aplicações mais amplas sobre a fenotipagem de campo baseada em UAV. .
GY, JL e CZ realizaram o levantamento bibliográfico e redigiram o artigo; HYu, BX, XY, DZ, XZhang, RZ, HF e
XZhao forneceram os dados e números sobre a fenotipagem baseada em campo por NERCITA; Zhenhong Li, HY,
Zhenhai Li, HL e HYang fizeram valiosos comentários ao manuscrito e realizaram revisões críticas. Todos os autores
deram aprovação final para publicação.
Declaração de con ito de interesse

Os autores declaram que a pesquisa foi realizada na ausência de quaisquer relações comerciais ou financeiras que
possam ser interpretadas como um potencial conflito de interesses.
Agradecimentos
Este estudo foi apoiado pela Fundação de Ciências Naturais da China (61661136003, 41471285 e 41471351),
programa nacional de pesquisa e desenvolvimento (2016YFD0300602), e os Fundos Especiais para capacitação em
inovação tecnológica patrocinados pela Academia de Agricultura e Florestal de Pequim ( KJCX20170423). Obrigado
a Guozheng Lu, Jibo Yue, etc. na coleção de amostragem de campo. Obrigado a todos os funcionários do grupo de
criação de soja Shandong Shengfeng. Somos gratos aos revisores por seus valiosos comentários e recomendações.
Abreviaturas
AIC, critério de informação de Akaike; BGI2, índice de pigmento verde azul2; BPN, rede neural de propagação
reversa; CAAC, administração da aviação civil da China; CARI, Índice de reflectância de absorção de clorofila; CCC,
cobertura de copa das culturas; CHM, modelo de altura de colheita; CSI, índice de estrutura de dossel; DEM, modelo
de elevação digital; DSM, modelo de superfície digital; DVI, Índice de vegetação de diferença; EASA, Agência
Europeia para a Segurança da Aviação; EVI, índice de vegetação melhorado; FAA, Administração Federal da
Aviação; FBP, fenotipagem baseada em campo; FBPPS, plataformas de fenotipagem baseadas em campo; GNDVI,
índice de vegetação de diferença normalizada verde; HTPPs, plataformas de fenotipagem de alto rendimento; INS,
sistema de navegação inercial; IAF, índice de área foliar; LIDAR, direção e alcance da intensidade do laser; LNC,
concentração de nitrogênio foliar; RLM, regressão linear multivariada; NASA, Administração Nacional Aeronáutica
e Espacial; NDVI, Índice de vegetação de diferença normalizada; NERCITA, centro nacional de pesquisa em
ÍNDICE
engenharia para tecnologia da informação na agricultura; NLI, índice não linear; OSAVI, índice de vegetação
Abstrato
otimizado pelo solo otimizado; PLSR, regressão parcial por mínimos quadrados; POS, posicionamento e sistema de
orientação; PRI, índice de reflectância fotoquímica; PSRI, Índice de refletância de senescência de plantas; PVI,
Introdução
índice dedevegetação
Inquérito Literatura perpendicular; RDVI, índice de vegetação de diferença renormalizada; RVI, índice de vegetação
Ratio; SAR, radar de abertura sintética; SAVI, Índice de Vegetação Ajustada pelo Solo; SLR, regressão linear
Plataformas UAV e
Stepwise; SMLR, regressão linear múltipla Stepwise; SR, razão simples; SVR, regressão de máquinas de vetor de
suporte; TCARI, Índice de CAR Transformado; TD, diferença de temperatura; TVI, índice de vegetação triangular;
Avanços do
UAV, veículo Remoto
Sensoriamento aéreo não tripulado; UAV-RSP, Plataformas de sensoriamento remoto de veículos aéreos não
tripulados; VDI, índice de seca de vegetação.
no Campo
Discussões
References
Conclusão
Aasen, H., Burkart,

Contribuições do A., Bolten, A., and Bareth, G. (2015). Generating 3D hyperspectral information with lightweight UAV snapshot cameras for
autor
vegetation monitoring: from camera calibration to quality assurance. Isprs J. Photogram. Remote Sensing 108, 245–259. doi:
10.1016/j.isprsjprs.2015.08.002
interesse
CrossRef Full Text (https://doi.org/10.1016/j.isprsjprs.2015.08.002) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=H.+Aasen&author=A.+Burkart&author=A.+Bolten&author=G.+Bareth+&publication_year=2015&title=Generating+3D+hyperspectral+info
Agradecimentos
rmation+with+lightweight+UAV+snapshot+cameras+for+vegetation+monitoring%3A+from+camera+calibration+to+quality+assurance&journal=Is
Abreviaturas
prs+J.+Photogram.+Remote+Sensing&volume=108&pages=245-259)
Acevo-Herrera,
Referências R., Aguasca, A., Bosch-Lluis, X., Camps, A., Martinez-Fernandez, J., Sanchez-Martin, N., et al. (2010). Design and first results of an
UAV-Borne L-Band radiometer for multiple monitoring purposes. Remote Sensing 2, 1662–1679. doi: 10.3390/rs2071662
CrossRef Full Text (https://doi.org/10.3390/rs2071662) | Google Scholar (http://scholar.google.com/scholar_lookup?author=R.+Acevo-
Herrera&author=A.+Aguasca&author=X.+Bosch-Lluis&author=A.+Camps&author=J.+Martinez-Fernandez&author=N.+Sanchez-
Martin+&publication_year=2010&title=Design+and+first+results+of+an+UAV-Borne+L-
Band+radiometer+for+multiple+monitoring+purposes&journal=Remote+Sensing&volume=2&pages=1662-1679)
Araus, J. L., and Cairns, J. E. (2014). Field high-throughput phenotyping: the new crop breeding frontier. Trends Plant Sci. 19, 52–61. doi:
10.1016/j.tplants.2013.09.008
PubMed Abstract (http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=24139902) | CrossRef Full Text

(https://doi.org/10.1016/j.tplants.2013.09.008) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=J.+L.+Araus&author=J.+E.+Cairns+&publication_year=2014&title=Field+high-
throughput+phenotyping%3A+the+new+crop+breeding+frontier&journal=Trends+Plant+Sci.&volume=19&pages=52-61)
Ballesteros, R., Ortega, J. F., Hernandez, D., and Moreno, M. A. (2014). Applications of georeferenced high-resolution images obtained with
unmanned aerial vehicles. Part I: description of image acquisition and processing. Precision Agric. 15, 579–592. doi: 10.1007/s11119-014-9355-8
CrossRef Full Text (https://doi.org/10.1007/s11119-014-9355-8) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=R.+Ballesteros&author=J.+F.+Ortega&author=D.+Hernandez&author=M.+A.+Moreno+&publication_year=2014&title=Applications+of+ge
oreferenced+high-
resolution+images+obtained+with+unmanned+aerial+vehicles.+Part+I%3A+description+of+image+acquisition+and+processing&journal=Precisio
n+Agric.&volume=15&pages=579-592)
Baluja, J., Diago, M. P., Balda, P., Zorer, R., Meggio, F., Morales, F., et al. (2012). Assessment of vineyard water status variability by thermal and
multispectral imagery using an unmanned aerial vehicle (UAV). Irrig. Sci. 30, 511–522. doi: 10.1007/s00271-012-0382-9

author=J.+Baluja&author=M.+P.+Diago&author=P.+Balda&author=R.+Zorer&author=F.+Meggio&author=F.+Morales+&publication_year=2012&
title=Assessment+of+vineyard+water+status+variability+by+thermal+and+multispectral+imagery+using+an+unmanned+aerial+vehicle+
(UAV)&journal=Irrig.+Sci.&volume=30&pages=511-522)
Bareth, G., Bendig, J., Tilly, N., Hoffmeister, D., Aasen, H., and Bolten, A. (2016). A Comparison of UAV- and TLS-derived plant height for crop
monitoring: using polygon grids for the analysis of crop surface models (CSMs). Photogrammetrie Fernerkundung Geoinformation 2016, 85–94.
doi: 10.1127/pfg/2016/0289
CrossRef Full Text (https://doi.org/10.1127/pfg/2016/0289) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=G.+Bareth&author=J.+Bendig&author=N.+Tilly&author=D.+Hoffmeister&author=H.+Aasen&author=A.+Bolten+&publication_year=2016
&title=A+Comparison+of+UAV-+and+TLS-
derived+plant+height+for+crop+monitoring%3A+using+polygon+grids+for+the+analysis+of+crop+surface+models+
(CSMs)&journal=Photogrammetrie+Fernerkundung+Geoinformation&volume=2016&pages=85-94)
Bellundagi, A., Singh, G. P., Prabhu, K. V., Arora, A., Jain, N., Ramya, P., et al. (2013). Early ground cover and other physiological traits as efficient
selection criteria for grain yield under moisture deficit stress conditions in wheat (Triticum aestivum L.). Indian J. Plant Physiol. 18, 277–281. doi:
10.1007/s40502-013-0047-6

author=A.+Bellundagi&author=G.+P.+Singh&author=K.+V.+Prabhu&author=A.+Arora&author=N.+Jain&author=P.+Ramya+&publication_year=2
013&title=Early+ground+cover+and+other+physiological+traits+as+efficient+selection+criteria+for+grain+yield+under+moisture+deficit+stress+c
onditions+in+wheat+(Triticum+aestivum+L.)&journal=Indian+J.+Plant+Physiol.&volume=18&pages=277-281)
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., and Bareth, G. (2014). Estimating biomass of barley using crop surface models (CSMs)
derived from UAV-Based RGB imaging. Remote Sensing 6, 10395–10412. doi: 10.3390/rs61110395
CrossRef Full Text (https://doi.org/10.3390/rs61110395) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=J.+Bendig&author=A.+Bolten&author=S.+Bennertz&author=J.+Broscheit&author=S.+Eichfuss&author=G.+Bareth+&publication_year=20
14&title=Estimating+biomass+of+barley+using+crop+surface+models+(CSMs)+derived+from+UAV-
Based+RGB+imaging&journal=Remote+Sensing&volume=6&pages=10395-10412)
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., et al. (2015). Combining UAV-based plant height from crop surface models,
visible, and near infrared vegetation indices for biomass monitoring in barley. Int. J. Appl. Earth Observ. Geoinformat. 39, 79–87. doi:
10.1016/j.jag.2015.02.012
ÍNDICE
CrossRef Full Text (https://doi.org/10.1016/j.jag.2015.02.012) | Google Scholar (http://scholar.google.com/scholar_lookup?
Abstrato
author=J.+Bendig&author=K.+Yu&author=H.+Aasen&author=A.+Bolten&author=S.+Bennertz&author=J.+Broscheit+&publication_year=2015&tit
le=Combining+UAV-
Introdução
based+plant+height+from+crop+surface+models,+visible,+and+near+infrared+vegetation+indices+for+biomass+monitoring+in+barley&journal=I
nt.+J.+Appl.+Earth+Observ.+Geoinformat.&volume=39&pages=79-87)
Berni, J. A. J., Zarco-Tejada, P. J., Sepulcre-Canto, G., Fereres, E., and Villalobos, F. (2009a). Mapping canopy conductance and CWSI in olive
Plataformas
orchards usingUAV higheresolution thermal remote sensing imagery. Remote Sens. Environ. 113, 2380–2388. doi: 10.1016/j.rse.2009.06.018
CrossRef Full Text (https://doi.org/10.1016/j.rse.2009.06.018) | Google Scholar (http://scholar.google.com/scholar_lookup?
Avanços do
author=J.+A.+J.+Berni&author=P.+J.+Zarco-Tejada&author=G.+Sepulcre-
Canto&author=E.+Fereres&author=F.+Villalobos+&publication_year=2009a&title=Mapping+canopy+conductance+and+CWSI+in+olive+orchards
+using+high+resolution+thermal+remote+sensing+imagery&journal=Remote+Sens.+Environ.&volume=113&pages=2380-2388)
no Campo
Berni, J. A. J., Zarco-Tejada, P. J., Suarez, L., and Fereres, E. (2009b). Thermal and narrowband multispectral remote sensing for vegetation
monitoring from an unmanned aerial vehicle. IEEE Trans. Geosci. Remote Sensing 47, 722–738. doi: 10.1109/tgrs.2008.2010457
Discussões
CrossRef Full Text (https://doi.org/10.1109/tgrs.2008.2010457) | Google Scholar (http://scholar.google.com/scholar_lookup?
Conclusão
author=J.+A.+J.+Berni&author=P.+J.+Zarco-
Tejada&author=L.+Suarez&author=E.+Fereres+&publication_year=2009b&title=Thermal+and+narrowband+multispectral+remote+sensing+for+v
egetation+monitoring+from+an+unmanned+aerial+vehicle&journal=IEEE+Trans.+Geosci.+Remote+Sensing&volume=47&pages=722-738)
Declaração
Booth, de con
D. T., Cox, S. E.,ito de C., Phillips, M., and Williamson, N. (2005). Image analysis compared with other methods for measuring ground
Fifield,
interesse
cover. Arid Land Res. Manag. 19, 91–100. doi: 10.1080/15324980590916486
Agradecimentos
CrossRef Full Text (https://doi.org/10.1080/15324980590916486) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=D.+T.+Booth&author=S.+E.+Cox&author=C.+Fifield&author=M.+Phillips&author=N.+Williamson+&publication_year=2005&title=Image
Abreviaturas
+analysis+compared+with+other+methods+for+measuring+ground+cover&journal=Arid+Land+Res.+Manag.&volume=19&pages=91-100)
Referências
Bowman, W. D., and Strain, B. R. (1988). Physiological responses in two populations of Andropogon glomeratus Walter B.S.P. to short-term salinity.
Oecologia 75, 78–82. doi: 10.1007/BF00378817
(https://doi.org/10.1007/BF00378817) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=W.+D.+Bowman&author=B.+R.+Strain+&publication_year=1988&title=Physiological+responses+in+two+populations+of+Andropogon+gl
omeratus+Walter+B.S.P.+to+short-term+salinity&journal=Oecologia&volume=75&pages=78-82)
Burkart, A., Aasen, H., Alonso, L., Menz, G., Bareth, G., and Rascher, U. (2015). Angular dependency of hyperspectral measurements over wheat
characterized by a novel UAV based goniometer. Remote Sensing 7, 725–746. doi: 10.3390/rs70100725

author=A.+Burkart&author=H.+Aasen&author=L.+Alonso&author=G.+Menz&author=G.+Bareth&author=U.+Rascher+&publication_year=2015&t
itle=Angular+dependency+of+hyperspectral+measurements+over+wheat+characterized+by+a+novel+UAV+based+goniometer&journal=Remote+S
ensing&volume=7&pages=725-746)
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., and Gattelli, M. (2015). Evaluating multispectral images and vegetation indices for precision
farming applications from UAV images. Remote Sensing 7, 4026–4047. doi: 10.3390/rs70404026

author=S.+Candiago&author=F.+Remondino&author=M.+De+Giglio&author=M.+Dubbini&author=M.+Gattelli+&publication_year=2015&title=Ev
aluating+multispectral+images+and+vegetation+indices+for+precision+farming+applications+from+UAV+images&journal=Remote+Sensing&volu
me=7&pages=4026-4047)
Capolupo, A., Kooistra, L., Berendonk, C., Boccia, L., and Suomalainen, J. (2015). Estimating plant traits of grasslands from UAV-acquired
hyperspectral images: a comparison of statistical approaches. ISPRS Int. J. Geo Informat. 4, 2792–2820. doi: 10.3390/ijgi4042792
CrossRef Full Text (https://doi.org/10.3390/ijgi4042792) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=A.+Capolupo&author=L.+Kooistra&author=C.+Berendonk&author=L.+Boccia&author=J.+Suomalainen+&publication_year=2015&title=Es
timating+plant+traits+of+grasslands+from+UAV-
acquired+hyperspectral+images%3A+a+comparison+of+statistical+approaches&journal=ISPRS+Int.+J.+Geo+Informat.&volume=4&pages=2792-
2820)
Chapman, S., Merz, T., Chan, A., Jackway, P., Hrabar, S., Dreccer, M., et al. (2014). Pheno-Copter: a low-altitude, autonomous remote-sensing
robotic helicopter for high-throughput field-based phenotyping. Agronomy 4, 279–301. doi: 10.3390/agronomy4020279
CrossRef Full Text (https://doi.org/10.3390/agronomy4020279) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=S.+Chapman&author=T.+Merz&author=A.+Chan&author=P.+Jackway&author=S.+Hrabar&author=M.+Dreccer+&publication_year=2014
&title=Pheno-Copter%3A+a+low-altitude,+autonomous+remote-sensing+robotic+helicopter+for+high-throughput+field-
based+phenotyping&journal=Agronomy&volume=4&pages=279-301)
Chaudhuri, U. N., and Kanemasu, E. T. (1982). Effect of water gradient on sorghum growth, water relations and yield. Can. J. Plant Sci. 62, 599–607.
doi: 10.4141/cjps82-090
CrossRef Full Text (https://doi.org/10.4141/cjps82-090) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=U.+N.+Chaudhuri&author=E.+T.+Kanemasu+&publication_year=1982&title=Effect+of+water+gradient+on+sorghum+growth,+water+rela
tions+and+yield&journal=Can.+J.+Plant+Sci.&volume=62&pages=599-607)
Chen, C. M. (2004). Searching for intellectual turning points: progressive knowledge domain visualization. Proc. Natl. Acad. Sci. U.S.A. 101, 5303–
5310. doi: 10.1073/pnas.0307513100

(https://doi.org/10.1073/pnas.0307513100) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=C.+M.+Chen+&publication_year=2004&title=Searching+for+intellectual+turning+points%3A+progressive+knowledge+domain+visualizati
on&journal=Proc.+Natl.+Acad.+Sci.+U.S.A.&volume=101&pages=5303-5310)
Cobb, J. N., DeClerck, G., Greenberg, A., Clark, R., and McCouch, S. (2013). Next-generation phenotyping: requirements and strategies for enhancing
our understanding of genotype-phenotype relationships and its relevance to crop improvement. Theor. Appl. Genet. 126, 867–887. doi:
10.1007/s00122-013-2066-0

(https://doi.org/10.1007/s00122-013-2066-0) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=J.+N.+Cobb&author=G.+DeClerck&author=A.+Greenberg&author=R.+Clark&author=S.+McCouch+&publication_year=2013&title=Next-
ÍNDICE
generation+phenotyping%3A+requirements+and+strategies+for+enhancing+our+understanding+of+genotype-
phenotype+relationships+and+its+relevance+to+crop+improvement&journal=Theor.+Appl.+Genet.&volume=126&pages=867-887)
Abstrato
Colomina, I., and Molina, P. (2014). Unmanned aerial systems for photogrammetry and remote sensing: a review. ISPRS J. Photogram. Remote
Sensing 92, 79–97. doi: 10.1016/j.isprsjprs.2014.02.013
Introdução
CrossRef Full Text (https://doi.org/10.1016/j.isprsjprs.2014.02.013) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=I.+Colomina&author=P.+Molina+&publication_year=2014&title=Unmanned+aerial+systems+for+photogrammetry+and+remote+sensing
%3A+a+review&journal=ISPRS+J.+Photogram.+Remote+Sensing&volume=92&pages=79-97)
Plataformas UAV e
sensores
Comba, L.,implantados
Gay, P., Primicerio, J., and Aimonino, D. (2017). Vineyard detection from unmanned aerial systems images. Comput. Electron. Agric. 114,
78–87. doi: 10.1016/j.compag.2015.03.011
Avanços do
Sensoriamento
CrossRef Full TextRemoto
(https://doi.org/10.1016/j.compag.2015.03.011) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=L.+Comba&author=P.+Gay&author=J.+Primicerio&author=D.+Aimonino+&publication_year=2017&title=Vineyard+detection+from+unm
anned+aerial+systems+images&journal=Comput.+Electron.+Agric.&volume=114&pages=78-87)
no Campo
Corcoles, J. I., Ortega, J. F., Hernandez, D., and Moreno, M. A. (2013). Use of digital photography from unmanned aerial vehicles for estimation of
Discussões
leaf area index in onion (Allium cepa L.) (Retracted article. See vol. 51, pg. 140, 2013). Eur. J. Agron. 45, 96–104. doi: 10.1016/j.eja.2012.11.001
Conclusão
CrossRef Full Text (https://doi.org/10.1016/j.eja.2012.11.001) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=J.+I.+Corcoles&author=J.+F.+Ortega&author=D.+Hernandez&author=M.+A.+Moreno+&publication_year=2013&title=Use+of+digital+ph
otography+from+unmanned+aerial+vehicles+for+estimation+of+leaf+area+index+in+onion+(Allium+cepa+L.)+
(Retracted+article.+See+vol.+51,+pg.+140,+2013)&journal=Eur.+J.+Agron.&volume=45&pages=96-104)
interesse
Curran, P. J. (1985). Principles of Remote Sensing Longman Scientific and Technical. London: ELBS.
Agradecimentos
Google Scholar (http://scholar.google.com/scholar_lookup?
author=P.+J.+Curran+&publication_year=1985&title=Principles+of+Remote+Sensing+Longman+Scientific+and+Technical)
Abreviaturas
Danks, S. M., Evans, E. H., and Whittaker, P. A. (1984). Photosynthetic Systems: Structure: Function and Assembly. New York, NY: Wiley.
Referências
Deery, D., Jimenez-Berni, J., Jones, H., Sirault, X., and Furbank, R. (2014). Proximal remote sensing buggies and potential applications for field-
based phenotyping. Agronomy 4, 349–379. doi: 10.3390/agronomy4030349
CrossRef Full Text (https://doi.org/10.3390/agronomy4030349) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=D.+Deery&author=J.+Jimenez-
Berni&author=H.+Jones&author=X.+Sirault&author=R.+Furbank+&publication_year=2014&title=Proximal+remote+sensing+buggies+and+poten
tial+applications+for+field-based+phenotyping&journal=Agronomy&volume=4&pages=349-379)
De Souza, C. H. W., Lamparelli, R. A. C., Rocha, J. V., and Magalhaes, P. S. G. (2017). Height estimation of sugarcane using an unmanned aerial
system (UAS) based on structure from motion (SfM) point clouds. Int. J. Remote Sensing 38, 2218–2230. doi: 10.1080/01431161.2017.1285082
CrossRef Full Text (https://doi.org/10.1080/01431161.2017.1285082) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=C.+H.+W.+De+Souza&author=R.+A.+C.+Lamparelli&author=J.+V.+Rocha&author=P.+S.+G.+Magalhaes+&publication_year=2017&title=
Height+estimation+of+sugarcane+using+an+unmanned+aerial+system+(UAS)+based+on+structure+from+motion+
(SfM)+point+clouds&journal=Int.+J.+Remote+Sensing&volume=38&pages=2218-2230)
Diaz-Varela, R. A., Zarco-Tejada, P. J., Angileri, V., and Loudjani, P. (2014). Automatic identification of agricultural terraces through object-oriented
analysis of very high resolution DSMs and multispectral imagery obtained from an unmanned aerial vehicle. J. Environ. Manag. 134, 117–126. doi:
10.1016/j.jenvman.2014.01.006

(https://doi.org/10.1016/j.jenvman.2014.01.006) | Google Scholar (http://scholar.google.com/scholar_lookup?author=R.+A.+Diaz-
Varela&author=P.+J.+Zarco-
Tejada&author=V.+Angileri&author=P.+Loudjani+&publication_year=2014&title=Automatic+identification+of+agricultural+terraces+through+obj
ect-
oriented+analysis+of+very+high+resolution+DSMs+and+multispectral+imagery+obtained+from+an+unmanned+aerial+vehicle&journal=J.+Envir
on.+Manag.&volume=134&pages=117-126)
Du, M. M., and Noguchi, N. (2017). Monitoring of wheat growth status and mapping of wheat yield's within-field spatial variations using color images
acquired from UAV-camera system. Remote Sensing 9, 14. doi: 10.3390/rs9030289

author=M.+M.+Du&author=N.+Noguchi+&publication_year=2017&title=Monitoring+of+wheat+growth+status+and+mapping+of+wheat+yield's+
within-field+spatial+variations+using+color+images+acquired+from+UAV-camera+system&journal=Remote+Sensing&volume=9&pages=14)
Duan, T., Zheng, B. Y., Guo, W., Ninomiya, S., Guo, Y., and Chapman, S. C. (2017). Comparison of ground cover estimates from experiment plots in
cotton, sorghum and sugarcane based on images and ortho-mosaics captured by UAV. Funct. Plant Biol. 44, 169–183. doi: 10.1071/fp16123
CrossRef Full Text (https://doi.org/10.1071/fp16123) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=T.+Duan&author=B.+Y.+Zheng&author=W.+Guo&author=S.+Ninomiya&author=Y.+Guo&author=S.+C.+Chapman+&publication_year=20
17&title=Comparison+of+ground+cover+estimates+from+experiment+plots+in+cotton,+sorghum+and+sugarcane+based+on+images+and+ortho-
mosaics+captured+by+UAV&journal=Funct.+Plant+Biol.&volume=44&pages=169-183)
Filella, I., Serrano, L., Serra, J., and Penuelas, J. (1995). Evaluating Wheat Nitrogen Status with Canopy Reflectance Indices and Discriminant
Analysis. Madison, WI, ETATS-UNIS: Crop Science Society of America.

author=I.+Filella&author=L.+Serrano&author=J.+Serra&author=J.+Penuelas+&publication_year=1995&title=Evaluating+Wheat+Nitrogen+Status
+with+Canopy+Reflectance+Indices+and+Discriminant+Analysis.)
Fischer, R. A. T., and Edmeades, G. O. (2010). Breeding and cereal yield progress. Crop Science 50, S85–S98. doi: 10.2135/cropsci2009.10.0564
CrossRef Full Text (https://doi.org/10.2135/cropsci2009.10.0564)
Furbank, R. T., and Tester, M. (2011). Phenomics - technologies to relieve the phenotyping bottleneck. Trends Plant Sci. 16, 635–644. doi:
10.1016/j.tplants.2011.09.005

author=R.+T.+Furbank&author=M.+Tester+&publication_year=2011&title=Phenomics+-
+technologies+to+relieve+the+phenotyping+bottleneck&journal=Trends+Plant+Sci.&volume=16&pages=635-644)
ÍNDICE
Gao, L., Yang, G., Yu, H., Xu, B., Zhao, X., Dong, J., et al. (2016). Retrieving winter wheat leaf area index based on unmanned aerial vehicle
Abstrato
hyperspectral remote sensing. Trans. Chin. Soc. Agric. Eng. 32, 113–120. doi: 10.11975/j.issn.1002-6819.2016.22.016
CrossRef Full Text (https://doi.org/10.11975/j.issn.1002-6819.2016.22.016) | Google Scholar (http://scholar.google.com/scholar_lookup?

Introdução
author=L.+Gao&author=G.+Yang&author=H.+Yu&author=B.+Xu&author=X.+Zhao&author=J.+Dong+&publication_year=2016&title=Retrieving+
winter+wheat+leaf+area+index+based+on+unmanned+aerial+vehicle+hyperspectral+remote+sensing&journal=Trans.+Chin.+Soc.+Agric.+Eng.&v
olume=32&pages=113-120)
Plataformas UAV e
Garcia-Ruiz, F., Sankaran, S., Maja, J. M., Lee, W. S., Rasmussen, J., and Ehsani, R. (2013). Comparison of two aerial imaging platforms for
identification of Huanglongbing-infected citrus trees. Comput. Electron. Agric. 91, 106–115. doi: 10.1016/j.compag.2012.12.002
Avanços do
CrossRef Full Text (https://doi.org/10.1016/j.compag.2012.12.002) | Google Scholar (http://scholar.google.com/scholar_lookup?author=F.+Garcia-
Ruiz&author=S.+Sankaran&author=J.+M.+Maja&author=W.+S.+Lee&author=J.+Rasmussen&author=R.+Ehsani+&publication_year=2013&title=
Comparison+of+two+aerial+imaging+platforms+for+identification+of+Huanglongbing-
no Campo
infected+citrus+trees&journal=Comput.+Electron.+Agric.&volume=91&pages=106-115)
Discussões
Geipel, J., Link, J., and Claupein, W. (2014). Combined spectral and spatial modeling of corn yield based on aerial images and crop surface models
acquired with an unmanned aircraft system. Remote Sensing 6, 10335–10355. doi: 10.3390/rs61110335
Conclusão
author=J.+Geipel&author=J.+Link&author=W.+Claupein+&publication_year=2014&title=Combined+spectral+and+spatial+modeling+of+corn+yie
ld+based+on+aerial+images+and+crop+surface+models+acquired+with+an+unmanned+aircraft+system&journal=Remote+Sensing&volume=6&p
ages=10335-10355)
interesse
Gevaert, C. M., Suomalainen, J., Tang, J., and Kooistra, L. (2015). Generation of spectral-temporal response surfaces by combining multispectral
Agradecimentos
satellite and hyperspectral UAV imagery for precision agriculture applications. IEEE J. Select. Topics Appl. Earth Observ. Remote Sensing 8, 3140–
3146. doi: 10.1109/JSTARS.2015.2406339
Abreviaturas
CrossRef Full Text (https://doi.org/10.1109/JSTARS.2015.2406339) | Google Scholar (http://scholar.google.com/scholar_lookup?
Referências
author=C.+M.+Gevaert&author=J.+Suomalainen&author=J.+Tang&author=L.+Kooistra+&publication_year=2015&title=Generation+of+spectral-
temporal+response+surfaces+by+combining+multispectral+satellite+and+hyperspectral+UAV+imagery+for+precision+agriculture+applications&j
ournal=IEEE+J.+Select.+Topics+Appl.+Earth+Observ.+Remote+Sensing&volume=8&pages=3140-3146)
Gitelson, A. A., Kaufman, Y. J., and Merzlyak, M. N. (1996). Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote
Sensing Environ. 58, 289–298. doi: 10.1016/S0034-4257(96)00072-7
CrossRef Full Text (https://doi.org/10.1016/S0034-4257(96)00072-7) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=A.+A.+Gitelson&author=Y.+J.+Kaufman&author=M.+N.+Merzlyak+&publication_year=1996&title=Use+of+a+green+channel+in+remote+
sensing+of+global+vegetation+from+EOS-MODIS&journal=Remote+Sensing+Environ.&volume=58&pages=289-298)
Gomez-Candon, D., De Castro, A. I., and Lopez-Granados, F. (2014). Assessing the accuracy of mosaics from unmanned aerial vehicle (UAV) imagery
for precision agriculture purposes in wheat. Precision Agric. 15, 44–56. doi: 10.1007/s11119-013-9335-4
CrossRef Full Text (https://doi.org/10.1007/s11119-013-9335-4) | Google Scholar (http://scholar.google.com/scholar_lookup?author=D.+Gomez-

Candon&author=A.+I.+De+Castro&author=F.+Lopez-
Granados+&publication_year=2014&title=Assessing+the+accuracy+of+mosaics+from+unmanned+aerial+vehicle+
(UAV)+imagery+for+precision+agriculture+purposes+in+wheat&journal=Precision+Agric.&volume=15&pages=44-56)
Gomez-Candon, D., Virlet, N., Labbe, S., Jolivot, A., and Regnard, J. L. (2016). Field phenotyping of water stress at tree scale by UAV-sensed imagery:
new insights for thermal acquisition and calibration. Precision Agric. 17, 786–800. doi: 10.1007/s11119-016-9449-6
CrossRef Full Text (https://doi.org/10.1007/s11119-016-9449-6) | Google Scholar (http://scholar.google.com/scholar_lookup?author=D.+Gomez-

Candon&author=N.+Virlet&author=S.+Labbe&author=A.+Jolivot&author=J.+L.+Regnard+&publication_year=2016&title=Field+phenotyping+of+
water+stress+at+tree+scale+by+UAV-
sensed+imagery%3A+new+insights+for+thermal+acquisition+and+calibration&journal=Precision+Agric.&volume=17&pages=786-800)
Gong, P. (1999). Inverting a canopy reflectance model using a neural network. Int. J. Remote Sensing 20, 111–122. doi: 10.1080/014311699213631

author=P.+Gong+&publication_year=1999&title=Inverting+a+canopy+reflectance+model+using+a+neural+network&journal=Int.+J.+Remote+Se
nsing&volume=20&pages=111-122)
Gonzalez-Dugo, V., Hernandez, P., Solis, I., and Zarco-Tejada, P. J. (2015). Using high-resolution hyperspectral and thermal airborne imagery to
assess physiological condition in the context of wheat phenotyping. Remote Sensing 7, 13586–13605. doi: 10.3390/rs71013586
CrossRef Full Text (https://doi.org/10.3390/rs71013586) | Google Scholar (http://scholar.google.com/scholar_lookup?author=V.+Gonzalez-

Dugo&author=P.+Hernandez&author=I.+Solis&author=P.+J.+Zarco-Tejada+&publication_year=2015&title=Using+high-
resolution+hyperspectral+and+thermal+airborne+imagery+to+assess+physiological+condition+in+the+context+of+wheat+phenotyping&journal=
Remote+Sensing&volume=7&pages=13586-13605)
Gonzalez-Dugo, V., Zarco-Tejada, P. J., and Fereres, E. (2014). Applicability and limitations of using the crop water stress index as an indicator of
water deficits in citrus orchards. Agric. Forest Meteorol. 198, 94–104. doi: 10.1016/j.agrformet.2014.08.003
CrossRef Full Text (https://doi.org/10.1016/j.agrformet.2014.08.003) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=V.+Gonzalez-Dugo&author=P.+J.+Zarco-
Tejada&author=E.+Fereres+&publication_year=2014&title=Applicability+and+limitations+of+using+the+crop+water+stress+index+as+an+indicat
or+of+water+deficits+in+citrus+orchards&journal=Agric.+Forest+Meteorol.&volume=198&pages=94-104)
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, E., Nortes, P. A., Alarcon, J. J., Intrigliolo, D. S., et al. (2013). Using high resolution UAV thermal
imagery to assess the variability in the water status of five fruit tree species within a commercial orchard. Precision Agric. 14, 660–678. doi:
10.1007/s11119-013-9322-9
CrossRef Full Text (https://doi.org/10.1007/s11119-013-9322-9) | Google Scholar (http://scholar.google.com/scholar_lookup?author=V.+Gonzalez-

Dugo&author=P.+Zarco-
Tejada&author=E.+Nicolas&author=P.+A.+Nortes&author=J.+J.+Alarcon&author=D.+S.+Intrigliolo+&publication_year=2013&title=Using+high+
resolution+UAV+thermal+imagery+to+assess+the+variability+in+the+water+status+of+five+fruit+tree+species+within+a+commercial+orchard&j
ournal=Precision+Agric.&volume=14&pages=660-678)
Gonzalez-Recio, O., Coffey, M. P., and Pryce, J. E. (2014). On the value of the phenotypes in the genomic era. J. Dairy Sci. 97, 7905–7915. doi:
10.3168/jds.2014-8125

ÍNDICE
(https://doi.org/10.3168/jds.2014-8125) | Google Scholar (http://scholar.google.com/scholar_lookup?author=O.+Gonzalez-
Recio&author=M.+P.+Coffey&author=J.+E.+Pryce+&publication_year=2014&title=On+the+value+of+the+phenotypes+in+the+genomic+era&jour
Abstrato
nal=J.+Dairy+Sci.&volume=97&pages=7905-7915)
Grieder, C., Hund, A., and Walter, A. (2015). Image based phenotyping during winter: a powerful tool to assess wheat genetic variation in growth
Introdução
response to temperature. Funct. Plant Biol. 42, 387–396. doi: 10.1071/Fp14226
CrossRef Full Text (https://doi.org/10.1071/Fp14226) | Google Scholar (http://scholar.google.com/scholar_lookup?
Plataformas UAV e
author=C.+Grieder&author=A.+Hund&author=A.+Walter+&publication_year=2015&title=Image+based+phenotyping+during+winter%3A+a+pow
erful+tool+to+assess+wheat+genetic+variation+in+growth+response+to+temperature&journal=Funct.+Plant+Biol.&volume=42&pages=387-396)
Guillen-Climent, M. L., Zarco-Tejada, P. J., Berni, J. A. J., North, P. R. J., and Villalobos, F. J. (2012). Mapping radiation interception in row-
Avanços do
structured orchards using 3D simulation and high-resolution airborne imagery acquired from a UAV. Precision Agric. 13, 473–500. doi:
10.1007/s11119-012-9263-8
CrossRef
no Campo Full Text (https://doi.org/10.1007/s11119-012-9263-8) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=M.+L.+Guillen-Climent&author=P.+J.+Zarco-
Discussões
Tejada&author=J.+A.+J.+Berni&author=P.+R.+J.+North&author=F.+J.+Villalobos+&publication_year=2012&title=Mapping+radiation+intercepti
on+in+row-structured+orchards+using+3D+simulation+and+high-
Conclusão
resolution+airborne+imagery+acquired+from+a+UAV&journal=Precision+Agric.&volume=13&pages=473-500)
Contribuições
Guillen-Climent,do
M.autor
L., Zarco-Tejada, P. J., and Villalobos, F. J. (2014). Estimating radiation interception in heterogeneous orchards using high
spatial resolution airborne imagery. IEEE Geosci. Remote Sensing Lett. 11, 579–583. doi: 10.1109/Lgrs.2013.2284660
CrossRef
interesseFull Text (https://doi.org/10.1109/Lgrs.2013.2284660) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=M.+L.+Guillen-Climent&author=P.+J.+Zarco-
Agradecimentos
Tejada&author=F.+J.+Villalobos+&publication_year=2014&title=Estimating+radiation+interception+in+heterogeneous+orchards+using+high+spa
tial+resolution+airborne+imagery&journal=IEEE+Geosci.+Remote+Sensing+Lett.&volume=11&pages=579-583)
Abreviaturas
Guo, W., Fukatsu, T., and Ninomiya, S. (2015). Automated characterization of flowering dynamics in rice using field-acquired time-series RGB
Referências
images. Plant Methods 11, 14. doi: 10.1186/s13007-015-0047-9
author=W.+Guo&author=T.+Fukatsu&author=S.+Ninomiya+&publication_year=2015&title=Automated+characterization+of+flowering+dynamics
+in+rice+using+field-acquired+time-series+RGB+images&journal=Plant+Methods&volume=11&pages=14)
Gutierrez, M., Reynolds, M. P., Raun, W. R., Stone, M. L., and Klatt, A. R. (2010). Spectral water indices for assessing yield in elite bread wheat
genotypes under well-irrigated, water-stressed, and high-temperature conditions. Crop Sci. 50, 197–214. doi: 10.2135/cropsci2009.07.0381
CrossRef Full Text (https://doi.org/10.2135/cropsci2009.07.0381) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=M.+Gutierrez&author=M.+P.+Reynolds&author=W.+R.+Raun&author=M.+L.+Stone&author=A.+R.+Klatt+&publication_year=2010&title
=Spectral+water+indices+for+assessing+yield+in+elite+bread+wheat+genotypes+under+well-irrigated,+water-stressed,+and+high-
temperature+conditions&journal=Crop+Sci.&volume=50&pages=197-214)
Haghighattalab, A., Perez, L. G., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., et al. (2016). Application of unmanned aerial systems for high
throughput phenotyping of large wheat breeding nurseries. Plant Methods 12, 15. doi: 10.1186/s13007-016-0134-6

author=A.+Haghighattalab&author=L.+G.+Perez&author=S.+Mondal&author=D.+Singh&author=D.+Schinstock&author=J.+Rutkoski+&publicatio
n_year=2016&title=Application+of+unmanned+aerial+systems+for+high+throughput+phenotyping+of+large+wheat+breeding+nurseries&journal
=Plant+Methods&volume=12&pages=15)
Hall, A., Louis, J., and Lamb, D. (2003). Characterising and mapping vineyard canopy using high-spatial-resolution aerial multispectral images.
Comput. Geosci. 29, 813–822. doi: 10.1016/S0098-3004(03)00082-7
CrossRef Full Text (https://doi.org/10.1016/S0098-3004(03)00082-7) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=A.+Hall&author=J.+Louis&author=D.+Lamb+&publication_year=2003&title=Characterising+and+mapping+vineyard+canopy+using+high
-spatial-resolution+aerial+multispectral+images&journal=Comput.+Geosci.&volume=29&pages=813-822)
Hardin, P. J., and Jensen, R. R. (2011). Small-scale unmanned aerial vehicles in environmental remote sensing: challenges and opportunities. Gisci.
Remote Sensing 48, 99–111. doi: 10.2747/1548-1603.48.1.99
CrossRef Full Text (https://doi.org/10.2747/1548-1603.48.1.99) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=P.+J.+Hardin&author=R.+R.+Jensen+&publication_year=2011&title=Small-
scale+unmanned+aerial+vehicles+in+environmental+remote+sensing%3A+challenges+and+opportunities&journal=Gisci.+Remote+Sensing&volu
me=48&pages=99-111)
Hernandez-Lopez, D., Felipe-Garcia, B., Sanchez, N., Gonzalez-Aguilera, D., and Gomez-Lahoz, J. (2012). Testing the radiometric performance of
digital photogrammetric images: vicarious vs. laboratory calibration on the Leica ADS40, a Study in Spain. Photogrammetrie Fernerkundung
Geoinformation 2012, 557–571. doi: 10.1127/1432-8364/2012/0139
CrossRef Full Text (https://doi.org/10.1127/1432-8364/2012/0139) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=D.+Hernandez-Lopez&author=B.+Felipe-Garcia&author=N.+Sanchez&author=D.+Gonzalez-Aguilera&author=J.+Gomez-
Lahoz+&publication_year=2012&title=Testing+the+radiometric+performance+of+digital+photogrammetric+images%3A+vicarious+vs.+laboratory
+calibration+on+the+Leica+ADS40,+a+Study+in+Spain&journal=Photogrammetrie+Fernerkundung+Geoinformation&volume=2012&pages=557-
571)
Herwitz, S. R., Johnson, L. F., Dunagan, S. E., Higgins, R. G., Sullivan, D. V., Zheng, J., et al. (2004). Imaging from an unmanned aerial vehicle:
agricultural surveillance and decision support. Comp. Electron. Agric. 44, 49–61. doi: 10.1016/j.compag.2004.02.006
CrossRef Full Text (https://doi.org/10.1016/j.compag.2004.02.006) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=S.+R.+Herwitz&author=L.+F.+Johnson&author=S.+E.+Dunagan&author=R.+G.+Higgins&author=D.+V.+Sullivan&author=J.+Zheng+&pu
blication_year=2004&title=Imaging+from+an+unmanned+aerial+vehicle%3A+agricultural+surveillance+and+decision+support&journal=Comp.+
Electron.+Agric.&volume=44&pages=49-61)
Holman, F. H., Riche, A. B., Michalski, A., Castle, M., Wooster, M. J., and Hawkesford, M. J. (2016). High throughput field phenotyping of wheat
plant height and growth rate in field plot trials using UAV based remote sensing. Remote Sensing 8:1031. doi: 10.3390/rs8121031

author=F.+H.+Holman&author=A.+B.+Riche&author=A.+Michalski&author=M.+Castle&author=M.+J.+Wooster&author=M.+J.+Hawkesford+&p
ÍNDICE
ublication_year=2016&title=High+throughput+field+phenotyping+of+wheat+plant+height+and+growth+rate+in+field+plot+trials+using+UAV+b
ased+remote+sensing&journal=Remote+Sensing&volume=8&pages=1031)
Abstrato
Honkavaara, E., Saari, H., Kaivosoja, J., Polonen, I., Hakala, T., Litkey, P., et al. (2013). Processing and assessment of spectrometric, stereoscopic
imagery collected using a lightweight UAV spectral camera for precision agriculture. Remote Sensing 5, 5006–5039. doi: 10.3390/rs5105006
Introdução
author=E.+Honkavaara&author=H.+Saari&author=J.+Kaivosoja&author=I.+Polonen&author=T.+Hakala&author=P.+Litkey+&publication_year=2
013&title=Processing+and+assessment+of+spectrometric,+stereoscopic+imagery+collected+using+a+lightweight+UAV+spectral+camera+for+prec
Plataformas UAV e
ision+agriculture&journal=Remote+Sensing&volume=5&pages=5006-5039)
Horler, D. N. H., Dockray, M., and Barber, J. (1983). The red edge of plant leaf reflectance. Int. J. Remote Sensing 4, 273–288. doi:
Avanços do
10.1080/01431168308948546
CrossRef
de VANTsFull
na Text (https://doi.org/10.1080/01431168308948546) | Google Scholar (http://scholar.google.com/scholar_lookup?
Fenotipagem
author=D.+N.+H.+Horler&author=M.+Dockray&author=J.+Barber+&publication_year=1983&title=The+red+edge+of+plant+leaf+reflectance&jou
no Campo
rnal=Int.+J.+Remote+Sensing&volume=4&pages=273-288)
Discussões
Huete, A. R., Liu, H. Q., Batchily, K., and Leeuwen, W. (1997). A comparison of vegetation indices over a global set of TM images for EOS-MODIS.
Remote Sensing Environ. 59, 440–451. doi: 10.1016/s0034-4257(96)00112-5
Conclusão
CrossRef Full Text (https://doi.org/10.1016/s0034-4257(96)00112-5) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=A.+R.+Huete&author=H.+Q.+Liu&author=K.+Batchily&author=W.+Leeuwen+&publication_year=1997&title=A+comparison+of+vegetatio
n+indices+over+a+global+set+of+TM+images+for+EOS-MODIS&journal=Remote+Sensing+Environ.&volume=59&pages=440-451)
interesse
Hunt, E. R., Cavigelli, M., Daughtry, C. S. T., Mcmurtrey, J. E., and Walthall, C. L. (2005). Evaluation of digital photography from model aircraft for
remote sensing of crop biomass and nitrogen status. Precision Agric. 6, 359–378. doi: 10.1007/s11119-005-2324-5
Agradecimentos
Abreviaturas
author=E.+R.+Hunt&author=M.+Cavigelli&author=C.+S.+T.+Daughtry&author=J.+E.+Mcmurtrey&author=C.+L.+Walthall+&publication_year=2
005&title=Evaluation+of+digital+photography+from+model+aircraft+for+remote+sensing+of+crop+biomass+and+nitrogen+status&journal=Preci
Referências
sion+Agric.&volume=6&pages=359-378)
Hunt, E. R., Hively, W. D., Fujikawa, S. J., Linden, D. S., Daughtry, C. S. T., and McCarty, G. W. (2010). Acquisition of NIR-Green-Blue digital
photographs from unmanned aircraft for crop monitoring. Remote Sensing 2, 290–305. doi: 10.3390/rs2010290

author=E.+R.+Hunt&author=W.+D.+Hively&author=S.+J.+Fujikawa&author=D.+S.+Linden&author=C.+S.+T.+Daughtry&author=G.+W.+McCart
y+&publication_year=2010&title=Acquisition+of+NIR-Green-
Blue+digital+photographs+from+unmanned+aircraft+for+crop+monitoring&journal=Remote+Sensing&volume=2&pages=290-305)
Issei, H.-Y., Ishii, K., and Noguchi, N. (2010). Satellite and aerial remote sensing for production estimates and crop assessment. Environ. Control
Biol. 48, 51–58. doi: 10.2525/ecb.48.51
CrossRef Full Text (https://doi.org/10.2525/ecb.48.51) | Google Scholar (http://scholar.google.com/scholar_lookup?author=H.+-

Y.+Issei&author=K.+Ishii&author=N.+Noguchi+&publication_year=2010&title=Satellite+and+aerial+remote+sensing+for+production+estimates+
and+crop+assessment&journal=Environ.+Control+Biol.&volume=48&pages=51-58)
Jones, H. G., Serraj, R., Loveys, B. R., Xiong, L., Wheaton, A., and Price, A. H. (2009). Thermal infrared imaging of crop canopies for the remote
diagnosis and quantification of plant responses to water stress in the field. Funct. Plant Biol. 36, 978–989. doi: 10.1071/fp09123
CrossRef Full Text (https://doi.org/10.1071/fp09123) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=H.+G.+Jones&author=R.+Serraj&author=B.+R.+Loveys&author=L.+Xiong&author=A.+Wheaton&author=A.+H.+Price+&publication_year
=2009&title=Thermal+infrared+imaging+of+crop+canopies+for+the+remote+diagnosis+and+quantification+of+plant+responses+to+water+stress
+in+the+field&journal=Funct.+Plant+Biol.&volume=36&pages=978-989)
Jordan, C. F. (1969). Derivation of leaf-area index from quality of light on the forest floor. Ecology, 50, 663–666. doi: 10.2307/1936256

author=C.+F.+Jordan+&publication_year=1969&title=Derivation+of+leaf-
area+index+from+quality+of+light+on+the+forest+floor&journal=Ecology&volume=50&pages=663-666)
Keep, N. R. (2013). Characterization of Physiological Parameters in Soybean with Genetic Improvement in Seed Yield. Master of Science, Kansas
state university.
Kirchgessner, N., Liebisch, F., Yu, K., Pfeifer, J., Friedli, M., Hund, A., et al. (2016). The ETH field phenotyping platform FIP: a cable-suspended
multi-sensor system. Funct. Plant Biol. 44, 154–168. doi: 10.1071/F.P.16165
CrossRef Full Text (https://doi.org/10.1071/F.P.16165) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=N.+Kirchgessner&author=F.+Liebisch&author=K.+Yu&author=J.+Pfeifer&author=M.+Friedli&author=A.+Hund+&publication_year=2016
&title=The+ETH+field+phenotyping+platform+FIP%3A+a+cable-suspended+multi-
sensor+system&journal=Funct.+Plant+Biol.&volume=44&pages=154-168)
Laliberte, A. S., Goforth, M. A., Steele, C. M., and Rango, A. (2011). Multispectral remote sensing from unmanned aircraft: image processing
workflows and applications for rangeland environments. Remote Sensing 3, 2529–2551. doi: 10.3390/rs3112529

author=A.+S.+Laliberte&author=M.+A.+Goforth&author=C.+M.+Steele&author=A.+Rango+&publication_year=2011&title=Multispectral+remote+
sensing+from+unmanned+aircraft%3A+image+processing+workflows+and+applications+for+rangeland+environments&journal=Remote+Sensing
&volume=3&pages=2529-2551)
Lebourgeois, V., Begue, A., Labbe, S., Houles, M., and Martine, J. F. (2012). A light-weight multi-spectral aerial imaging system for nitrogen crop
monitoring. Precision Agric. 13, 525–541. doi: 10.1007/s11119-012-9262-9

author=V.+Lebourgeois&author=A.+Begue&author=S.+Labbe&author=M.+Houles&author=J.+F.+Martine+&publication_year=2012&title=A+light
-weight+multi-spectral+aerial+imaging+system+for+nitrogen+crop+monitoring&journal=Precision+Agric.&volume=13&pages=525-541)
Lelong, C. C. D., Burger, P., Jubelin, G., Roux, B., Labbe, S., and Baret, F. (2008). Assessment of unmanned aerial vehicles imagery for quantitative
monitoring of wheat crop in small plots. Sensors 8, 3557–3585. doi: 10.3390/s8053557

(https://doi.org/10.3390/s8053557) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=C.+C.+D.+Lelong&author=P.+Burger&author=G.+Jubelin&author=B.+Roux&author=S.+Labbe&author=F.+Baret+&publication_year=200
ÍNDICE
8&title=Assessment+of+unmanned+aerial+vehicles+imagery+for+quantitative+monitoring+of+wheat+crop+in+small+plots&journal=Sensors&vol
ume=8&pages=3557-3585)
Abstrato
Li, J. W., Zhang, F., Qian, X. Y., Zhu, Y. H., and Shen, G. X. (2015). Quantification of rice canopy nitrogen balance index with digital imagery from
unmanned aerial vehicle. Remote Sensing Lett. 6, 183–189. doi: 10.1080/2150704X.2015.1021934
Introdução
CrossRef Full
Inquérito de Text (https://doi.org/10.1080/2150704X.2015.1021934) | Google Scholar (http://scholar.google.com/scholar_lookup?
Literatura
author=J.+W.+Li&author=F.+Zhang&author=X.+Y.+Qian&author=Y.+H.+Zhu&author=G.+X.+Shen+&publication_year=2015&title=Quantificatio
Plataformas UAV e
n+of+rice+canopy+nitrogen+balance+index+with+digital+imagery+from+unmanned+aerial+vehicle&journal=Remote+Sensing+Lett.&volume=6&
pages=183-189)
Li, L., Zhang,
Avanços do Q., and Huang, D. F. (2014). A review of imaging techniques for plant phenotyping. Sensors 14, 20078–20111. doi: 10.3390/s141120078
Sensoriamento
PubMed AbstractRemoto
(http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=25347588) | CrossRef Full Text
(https://doi.org/10.3390/s141120078) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=L.+Li&author=Q.+Zhang&author=D.+F.+Huang+&publication_year=2014&title=A+review+of+imaging+techniques+for+plant+phenotypin
no Campo
g&journal=Sensors&volume=14&pages=20078-20111)
Discussões
Li, W., Niu, Z., Chen, H. Y., Li, D., Wu, M. Q., and Zhao, W. (2016). Remote estimation of canopy height and aboveground biomass of maize using
high-resolution stereo images from a low-cost unmanned aerial vehicle system. Ecol. Indic. 67, 637–648. doi: 10.1016/j.ecolind.2016.03.036
Conclusão
CrossRef Full Text
Contribuições do(https://doi.org/10.1016/j.ecolind.2016.03.036)
autor | Google Scholar (http://scholar.google.com/scholar_lookup?
author=W.+Li&author=Z.+Niu&author=H.+Y.+Chen&author=D.+Li&author=M.+Q.+Wu&author=W.+Zhao+&publication_year=2016&title=Remo
te+estimation+of+canopy+height+and+aboveground+biomass+of+maize+using+high-resolution+stereo+images+from+a+low-
cost+unmanned+aerial+vehicle+system&journal=Ecol.+Indic.&volume=67&pages=637-648)
interesse
Li, W., Niu, Z., Huang, N., Wang, C., Gao, S., and Wu, C. Y. (2015). Airborne LiDAR technique for estimating biomass components of maize: a case
Agradecimentos
study in Zhangye City, Northwest China. Ecol. Indic. 57, 486–496. doi: 10.1016/j.ecolind.2015.04.016
Abreviaturas
CrossRef Full Text (https://doi.org/10.1016/j.ecolind.2015.04.016) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=W.+Li&author=Z.+Niu&author=N.+Huang&author=C.+Wang&author=S.+Gao&author=C.+Y.+Wu+&publication_year=2015&title=Airborn
Referências
e+LiDAR+technique+for+estimating+biomass+components+of+maize%3A+a+case+study+in+Zhangye+City,+Northwest+China&journal=Ecol.+In
dic.&volume=57&pages=486-496)
Li, X. (2012). Feature extracting methods in spectrum data mining. Chin. Astron. Astrophys. 30, 94–105.

author=X.+Li+&publication_year=2012&title=Feature+extracting+methods+in+spectrum+data+mining&journal=Chin.+Astron.+Astrophys.&volu
me=30&pages=94-105)
Li, Z., Chen, Z., Wang, L., Liu, J., and Zhou, Q. (2014). Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle.
Trans. Chin. Soc. Agric. Eng. 30, 207–213. doi: 10.3969/j.issn.1002-6819.2014.19.025

author=Z.+Li&author=Z.+Chen&author=L.+Wang&author=J.+Liu&author=Q.+Zhou+&publication_year=2014&title=Area+extraction+of+maize+l
odging+based+on+remote+sensing+by+small+unmanned+aerial+vehicle&journal=Trans.+Chin.+Soc.+Agric.+Eng.&volume=30&pages=207-213)
Li, Z., Nie, C., Wei, C., Xu, X., Song, X., and Wang, J. (2016). Comparison of four chemometric techniques for estimating leaf nitrogen concentrations
in winter wheat (Triticum Aestivum) based on hyperspectral features. J. Appl. Spectros. 83, 240–247. doi: 10.1007/s10812-016-0276-3

author=Z.+Li&author=C.+Nie&author=C.+Wei&author=X.+Xu&author=X.+Song&author=J.+Wang+&publication_year=2016&title=Comparison+
of+four+chemometric+techniques+for+estimating+leaf+nitrogen+concentrations+in+winter+wheat+
(Triticum+Aestivum)+based+on+hyperspectral+features&journal=J.+Appl.+Spectros.&volume=83&pages=240-247)
Liang, S. (2005). Quantitative Remote Sensing of Land Surfaces. New York, NY: Wiley.
Liang, S. (2008). Advances in Land Remote Sensing: System, Modeling, Inversion and Application. New York, NY: Springer.

author=S.+Liang+&publication_year=2008&title=Advances+in+Land+Remote+Sensing%3A+System,+Modeling,+Inversion+and+Application)
Liang, S., Li, X., and Wang, J. (2013). Quantitative Remote Sensing: Concepts and Algorithms. Beijing: Science Press.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., and Hund, A. (2015). Remote, aerial phenotyping of maize traits with a mobile multi-sensor
approach. Plant Methods 11:9. doi: 10.1186/s13007-015-0048-8

author=F.+Liebisch&author=N.+Kirchgessner&author=D.+Schneider&author=A.+Walter&author=A.+Hund+&publication_year=2015&title=Remo
te,+aerial+phenotyping+of+maize+traits+with+a+mobile+multi-sensor+approach&journal=Plant+Methods&volume=11&pages=9)
Link, J., Senner, D., and Claupein, W. (2013). Developing and evaluating an aerial sensor platform (ASP) to collect multispectral data for deriving
management decisions in precision farming. Comp. Electron. Agric. 94, 20–28. doi: 10.1016/j.compag.2013.03.003

author=J.+Link&author=D.+Senner&author=W.+Claupein+&publication_year=2013&title=Developing+and+evaluating+an+aerial+sensor+platfor
m+
(ASP)+to+collect+multispectral+data+for+deriving+management+decisions+in+precision+farming&journal=Comp.+Electron.+Agric.&volume=94
&pages=20-28)
Lu, G., Li, C., Yang, G., Yu, H., Zhao, X., and Zhang, X. (2016). Retrieving soybean leaf area index based on high imaging spectrometer. Soybean Sci.
35, 599–608.
Ma, B. L., Dwyer, L. M., Carlos, C., Cober, E. R., Morrison, M. J., et al. (2001). Early prediction of soybean yield from canopy reflectance
measurements. Agron. J. 93, 1227–1234. doi: 10.2134/agronj2001.1227
CrossRef Full Text (https://doi.org/10.2134/agronj2001.1227) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=B.+L.+Ma&author=L.+M.+Dwyer&author=C.+Carlos&author=E.+R.+Cober&author=M.+J.+Morrison+&publication_year=2001&title=Earl
y+prediction+of+soybean+yield+from+canopy+reflectance+measurements&journal=Agron.+J.&volume=93&pages=1227-1234)
Mathews, A. J. (2014). Object-based spatiotemporal analysis of vine canopy vigor using an inexpensive unmanned aerial vehicle remote sensing
system. J. Appl. Remote Sensing 8:17. doi: 10.1117/1.jrs.8.085199
CrossRef
ÍNDICE Full Text (https://doi.org/10.1117/1.jrs.8.085199) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=A.+J.+Mathews+&publication_year=2014&title=Object-
based+spatiotemporal+analysis+of+vine+canopy+vigor+using+an+inexpensive+unmanned+aerial+vehicle+remote+sensing+system&journal=J.+A
Abstrato
ppl.+Remote+Sensing&volume=8&pages=17)
Introdução
Mathews, A. J., and Jensen, J. L. R. (2013). Visualizing and quantifying vineyard canopy LAI using an unmanned aerial vehicle (UAV) collected high
density structure
Inquérito from motion point cloud. Remote Sensing 5, 2164–2183. doi: 10.3390/rs5052164
de Literatura
Plataformas UAV e
author=A.+J.+Mathews&author=J.+L.+R.+Jensen+&publication_year=2013&title=Visualizing+and+quantifying+vineyard+canopy+LAI+using+an
+unmanned+aerial+vehicle+
(UAV)+collected+high+density+structure+from+motion+point+cloud&journal=Remote+Sensing&volume=5&pages=2164-2183)
Avanços do
Sensoriamento
McNeil, Remoto
B. E., Pisek, J., Lepisk, H., and Flamenco, E. A. (2016). Measuring leaf angle distribution in broadleaf canopies using UAVs. Agric. For.
de VANTs218,
Meteorol. na Fenotipagem
204–208. doi: 10.1016/j.agrformet.2015.12.058
no Campo
CrossRef Full Text (https://doi.org/10.1016/j.agrformet.2015.12.058) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=B.+E.+McNeil&author=J.+Pisek&author=H.+Lepisk&author=E.+A.+Flamenco+&publication_year=2016&title=Measuring+leaf+angle+dist
Discussões
ribution+in+broadleaf+canopies+using+UAVs&journal=Agric.+For.+Meteorol.&volume=218&pages=204-208)
Conclusão
Mullan, D. J., and Reynolds, M. P. (2010). Quantifying genetic effects of ground cover on soil water evaporation using digital imaging. Funct. Plant
Biol. 37, 703–712.
Contribuições dodoi: 10.1071/Fp09277
autor
author=D.+J.+Mullan&author=M.+P.+Reynolds+&publication_year=2010&title=Quantifying+genetic+effects+of+ground+cover+on+soil+water+e
interesse
vaporation+using+digital+imaging&journal=Funct.+Plant+Biol.&volume=37&pages=703-712)
Agradecimentos
Nasi, R., Honkavaara, E., Lyytikainen-Saarenmaa, P., Blomqvist, M., Litkey, P., Hakala, T., et al. (2015). Using UAV-Based photogrammetry and
hyperspectral imaging for mapping bark beetle damage at tree-level. Remote Sensing 7, 15467–15493. doi: 10.3390/rs71115467
Abreviaturas
Referências
author=R.+Nasi&author=E.+Honkavaara&author=P.+Lyytikainen-
Saarenmaa&author=M.+Blomqvist&author=P.+Litkey&author=T.+Hakala+&publication_year=2015&title=Using+UAV-
Based+photogrammetry+and+hyperspectral+imaging+for+mapping+bark+beetle+damage+at+tree-
level&journal=Remote+Sensing&volume=7&pages=15467-15493)
Neilson, E. H., Edwards, A. M., Blomstedt, C. K., Berger, B., Moller, B. L., and Gleadow, R. M. (2015). Utilization of a high-throughput shoot imaging
system to examine the dynamic phenotypic responses of a C-4 cereal crop plant to nitrogen and water deficiency over time. J. Exp. Bot. 66, 1817–
1832. doi: 10.1093/jxb/eru526
CrossRef Full Text (https://doi.org/10.1093/jxb/eru526) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=E.+H.+Neilson&author=A.+M.+Edwards&author=C.+K.+Blomstedt&author=B.+Berger&author=B.+L.+Moller&author=R.+M.+Gleadow+&
publication_year=2015&title=Utilization+of+a+high-
throughput+shoot+imaging+system+to+examine+the+dynamic+phenotypic+responses+of+a+C-
4+cereal+crop+plant+to+nitrogen+and+water+deficiency+over+time&journal=J.+Exp.+Bot.&volume=66&pages=1817-1832)
Nigon, T. J., Mulla, D. J., Rosen, C. J., Cohen, Y., Alchanatis, V., Knight, J., et al. (2015). Hyperspectral aerial imagery for detecting nitrogen stress in
two potato cultivars. Comp. Electron. Agric. 112, 36–46. doi: 10.1016/j.compag.2014.12.018

author=T.+J.+Nigon&author=D.+J.+Mulla&author=C.+J.+Rosen&author=Y.+Cohen&author=V.+Alchanatis&author=J.+Knight+&publication_yea
r=2015&title=Hyperspectral+aerial+imagery+for+detecting+nitrogen+stress+in+two+potato+cultivars&journal=Comp.+Electron.+Agric.&volume=
112&pages=36-46)
Olivares-Villegas, J. J., Reynolds, M. P., and McDonald, G. K. (2007). Drought-adaptive attributes in the Seri/Babax hexaploid wheat population.
Funct. Plant Biol. 34, 189–203. doi: 10.1071/Fp06148
CrossRef Full Text (https://doi.org/10.1071/Fp06148) | Google Scholar (http://scholar.google.com/scholar_lookup?author=J.+J.+Olivares-

Villegas&author=M.+P.+Reynolds&author=G.+K.+McDonald+&publication_year=2007&title=Drought-
adaptive+attributes+in+the+Seri%2FBabax+hexaploid+wheat+population&journal=Funct.+Plant+Biol.&volume=34&pages=189-203)
Ortega-Farias, S., Ortega-Salazar, S., Poblete, T., Kilic, A., Allen, R., Poblete-Echeverria, C., et al. (2016). Estimation of energy balance components
over a drip-irrigated olive orchard using thermal and multispectral cameras placed on a helicopter-based unmanned aerial vehicle (UAV). Remote
Sensing 8:18. doi: 10.3390/rs8080638
CrossRef Full Text (https://doi.org/10.3390/rs8080638) | Google Scholar (http://scholar.google.com/scholar_lookup?author=S.+Ortega-

Farias&author=S.+Ortega-Salazar&author=T.+Poblete&author=A.+Kilic&author=R.+Allen&author=C.+Poblete-
Echeverria+&publication_year=2016&title=Estimation+of+energy+balance+components+over+a+drip-
irrigated+olive+orchard+using+thermal+and+multispectral+cameras+placed+on+a+helicopter-based+unmanned+aerial+vehicle+
(UAV)&journal=Remote+Sensing&volume=8&pages=18)
Ota, T., Ogawa, M., Shimizu, K., Kajisa, T., Mizoue, N., Yoshida, S., et al. (2015). Aboveground biomass estimation using structure from motion
approach with aerial photographs in a seasonal tropical forest. Forests 6, 3882–3898. doi: 10.3390/f6113882
CrossRef Full Text (https://doi.org/10.3390/f6113882) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=T.+Ota&author=M.+Ogawa&author=K.+Shimizu&author=T.+Kajisa&author=N.+Mizoue&author=S.+Yoshida+&publication_year=2015&tit
le=Aboveground+biomass+estimation+using+structure+from+motion+approach+with+aerial+photographs+in+a+seasonal+tropical+forest&journa
l=Forests&volume=6&pages=3882-3898)
Overgaard, S. I., Isaksson, T., Kvaal, K., and Korsaeth, A. (2010). Comparisons of two hand-held, multispectral field radiometers and a hyperspectral
airborne imager in terms of predicting spring wheat grain yield and quality by means of powered partial least squares regression. J. Near Infr. Spectr.
18, 247–261. doi: 10.1255/jnirs.892
CrossRef Full Text (https://doi.org/10.1255/jnirs.892) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=S.+I.+Overgaard&author=T.+Isaksson&author=K.+Kvaal&author=A.+Korsaeth+&publication_year=2010&title=Comparisons+of+two+han
d-
held,+multispectral+field+radiometers+and+a+hyperspectral+airborne+imager+in+terms+of+predicting+spring+wheat+grain+yield+and+quality
+by+means+of+powered+partial+least+squares+regression&journal=J.+Near+Infr.+Spectr.&volume=18&pages=247-261)
Pajares, G. (2015). Overview and current status of remote sensing applications based on unmanned aerial vehicles (UAVs). Photogram. Eng. Remote
Sensing 81, 281–329. doi: 10.14358/PERS.81.4.281
CrossRef Full Text (https://doi.org/10.14358/PERS.81.4.281) | Google Scholar (http://scholar.google.com/scholar_lookup?

ÍNDICE
author=G.+Pajares+&publication_year=2015&title=Overview+and+current+status+of+remote+sensing+applications+based+on+unmanned+aerial
+vehicles+(UAVs)&journal=Photogram.+Eng.+Remote+Sensing&volume=81&pages=281-329)
Abstrato
Pask, A. D., Pietragalla, J., Mullan, D. M., and Reynolds, M. P. (2012). Physiological Breeding II: A Field Guide to Wheat Phenotyping. Mexico City:
CIMMYT.
Introdução
author=A.+D.+Pask&author=J.+Pietragalla&author=D.+M.+Mullan&author=M.+P.+Reynolds+&publication_year=2012&title=Physiological+Breed
ing+II%3A+A+Field+Guide+to+Wheat+Phenotyping.)
Plataformas UAV e
Pena, J. M., Torres-Sanchez, J., de Castro, A. I., Kelly, M., and Lopez-Granados, F. (2013). Weed mapping in early-season maize fields using object-
based analysis of unmanned aerial vehicle (UAV) images. PLoS ONE 8:77151. doi: 10.1371/journal.pone.0077151
Avanços do
Sensoriamento
PubMed AbstractRemoto
(http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=24146963) | CrossRef Full Text
(https://doi.org/10.1371/journal.pone.0077151)
de VANTs na Fenotipagem | Google Scholar (http://scholar.google.com/scholar_lookup?
author=J.+M.+Pena&author=J.+Torres-Sanchez&author=A.+I.+de+Castro&author=M.+Kelly&author=F.+Lopez-
no Campo
Granados+&publication_year=2013&title=Weed+mapping+in+early-season+maize+fields+using+object-
Discussões
based+analysis+of+unmanned+aerial+vehicle+(UAV)+images&journal=PLoS+ONE&volume=8&pages=77151)
PeÑUelas, J., Filella, I., Biel, C., Serrano, L., and SavÉ, R. (1993). The reflectance at the 950–970 nm region as an indicator of plant water status. Int.
Conclusão
J. Remote Sensing 14, 1887–1905. doi: 10.1080/01431169308954010
author=J.+PeÑUelas&author=I.+Filella&author=C.+Biel&author=L.+Serrano&author=R.+SavÉ+&publication_year=1993&title=The+reflectance+a
t+the+950–970+nm+region+as+an+indicator+of+plant+water+status&journal=Int.+J.+Remote+Sensing&volume=14&pages=1887-1905)
interesse
Prasad, B., Carver, B. F., Stone, M. L., Babar, M. A., Raun, W. R., and Klatt, A. R. (2007). Potential use of spectral reflectance indices as a selection
Agradecimentos
tool for grain yield in winter wheat under great plains conditions. Crop Sci. 47, 1426–1440. doi: 10.2135/cropsci2006.07.0492
Abreviaturas
CrossRef Full Text (https://doi.org/10.2135/cropsci2006.07.0492) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=B.+Prasad&author=B.+F.+Carver&author=M.+L.+Stone&author=M.+A.+Babar&author=W.+R.+Raun&author=A.+R.+Klatt+&publication_
Referências
year=2007&title=Potential+use+of+spectral+reflectance+indices+as+a+selection+tool+for+grain+yield+in+winter+wheat+under+great+plains+co
nditions&journal=Crop+Sci.&volume=47&pages=1426-1440)
Rahaman, M. M., Chen, D. J., Gillani, Z., Klukas, C., and Chen, M. (2015). Advanced phenotyping and phenotype data analysis for the study of plant
growth and development. Front. Plant Sci. 6:15. doi: 10.3389/fpls.2015.00619

(https://doi.org/10.3389/fpls.2015.00619) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=M.+M.+Rahaman&author=D.+J.+Chen&author=Z.+Gillani&author=C.+Klukas&author=M.+Chen+&publication_year=2015&title=Advance
d+phenotyping+and+phenotype+data+analysis+for+the+study+of+plant+growth+and+development&journal=Front.+Plant+Sci.&volume=6&pages
=15)
Rajan, N., and Maas, S. J. (2009). Mapping crop ground cover using airborne multispectral digital imagery. Precision Agric. 10, 304–318. doi:
10.1007/s11119-009-9116-2

author=N.+Rajan&author=S.+J.+Maas+&publication_year=2009&title=Mapping+crop+ground+cover+using+airborne+multispectral+digital+ima
gery&journal=Precision+Agric.&volume=10&pages=304-318)
Rashid, A., Stark, J. C., Tanveer, A., and Mustafa, T. (1999). Use of canopy temperature measurements as a screening tool for drought tolerance in
spring wheat. J. Agron. Crop Sci. 182, 231–238. doi: 10.1046/j.1439-037x.1999.00335.x
CrossRef Full Text (https://doi.org/10.1046/j.1439-037x.1999.00335.x) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=A.+Rashid&author=J.+C.+Stark&author=A.+Tanveer&author=T.+Mustafa+&publication_year=1999&title=Use+of+canopy+temperature+
measurements+as+a+screening+tool+for+drought+tolerance+in+spring+wheat&journal=J.+Agron.+Crop+Sci.&volume=182&pages=231-238)
Raun, W. R., Solie, J. B., Johnson, G. V., Stone, M. L., Lukina, E. V., Thomason, W. E., et al. (2001). In-season prediction of potential grain yield in
winter wheat using canopy reflectance. Agron. J. 93, 131–138. doi: 10.2134/agronj2001.931131x
CrossRef Full Text (https://doi.org/10.2134/agronj2001.931131x) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=W.+R.+Raun&author=J.+B.+Solie&author=G.+V.+Johnson&author=M.+L.+Stone&author=E.+V.+Lukina&author=W.+E.+Thomason+&pu
blication_year=2001&title=In-
season+prediction+of+potential+grain+yield+in+winter+wheat+using+canopy+reflectance&journal=Agron.+J.&volume=93&pages=131-138)
Ray, D. K., Mueller, N. D., West, P. C., and Foley, J. A. (2013). Yield trends are insufficient to double global crop production by 2050. PLoS ONE
8:e66428. doi: 10.1371/journal.pone.0066428

(https://doi.org/10.1371/journal.pone.0066428) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=D.+K.+Ray&author=N.+D.+Mueller&author=P.+C.+West&author=J.+A.+Foley+&publication_year=2013&title=Yield+trends+are+insuffici
ent+to+double+global+crop+production+by+2050&journal=PLoS+ONE&volume=8&pages=e66428)
Reynolds, M., Balota, M. M., Delgado, M. I. B., and Fischer, R. A. (1994). Physiological and Morphological Traits Associated with Spring Wheat
Yield under Hot, Irrigated Conditions. [Workshop paper]. v. 21.
Reynolds, M., Dreccer, F., and Trethowan, R. (2007). Drought-adaptive traits derived from wheat wild relatives and landraces. J. Exp. Bot. 58, 177–
186. doi: 10.1093/jxb/erl250

(https://doi.org/10.1093/jxb/erl250) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=M.+Reynolds&author=F.+Dreccer&author=R.+Trethowan+&publication_year=2007&title=Drought-
adaptive+traits+derived+from+wheat+wild+relatives+and+landraces&journal=J.+Exp.+Bot.&volume=58&pages=177-186)
Richards, J. A. (1990). Computer processing of remotely-sensed images: an introduction. Earth Sci. Rev. 27, 392–394. doi: 10.1016/0012-
8252(90)90075-7
CrossRef Full Text (https://doi.org/10.1016/0012-8252(90)90075-7) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=J.+A.+Richards+&publication_year=1990&title=Computer+processing+of+remotely-
sensed+images%3A+an+introduction&journal=Earth+Sci.+Rev.&volume=27&pages=392-394)
Richardson, A. J., and Wiegand, C. L. (1977). Distinguishing vegetation from soil background information. Photogram. Eng. Remote Sensing 43,
1541–1552.
ÍNDICE
Rondeaux, G., Steven, M., and Baret, F. (1996). Optimization of soil-adjusted vegetation indices. Remote Sensing Environ. 55, 95–107. doi:
10.1016/0034-4257(95)00186-7
Abstrato
Introdução
author=G.+Rondeaux&author=M.+Steven&author=F.+Baret+&publication_year=1996&title=Optimization+of+soil-
adjusted+vegetation+indices&journal=Remote+Sensing+Environ.&volume=55&pages=95-107)
Rosen, P. A., Hensley, S., Wheeler, K., Sadowy, G., Miller, T., Shaffer, S., et al. (2006). “UAVSAR: a new NASA airborne SAR system for science and
Plataformas UAV e
technology research,” in 2006 IEEE Conference on Radar (New York, NY), 8. doi: 10.1109/RADAR.2006.1631770
CrossRef Full Text (https://doi.org/10.1109/RADAR.2006.1631770) | Google Scholar (http://scholar.google.com/scholar_lookup?
Avanços do
author=P.+A.+Rosen&author=S.+Hensley&author=K.+Wheeler&author=G.+Sadowy&author=T.+Miller&author=S.+Shaffer+&publication_year=20
06&title=“UAVSAR%3A+a+new+NASA+airborne+SAR+system+for+science+and+technology+research,”&pages=8)
Salami, E., Barrado, C., and Pastor, E. (2014). UAV flight experiments applied to the remote sensing of vegetated areas. Remote Sensing 6, 11051–
no Campo
11081. doi: 10.3390/rs61111051
Discussões
author=E.+Salami&author=C.+Barrado&author=E.+Pastor+&publication_year=2014&title=UAV+flight+experiments+applied+to+the+remote+sen
Conclusão
sing+of+vegetated+areas&journal=Remote+Sensing&volume=6&pages=11051-11081)
Contribuições doJayasuriya,
Samseemoung, G., autor H. P. W., and Soni, P. (2011). Oil palm pest infestation monitoring and evaluation by helicopter-mounted, low altitude
remote sensing platform. J. Appl. Remote Sensing 5:16. doi: 10.1117/1.3609843
CrossRef
interesseFull Text (https://doi.org/10.1117/1.3609843) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=G.+Samseemoung&author=H.+P.+W.+Jayasuriya&author=P.+Soni+&publication_year=2011&title=Oil+palm+pest+infestation+monitorin
Agradecimentos
g+and+evaluation+by+helicopter-mounted,+low+altitude+remote+sensing+platform&journal=J.+Appl.+Remote+Sensing&volume=5&pages=16)
Abreviaturas
Samseemoung, G., Soni, P., Jayasuriya, H. P. W., and Salokhe, V. M. (2012). Application of low altitude remote sensing (LARS) platform for
monitoring crop growth and weed infestation in a soybean plantation. Precision Agric. 13, 611–627. doi: 10.1007/s11119-012-9271-8
Referências
author=G.+Samseemoung&author=P.+Soni&author=H.+P.+W.+Jayasuriya&author=V.+M.+Salokhe+&publication_year=2012&title=Application+o
f+low+altitude+remote+sensing+
(LARS)+platform+for+monitoring+crop+growth+and+weed+infestation+in+a+soybean+plantation&journal=Precision+Agric.&volume=13&pages=
611-627)
Sankaran, S., Khot, L. R., and Carter, A. H. (2015a). Field-based crop phenotyping: multispectral aerial imaging for evaluation of winter wheat
emergence and spring stand. Comp. Electron. Agric. 118, 372–379. doi: 10.1016/j.compag.2015.09.001

author=S.+Sankaran&author=L.+R.+Khot&author=A.+H.+Carter+&publication_year=2015a&title=Field-
based+crop+phenotyping%3A+multispectral+aerial+imaging+for+evaluation+of+winter+wheat+emergence+and+spring+stand&journal=Comp.+E
lectron.+Agric.&volume=118&pages=372-379)
Sankaran, S., Khot, L. R., Espinoza, C. Z., Jarolmasjed, S., Sathuvalli, V. R., Vandemark, G. J., et al. (2015b). Low-altitude, high-resolution aerial
imaging systems for row and field crop phenotyping: a review. Eur. J. Agron. 70, 112–123. doi: 10.1016/j.eja.2015.07.004
CrossRef Full Text (https://doi.org/10.1016/j.eja.2015.07.004) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=S.+Sankaran&author=L.+R.+Khot&author=C.+Z.+Espinoza&author=S.+Jarolmasjed&author=V.+R.+Sathuvalli&author=G.+J.+Vandemark
+&publication_year=2015b&title=Low-altitude,+high-
resolution+aerial+imaging+systems+for+row+and+field+crop+phenotyping%3A+a+review&journal=Eur.+J.+Agron.&volume=70&pages=112-123)
Saskia, G., Ruedi, B., and Daniel, F. (2017). Accuracy assessment of digital surface models from unmanned aerial vehicles' imagery on glaciers.
Remote Sensing 9:186. doi: 10.3390/rs9020186

author=G.+Saskia&author=B.+Ruedi&author=F.+Daniel+&publication_year=2017&title=Accuracy+assessment+of+digital+surface+models+from+
unmanned+aerial+vehicles'+imagery+on+glaciers&journal=Remote+Sensing&volume=9&pages=186)
Sayed, M. A., Schumann, H., Pillen, K., Naz, A. A., and Leon, J. (2012). AB-QTL analysis reveals new alleles associated to proline accumulation and
leaf wilting under drought stress conditions in barley (Hordeum vulgare L.). BMC Genetics 13:61. doi: 10.1186/1471-2156-13-61

(https://doi.org/10.1186/1471-2156-13-61) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=M.+A.+Sayed&author=H.+Schumann&author=K.+Pillen&author=A.+A.+Naz&author=J.+Leon+&publication_year=2012&title=AB-
QTL+analysis+reveals+new+alleles+associated+to+proline+accumulation+and+leaf+wilting+under+drought+stress+conditions+in+barley+
(Hordeum+vulgare+L.)&journal=BMC+Genetics&volume=13&pages=61)
Shi, Y. Y., Thomasson, J. A., Murray, S. C., Pugh, N. A., Rooney, W. L., Shafian, S., et al. (2016). Unmanned aerial vehicles for high-throughput
phenotyping and agronomic research. PLoS ONE 11:e0159781. doi: 10.1371/journal.pone.0159781

author=Y.+Y.+Shi&author=J.+A.+Thomasson&author=S.+C.+Murray&author=N.+A.+Pugh&author=W.+L.+Rooney&author=S.+Shafian+&publica
tion_year=2016&title=Unmanned+aerial+vehicles+for+high-
throughput+phenotyping+and+agronomic+research&journal=PLoS+ONE&volume=11&pages=e0159781)
Singh, A., Ganapathysubramanian, B., Singh, A. K., and Sarkar, S. (2016). Machine learning for high-throughput stress phenotyping in plants. Trends
Plant Sci. 21, 110–124. doi: 10.1016/j.tplants.2015.10.015

author=A.+Singh&author=B.+Ganapathysubramanian&author=A.+K.+Singh&author=S.+Sarkar+&publication_year=2016&title=Machine+learning
+for+high-throughput+stress+phenotyping+in+plants&journal=Trends+Plant+Sci.&volume=21&pages=110-124)
Stöcker, C., Bennett, R., Nex, F., Gerke, M., and Zevenbergen, J. (2017). Review of the current state of UAV regulations. Remote Sensing 9:459. doi:
10.3390/rs9050459

author=C.+Stöcker&author=R.+Bennett&author=F.+Nex&author=M.+Gerke&author=J.+Zevenbergen+&publication_year=2017&title=Review+of+
ÍNDICE
the+current+state+of+UAV+regulations&journal=Remote+Sensing&volume=9&pages=459)
Suarez, L., Zarco-Tejada, P. J., Berni, J. A. J., Gonzalez-Dugo, V., and Fereres, E. (2009). Modelling PRI for water stress detection using radiative
Abstrato
transfer models. Remote Sensing Environ. 113, 730–744. doi: 10.1016/j.rse.2008.12.001
Introdução
CrossRef Full Text (https://doi.org/10.1016/j.rse.2008.12.001) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=L.+Suarez&author=P.+J.+Zarco-Tejada&author=J.+A.+J.+Berni&author=V.+Gonzalez-
Dugo&author=E.+Fereres+&publication_year=2009&title=Modelling+PRI+for+water+stress+detection+using+radiative+transfer+models&journal
=Remote+Sensing+Environ.&volume=113&pages=730-744)
Plataformas UAV e
Sugiura, R., Noguchi, N., and Ishii, K. (2005). Remote-sensing technology for vegetation monitoring using an unmanned helicopter. Biosys. Eng. 90,
369–379. doi: 10.1016/j.biosystemseng.2004.12.011
Avanços do
Sensoriamento
CrossRef Full TextRemoto
(https://doi.org/10.1016/j.biosystemseng.2004.12.011) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=R.+Sugiura&author=N.+Noguchi&author=K.+Ishii+&publication_year=2005&title=Remote-
sensing+technology+for+vegetation+monitoring+using+an+unmanned+helicopter&journal=Biosys.+Eng.&volume=90&pages=369-379)
no Campo
Sugiura, R., Noguchi, N., and Ishii, K. (2007). Correction of low-altitude thermal images applied to estimating soil water status. Biosys. Eng. 96, 301–
Discussões
313. doi: 10.1016/j.biosystemseng.2006.11.006
Conclusão
CrossRef Full Text (https://doi.org/10.1016/j.biosystemseng.2006.11.006) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=R.+Sugiura&author=N.+Noguchi&author=K.+Ishii+&publication_year=2007&title=Correction+of+low-
altitude+thermal+images+applied+to+estimating+soil+water+status&journal=Biosys.+Eng.&volume=96&pages=301-313)
Swain, K. C., Jayasuriya, H. P. W., and Salokhe, V. M. (2007). Suitability of low-altitude remote sensing images for estimating nitrogen treatment
interesse
variations in rice cropping for precision agriculture adoption. J. Appl. Remote Sensing 1:11. doi: 10.1117/1.2824287
Agradecimentos
CrossRef Full Text (https://doi.org/10.1117/1.2824287) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=K.+C.+Swain&author=H.+P.+W.+Jayasuriya&author=V.+M.+Salokhe+&publication_year=2007&title=Suitability+of+low-
Abreviaturas
altitude+remote+sensing+images+for+estimating+nitrogen+treatment+variations+in+rice+cropping+for+precision+agriculture+adoption&journal
=J.+Appl.+Remote+Sensing&volume=1&pages=11)
Referências
Swain, K. C., Thomson, S. J., and Jayasuriya, H. P. W. (2010). Adoption of an unmanned helicopter for low-altitude remote sensing to estimate yield
and total biomass of a rice crop. Trans. Asabe 53, 21–27. doi: 10.13031/2013.29493
CrossRef Full Text (https://doi.org/10.13031/2013.29493) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=K.+C.+Swain&author=S.+J.+Thomson&author=H.+P.+W.+Jayasuriya+&publication_year=2010&title=Adoption+of+an+unmanned+helico
pter+for+low-altitude+remote+sensing+to+estimate+yield+and+total+biomass+of+a+rice+crop&journal=Trans.+Asabe&volume=53&pages=21-27)
Tamouridou, A. A., Alexandridis, T. K., Pantazi, X. E., Lagopodi, A. L., Kashefi, J., and Moshou, D. (2017). Evaluation of UAV imagery for mapping
Silybum marianum weed patches. Int. J. Remote Sensing 38, 2246–2259. doi: 10.1080/01431161.2016.1252475
CrossRef Full Text (https://doi.org/10.1080/01431161.2016.1252475) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=A.+A.+Tamouridou&author=T.+K.+Alexandridis&author=X.+E.+Pantazi&author=A.+L.+Lagopodi&author=J.+Kashefi&author=D.+Mosho
u+&publication_year=2017&title=Evaluation+of+UAV+imagery+for+mapping+Silybum+marianum+weed+patches&journal=Int.+J.+Remote+Sens
ing&volume=38&pages=2246-2259)
Tattaris, M., Reynolds, M. P., and Chapman, S. C. (2016). A direct comparison of remote sensing approaches for high-throughput phenotyping in
plant breeding. Front. Plant Sci. 7:1131. doi: 10.3389/fpls.2016.01131

author=M.+Tattaris&author=M.+P.+Reynolds&author=S.+C.+Chapman+&publication_year=2016&title=A+direct+comparison+of+remote+sensin
g+approaches+for+high-throughput+phenotyping+in+plant+breeding&journal=Front.+Plant+Sci.&volume=7&pages=1131)
Thorp, K. R., Gore, M. A., Andrade-Sanchez, P., Carmo-Silva, A. E., Welch, S. M., White, J. W., et al. (2015). Proximal hyperspectral sensing and data
analysis approaches for field-based plant phenomics. Comp. Electron. Agric. 118, 225–236. doi: 10.1016/j.compag.2015.09.005

author=K.+R.+Thorp&author=M.+A.+Gore&author=P.+Andrade-Sanchez&author=A.+E.+Carmo-
Silva&author=S.+M.+Welch&author=J.+W.+White+&publication_year=2015&title=Proximal+hyperspectral+sensing+and+data+analysis+approac
hes+for+field-based+plant+phenomics&journal=Comp.+Electron.+Agric.&volume=118&pages=225-236)
Torres-Sanchez, J., Lopez-Granados, F., and Pena, J. M. (2015). An automatic object-based method for optimal thresholding in UAV images:
application for vegetation detection in herbaceous crops. Comp. Electron. Agric. 114, 43–52. doi: 10.1016/j.compag.2015.03.019
CrossRef Full Text (https://doi.org/10.1016/j.compag.2015.03.019) | Google Scholar (http://scholar.google.com/scholar_lookup?author=J.+Torres-

Sanchez&author=F.+Lopez-Granados&author=J.+M.+Pena+&publication_year=2015&title=An+automatic+object-
based+method+for+optimal+thresholding+in+UAV+images%3A+application+for+vegetation+detection+in+herbaceous+crops&journal=Comp.+El
ectron.+Agric.&volume=114&pages=43-52)
Torres-Sanchez, J., Pena, J. M., de Castro, A. I., and Lopez-Granados, F. (2014). Multi-temporal mapping of the vegetation fraction in early-season
wheat fields using images from UAV. Comp. Electron. Agric. 103, 104–113. doi: 10.1016/j.compag.2014.02.009
CrossRef Full Text (https://doi.org/10.1016/j.compag.2014.02.009) | Google Scholar (http://scholar.google.com/scholar_lookup?author=J.+Torres-

Sanchez&author=J.+M.+Pena&author=A.+I.+de+Castro&author=F.+Lopez-Granados+&publication_year=2014&title=Multi-
temporal+mapping+of+the+vegetation+fraction+in+early-
season+wheat+fields+using+images+from+UAV&journal=Comp.+Electron.+Agric.&volume=103&pages=104-113)
Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing Environ. 8, 127–150. doi:
10.1016/0034-4257(79)90013-0

author=C.+J.+Tucker+&publication_year=1979&title=Red+and+photographic+infrared+linear+combinations+for+monitoring+vegetation&journal
=Remote+Sensing+Environ.&volume=8&pages=127-150)
Turner, D., Lucieer, A., and Watson, C. (2012). An automated technique for generating georectified mosaics from ultra-high resolution unmanned
aerial vehicle (UAV) imagery, based on structure from motion (SfM) point clouds. Remote Sensing 4, 1392–1410. doi: 10.3390/rs4051392

author=D.+Turner&author=A.+Lucieer&author=C.+Watson+&publication_year=2012&title=An+automated+technique+for+generating+georectifie
d+mosaics+from+ultra-high+resolution+unmanned+aerial+vehicle+(UAV)+imagery,+based+on+structure+from+motion+
(SfM)+point+clouds&journal=Remote+Sensing&volume=4&pages=1392-1410)
ÍNDICE
Uto, K., Seki, H., Saito, G., and Kosugi, Y. (2013). Characterization of rice paddies by a UAV-mounted miniature hyperspectral sensor system. IEEE J.
Abstrato
Select. Topics Appl. Earth Observ. Remote Sens. 6, 851–860. doi: 10.1109/Jstars.2013.2250921
CrossRef Full Text (https://doi.org/10.1109/Jstars.2013.2250921) | Google Scholar (http://scholar.google.com/scholar_lookup?

Introdução
author=K.+Uto&author=H.+Seki&author=G.+Saito&author=Y.+Kosugi+&publication_year=2013&title=Characterization+of+rice+paddies+by+a+
Inquérito
UAV- de Literatura
mounted+miniature+hyperspectral+sensor+system&journal=IEEE+J.+Select.+Topics+Appl.+Earth+Observ.+Remote+Sens.&volume=6&pages=85
Plataformas UAV e
1-860)
Vega, F. A., Ramirez, F. C., Saiz, M. P., and Rosua, F. O. (2015). Multi-temporal imaging using an unmanned aerial vehicle for monitoring a sunflower
Avanços do Eng. 132, 19–27. doi: 10.1016/j.biosystemseng.2015.01.008
crop. Biosys.
author=F.+A.+Vega&author=F.+C.+Ramirez&author=M.+P.+Saiz&author=F.+O.+Rosua+&publication_year=2015&title=Multi-
no Campo
temporal+imaging+using+an+unmanned+aerial+vehicle+for+monitoring+a+sunflower+crop&journal=Biosys.+Eng.&volume=132&pages=19-27)
Discussões
Verhoeven, G. J. J. (2009). Providing an archaeological bird's-eye view - an overall picture of ground-based means to execute low-altitude aerial
photography (LAAP) in archaeology. Archaeol. Prosp. 16, 233–249. doi: 10.1002/arp.354
Conclusão
CrossRef Full Text (https://doi.org/10.1002/arp.354) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=G.+J.+J.+Verhoeven+&publication_year=2009&title=Providing+an+archaeological+bird's-eye+view+-+an+overall+picture+of+ground-
based+means+to+execute+low-altitude+aerial+photography+(LAAP)+in+archaeology&journal=Archaeol.+Prosp.&volume=16&pages=233-249)
Virlet, N., Sabermanesh, K., Sadeghi-Tehran, P., and Hawkesford, M. J. (2017). Field Scanalyzer: an automated robotic field phenotyping platform for
interesse
detailed crop monitoring. Funct. Plant Biol. 44, 143–153. doi: 10.1071/Fp16163
Agradecimentos
author=N.+Virlet&author=K.+Sabermanesh&author=P.+Sadeghi-
Abreviaturas
Tehran&author=M.+J.+Hawkesford+&publication_year=2017&title=Field+Scanalyzer%3A+an+automated+robotic+field+phenotyping+platform+f
Referências
or+detailed+crop+monitoring&journal=Funct.+Plant+Biol.&volume=44&pages=143-153)
Wallace, L., Lucieer, A., Watson, C., and Turner, D. (2012). Development of a UAV-LiDAR system with application to forest inventory. Remote
Sensing 4, 1519–1543. doi: 10.3390/rs4061519

author=L.+Wallace&author=A.+Lucieer&author=C.+Watson&author=D.+Turner+&publication_year=2012&title=Development+of+a+UAV-
LiDAR+system+with+application+to+forest+inventory&journal=Remote+Sensing&volume=4&pages=1519-1543)
Wang, D., Zhou, Q., Chen, Z., and Liu, J. (2014). Research advances on crop identification using synthetic aperture radar. Trans. Chin. Soc. Agric.
Eng. 30, 203–212. doi: 10.3969/j.issn.1002-6819.2014.16.027

author=D.+Wang&author=Q.+Zhou&author=Z.+Chen&author=J.+Liu+&publication_year=2014&title=Research+advances+on+crop+identification
+using+synthetic+aperture+radar&journal=Trans.+Chin.+Soc.+Agric.+Eng.&volume=30&pages=203-212)
Wang, J., Zhao, C., and Huang, W. (2008). Foundation and Application of Quantitative Remote Sensing in Agriculture. Beijing: Science Press.
Wang, W., Vinocur, B., and Altman, A. (2003). Plant responses to drought, salinity and extreme temperatures: towards genetic engineering for stress
tolerance. Planta 218, 1–14. doi: 10.1007/s00425-003-1105-5

author=W.+Wang&author=B.+Vinocur&author=A.+Altman+&publication_year=2003&title=Plant+responses+to+drought,+salinity+and+extreme+
temperatures%3A+towards+genetic+engineering+for+stress+tolerance&journal=Planta&volume=218&pages=1-14)
Watanabe, K., Guo, W., Arai, K., Takanashi, H., Kajiya-Kanegae, H., Kobayashi, M., et al. (2017). High-throughput phenotyping of sorghum plant
height using an unmanned aerial vehicle and its application to genomic prediction modeling. Front. Plant Sci. 8:421. doi: 10.3389/fpls.2017.00421

author=K.+Watanabe&author=W.+Guo&author=K.+Arai&author=H.+Takanashi&author=H.+Kajiya-
Kanegae&author=M.+Kobayashi+&publication_year=2017&title=High-
throughput+phenotyping+of+sorghum+plant+height+using+an+unmanned+aerial+vehicle+and+its+application+to+genomic+prediction+modelin
g&journal=Front.+Plant+Sci.&volume=8&pages=421)
Weiss, M., and Baret, F. (2017). Using 3D point clouds derived from UAV RGB imagery to describe vineyard 3D Macro- structure. Remote Sensing
9:17. doi: 10.3390/rs9020111

author=M.+Weiss&author=F.+Baret+&publication_year=2017&title=Using+3D+point+clouds+derived+from+UAV+RGB+imagery+to+describe+vi
neyard+3D+Macro-+structure&journal=Remote+Sensing&volume=9&pages=17)
White, J. W., Andrade-Sanchez, P., Gore, M. A., Bronson, K. F., Coffelt, T. A., Conley, M. M., et al. (2012). Field-based phenomics for plant genetics
research. Field Crops Res. 133, 101–112. doi: 10.1016/j.fcr.2012.04.003
CrossRef Full Text (https://doi.org/10.1016/j.fcr.2012.04.003) | Google Scholar (http://scholar.google.com/scholar_lookup?

author=J.+W.+White&author=P.+Andrade-
Sanchez&author=M.+A.+Gore&author=K.+F.+Bronson&author=T.+A.+Coffelt&author=M.+M.+Conley+&publication_year=2012&title=Field-
based+phenomics+for+plant+genetics+research&journal=Field+Crops+Res.&volume=133&pages=101-112)
Xiang, H. T., and Tian, L. (2011). Development of a low-cost agricultural remote sensing system based on an autonomous unmanned aerial vehicle
(UAV). Biosys. Eng. 108, 174–190. doi: 10.1016/j.biosystemseng.2010.11.010

author=H.+T.+Xiang&author=L.+Tian+&publication_year=2011&title=Development+of+a+low-
cost+agricultural+remote+sensing+system+based+on+an+autonomous+unmanned+aerial+vehicle+
(UAV)&journal=Biosys.+Eng.&volume=108&pages=174-190)
Xiong, X., Yu, L. J., Yang, W. N., Liu, M., Jiang, N., Wu, D., et al. (2017). A high-throughput stereo-imaging system for quantifying rape leaf traits
during the seedling stage. Plant Methods 13:7. doi: 10.1186/s13007-017-0157-7

ÍNDICE
author=X.+Xiong&author=L.+J.+Yu&author=W.+N.+Yang&author=M.+Liu&author=N.+Jiang&author=D.+Wu+&publication_year=2017&title=A+
Abstrato
high-throughput+stereo-
imaging+system+for+quantifying+rape+leaf+traits+during+the+seedling+stage&journal=Plant+Methods&volume=13&pages=7)
Introdução
Yang, G., Li, C., Yu, H., Xu, B., Feng, H., Gao, L., et al. (2015). UAV based multi-load remote sensing technologies for wheat breeding information
Inquérito de Trans.
acquirement. Literatura
Chin. Soc. Agric. Eng. 31, 184–190. doi: 10.11975/j.issn.1002-6819.2015.21.024
Plataformas
CrossRef Full UAV e
Text (https://doi.org/10.11975/j.issn.1002-6819.2015.21.024) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=G.+Yang&author=C.+Li&author=H.+Yu&author=B.+Xu&author=H.+Feng&author=L.+Gao+&publication_year=2015&title=UAV+based+m
ulti-
Avanços do
load+remote+sensing+technologies+for+wheat+breeding+information+acquirement&journal=Trans.+Chin.+Soc.+Agric.+Eng.&volume=31&pages=
184-190)
Yang, W. N., Duan, L. F., Chen, G. X., Xiong, L. Z., and Liu, Q. (2013). Plant phenomics and high-throughput phenotyping: accelerating rice
no Campogenomics using multidisciplinary technologies. Curr. Opin. Plant Biol. 16, 180–187. doi: 10.1016/j.pbi.2013.03.005
functional
Discussões
(https://doi.org/10.1016/j.pbi.2013.03.005) | Google Scholar (http://scholar.google.com/scholar_lookup?
Conclusão
author=W.+N.+Yang&author=L.+F.+Duan&author=G.+X.+Chen&author=L.+Z.+Xiong&author=Q.+Liu+&publication_year=2013&title=Plant+phe
nomics+and+high-
throughput+phenotyping%3A+accelerating+rice+functional+genomics+using+multidisciplinary+technologies&journal=Curr.+Opin.+Plant+Biol.&v
olume=16&pages=180-187)
interesse
Yu, K., Kirchgessner, N., Grieder, C., Walter, A., and Hund, A. (2017). An image analysis pipeline for automated classification of imaging light
conditions and for quantification of wheat canopy cover time series in field phenotyping. Plant Methods 13:15. doi: 10.1186/s13007-017-0168-4
Agradecimentos
Abreviaturas
author=K.+Yu&author=N.+Kirchgessner&author=C.+Grieder&author=A.+Walter&author=A.+Hund+&publication_year=2017&title=An+image+an
Referências
alysis+pipeline+for+automated+classification+of+imaging+light+conditions+and+for+quantification+of+wheat+canopy+cover+time+series+in+fie
ld+phenotyping&journal=Plant+Methods&volume=13&pages=15)
Zaman-Allah, M., Vergara, O., Araus, J. L., Tarekegne, A., Magorokosho, C., Zarco-Tejada, P. J., et al. (2015). Unmanned aerial platform-based multi-
spectral imaging for field phenotyping of maize. Plant Methods 11:10. doi: 10.1186/s13007-015-0078-2

(https://doi.org/10.1186/s13007-015-0078-2) | Google Scholar (http://scholar.google.com/scholar_lookup?author=M.+Zaman-
Allah&author=O.+Vergara&author=J.+L.+Araus&author=A.+Tarekegne&author=C.+Magorokosho&author=P.+J.+Zarco-
Tejada+&publication_year=2015&title=Unmanned+aerial+platform-based+multi-
spectral+imaging+for+field+phenotyping+of+maize&journal=Plant+Methods&volume=11&pages=10)
Zarco-Tejada, P. J., Diaz-Varela, R., Angileri, V., and Loudjani, P. (2014). Tree height quantification using very high resolution imagery acquired from
an unmanned aerial vehicle (UAV) and automatic 3D photo-reconstruction methods. Eur. J. Agron. 55, 89–99. doi: 10.1016/j.eja.2014.01.004
CrossRef Full Text (https://doi.org/10.1016/j.eja.2014.01.004) | Google Scholar (http://scholar.google.com/scholar_lookup?author=P.+J.+Zarco-

Tejada&author=R.+Diaz-
Varela&author=V.+Angileri&author=P.+Loudjani+&publication_year=2014&title=Tree+height+quantification+using+very+high+resolution+image
ry+acquired+from+an+unmanned+aerial+vehicle+(UAV)+and+automatic+3D+photo-
reconstruction+methods&journal=Eur.+J.+Agron.&volume=55&pages=89-99)
Zarco-Tejada, P. J., Gonzalez-Dugo, V., and Berni, J. A. J. (2012). Fluorescence, temperature and narrow-band indices acquired from a UAV platform
for water stress detection using a micro-hyperspectral imager and a thermal camera. Remote Sensing Environ. 117, 322–337. doi:
10.1016/j.rse.2011.10.007
CrossRef Full Text (https://doi.org/10.1016/j.rse.2011.10.007) | Google Scholar (http://scholar.google.com/scholar_lookup?author=P.+J.+Zarco-

Tejada&author=V.+Gonzalez-Dugo&author=J.+A.+J.+Berni+&publication_year=2012&title=Fluorescence,+temperature+and+narrow-
band+indices+acquired+from+a+UAV+platform+for+water+stress+detection+using+a+micro-
hyperspectral+imager+and+a+thermal+camera&journal=Remote+Sensing+Environ.&volume=117&pages=322-337)
Zarco-Tejada, P. J., Morales, A., Testi, L., and Villalobos, F. J. (2013). Spatio-temporal patterns of chlorophyll fluorescence and physiological and
structural indices acquired from hyperspectral imagery as compared with carbon fluxes measured with eddy covariance. Remote Sensing Environ.
133, 102–115. doi: 10.1016/j.rse.2013.05.011
CrossRef Full Text (https://doi.org/10.1016/j.rse.2013.05.011) | Google Scholar (http://scholar.google.com/scholar_lookup?author=P.+J.+Zarco-

Tejada&author=A.+Morales&author=L.+Testi&author=F.+J.+Villalobos+&publication_year=2013&title=Spatio-
temporal+patterns+of+chlorophyll+fluorescence+and+physiological+and+structural+indices+acquired+from+hyperspectral+imagery+as+compare
d+with+carbon+fluxes+measured+with+eddy+covariance&journal=Remote+Sensing+Environ.&volume=133&pages=102-115)
Zhang, C. H., and Kovacs, J. M. (2012). The application of small unmanned aerial systems for precision agriculture: a review. Precision Agric. 13,
693–712. doi: 10.1007/s11119-012-9274-5

author=C.+H.+Zhang&author=J.+M.+Kovacs+&publication_year=2012&title=The+application+of+small+unmanned+aerial+systems+for+precisio
n+agriculture%3A+a+review&journal=Precision+Agric.&volume=13&pages=693-712)
Zhang, C., Walters, D., and Kovacs, J. M. (2014). Applications of low altitude remote sensing in agriculture upon farmers' requests–a case study in
northeastern Ontario, Canada. PLoS ONE 9:e112894. doi: 10.1371/journal.pone.0112894

author=C.+Zhang&author=D.+Walters&author=J.+M.+Kovacs+&publication_year=2014&title=Applications+of+low+altitude+remote+sensing+in
+agriculture+upon+farmers'+requests–a+case+study+in+northeastern+Ontario,+Canada&journal=PLoS+ONE&volume=9&pages=e112894)
Zhao, C., and Qian, L. (2004). Comparative study of supervised and unsupervised classification in remote sensing image. J. Henan Uni. 34, 90–93.
Zhao, Z., Wang, Y., and Wang, C. (2014). Remote Sensing Image Processing. Beijing: Science Press.
ÍNDICE
Keywords: UAV, remote sensing, high-throughput, eld phenotyping, crop breeding
Citation: Yang G, Liu J, Zhao C, Li Z, Huang Y, Yu H, Xu B, Yang X, Zhu D, Zhang X, Zhang R, Feng H, Zhao X, Li Z, Li H and Yang H (2017) Unmanned Aerial
Abstrato
Vehicle Remote Sensing for Field-Based Crop Phenotyping: Current Status and Perspectives. Front. Plant Sci. 8:1111. doi: 10.3389/fpls.2017.01111
Introdução
Received: 09 April 2017; Accepted: 08 June 2017;
Published: 30 June 2017.
Edited by:
Plataformas UAV e(https://loop.frontiersin.org/people/237557/overview), Consiglio per la Ricerca in agricoltura e l'analisi dell' Economia Agriaria (CREA),
Marcello Mastrorilli
sensores
Italy implantados
Avanços do
Reviewed by:
Bangyou Zheng (https://loop.frontiersin.org/people/400389/overview), Commonwealth Scienti c and Industrial Research Organisation (CSIRO), Australia
de
WeiVANTs na Fenotipagem
Guo (https://loop.frontiersin.org/people/326494/overview), University of Tokyo, Japan
no Campo
Copyright © 2017 Yang, Liu, Zhao, Li, Huang, Yu, Xu, Yang, Zhu, Zhang, Zhang, Feng, Zhao, Li, Li e Yang. Este é um artigo de acesso aberto distribuído sob
Discussões
os termos da Creative Commons Attribution License (CC BY) (http://creativecommons.org/licenses/by/4.0/) . O uso, distribuição ou reprodução em
outros fóruns é permitido, desde que o (s) autor (es) original (is) ou licenciado (s) sejam creditados e que a publicação original desta revista seja citada, de
Conclusão
acordo com a prática acadêmica aceita. Não é permitida a utilização, distribuição ou reprodução que não esteja em conformidade com estes termos.
* Correspondência: Chunjiang Zhao, zhaocj@nercita.org.cn (mailto:zhaocj@nercita.org.cn)
†Declaração
Esses autoresde con ito deigualmente para este trabalho.
contribuíram
interesse
‡
Co-primeiros autores.
Agradecimentos
Abreviaturas
Write a comment...
Referências
Adicionar
AS PESSOAS TAMBÉM OLHARAM
Desempenho Comparativo de Índices RGB e Multiespectrais Avaliados em Terra vs. Aeronicamente Avaliados para
Avaliação do Crescimento Precoce do Desempenho de Milho sob Adubação com Fósforo
(/articles/10.3389/fpls.2017.02004/full)
Adrian Gracia-Romero (https://loop.frontiersin.org/people/474087/overview) , Shawn C. Kefauver (https://loop.frontiersin.org/people/427660/overview) , Omar
Vergara-Diaz (https://loop.frontiersin.org/people/294794/overview) , Mainassara A. Zaman-Allah (https://loop.frontiersin.org/people/229356/overview) ,
Boddupalli M. Prasanna (https://loop.frontiersin.org/people/498248/overview) , Jill E. Cairns (https://loop.frontiersin.org/people/346865/overview) e José L.
Araus (https://loop.frontiersin.org/people/51361/overview)
Fenotipagem de alta produtividade da altura da planta de sorgo usando um veículo aéreo não tripulado e sua aplicação na
modelagem de previsão genômica (/articles/10.3389/fpls.2017.00421/full)
Kakeru Watanabe (https://loop.frontiersin.org/people/398175/overview) , Wei Guo (https://loop.frontiersin.org/people/326494/overview) , Keigo Arai, Hideki
Takanashi (https://loop.frontiersin.org/people/424111/overview) , Hiromi Kajiya-Kanegae (https://loop.frontiersin.org/people/302806/overview) , Kobayashi de
Masaaki, Yano de Kentaro (https://loop.frontiersin.org/people/41642/overview) , Tokunaga de Tsuyoshi, Toru Fujiwara
(https://loop.frontiersin.org/people/27307/overview) , Nobuhiro Tsutsumi (https://loop.frontiersin.org/people/170445/overview) e Hiroyoshi Iwata
(https://loop.frontiersin.org/people/72357/overview)
Avaliação do rendimento e da seca utilizando sistemas sensoriais espectrais ativos e passivos na fase reprodutiva do trigo
(/articles/10.3389/fpls.2017.00379/full)
Elisabeth Becker (https://loop.frontiersin.org/people/294466/overview) e Urs Schmidhalter (https://loop.frontiersin.org/people/412580/overview)
Phenomics de plantas profundas: uma plataforma de aprendizagem profunda para tarefas complexas de fenotipagem de
plantas (/articles/10.3389/fpls.2017.01190/full)
Jordan R. Ubbens (https://loop.frontiersin.org/people/434219/overview) e Ian Stavness (https://loop.frontiersin.org/people/128154/overview)
Uma nova abordagem de sensoriamento remoto para previsão do rendimento do milho sob diferentes condições de
fertilização nitrogenada (/articles/10.3389/fpls.2016.00666/full)
Omar Vergara-Diaz (https://loop.frontiersin.org/people/294794/overview) , Mainassara A. Zaman-Allah (https://loop.frontiersin.org/people/229356/overview) ,
Benhildah Masuka, Alberto Hornero (https://loop.frontiersin.org/people/200073/overview) , Pablo Zarco-Tejada
(https://loop.frontiersin.org/people/346479/overview) , Boddupalli M. Prasanna, Jill E. Cairns (https://loop.frontiersin.org/people/346865/overview) e José L.
Araus (https://loop.frontiersin.org/people/51361/overview)
ÍNDICE
Abstrato
Introdução
Plataformas UAV e
Avanços do
no Campo
Discussões
Conclusão
(https://spotlight.frontiersin.org/how-to-enter/?
Want to win $100,000
interesse to host your own conference? (https://spotlight.frontiersin.org/how-to-
enter/?
Agradecimentos
utm_source=FWEB&utm_medium=FMAIN&utm_campaign=SPOTLIGHT&utm_term=BANNER&utm_content=
Abreviaturas
Suggest a Research Topic (https://spotlight.frontiersin.org/how-to-enter/?
Referências
Casa (https://www.frontiersin.org/Journal/Frontiers.aspx)
Sobre fronteiras (https://www.frontiersin.org/about)
Revistas AZ (https://www.frontiersin.org/about/journalseries)
Filiação Institucional (https://www.frontiersin.org/about/Institutional_Membership)
Contato (https://www.frontiersin.org/about/contact)
Notícia (https://blog.frontiersin.org)
Enviar (https://www.frontiersin.org/submissioninfo)
FAQs (https://frontiers.zendesk.com/hc/en-us)
termos e Condições (https://www.frontiersin.org/TermsandConditions.aspx)
Política de Privacidade (https://www.frontiersin.org/legal/privacy-policy)
boletins informativos (http://connect.frontiersin.org/subscriptions/subscribe)
RSS / Twitter (https://blog.frontiersin.org/2013/11/01/frontiers-social-media-and-rss/)
Equipe (https://www.frontiersin.org/Team.aspx)
Carreiras (https://www.frontiersin.org/Careers)
© 2007 - 2019 Frontiers Media SA Todos os direitos reservados

T2-Fronteiras - Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

T2-Fronteiras - Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem PDF

Enviado por

Direitos autorais:

Formatos disponíveis

12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…

em Plant Science (https://www.frontiersin.org/jou

Declaração de con ito de

Sensoriamento Remoto de Veículos Aéreos Não

A fenotipagem desempenha um papel importante na pesquisa em ciências das culturas; A aquisição

Declaração de con ito de

Sensores implantados por pequenos UAVs

Sensor de imagem multiespectral / hiperespectral

Sensor de imagem infravermelho térmico

Métodos Universais de Processamento de Dados

Processamento de Radiação Espectral

Avanços do Sensoriamento Remoto de VANTs na Fenotipagem no Campo

Declaração de con ito de

Traços Geométricos da Colheita

Índice Espectral de Vegetação Relacionada à Fenotipagem de Culturas

Traços Fisiológicos da Colheita

Estresse Abiótico / Biótico

Previsão do potencial de colheita e monitoramento de nutrientes

UAV-RSPs e sensores implantados

Regulamentos do espaço aéreo para a aplicação de UAVs

Métodos e Precisão da Fenotipagem de Culturas Baseadas em Campo

Em comparação com o rápido desenvolvimento de plataformas de sensores e hardware, a eficiência e a função do

Declaração de con ito de interesse

Aasen, H., Burkart,

PubMed Abstract (http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=24139902) | CrossRef Full Text

CrossRef Full Text (https://doi.org/10.1007/s11119-014-9355-8) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.1007/s00271-012-0382-9) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.1127/pfg/2016/0289) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.1007/s40502-013-0047-6) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.3390/rs61110395) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.3390/rs70100725) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.3390/rs70404026) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.3390/ijgi4042792) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.3390/agronomy4020279) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.4141/cjps82-090) | Google Scholar (http://scholar.google.com/scholar_lookup?

PubMed Abstract (http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=14724295) | CrossRef Full Text

PubMed Abstract (http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=23471459) | CrossRef Full Text

CrossRef Full Text (https://doi.org/10.3390/agronomy4030349) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.1080/01431161.2017.1285082) | Google Scholar (http://scholar.google.com/scholar_lookup?

PubMed Abstract (http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=24473345) | CrossRef Full Text

CrossRef Full Text (https://doi.org/10.3390/rs9030289) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.1071/fp16123) | Google Scholar (http://scholar.google.com/scholar_lookup?

Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.2135/cropsci2009.10.0564)

PubMed Abstract (http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=22074787) | CrossRef Full Text

CrossRef Full Text (https://doi.org/10.11975/j.issn.1002-6819.2016.22.016) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.1016/S0034-4257(96)00072-7) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.1007/s11119-013-9335-4) | Google Scholar (http://scholar.google.com/scholar_lookup?author=D.+Gomez-

CrossRef Full Text (https://doi.org/10.1007/s11119-016-9449-6) | Google Scholar (http://scholar.google.com/scholar_lookup?author=D.+Gomez-

CrossRef Full Text (https://doi.org/10.1080/014311699213631) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.3390/rs71013586) | Google Scholar (http://scholar.google.com/scholar_lookup?author=V.+Gonzalez-

CrossRef Full Text (https://doi.org/10.1016/j.agrformet.2014.08.003) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.1007/s11119-013-9322-9) | Google Scholar (http://scholar.google.com/scholar_lookup?author=V.+Gonzalez-

PubMed Abstract (http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=25453600) | CrossRef Full Text

CrossRef Full Text (https://doi.org/10.2135/cropsci2009.07.0381) | Google Scholar (http://scholar.google.com/scholar_lookup?

PubMed Abstract (http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=27347001) | CrossRef Full Text

CrossRef Full Text (https://doi.org/10.1016/S0098-3004(03)00082-7) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.2747/1548-1603.48.1.99) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.1127/1432-8364/2012/0139) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.1016/j.compag.2004.02.006) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.3390/rs8121031) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.3390/rs2010290) | Google Scholar (http://scholar.google.com/scholar_lookup?

CrossRef Full Text (https://doi.org/10.2525/ecb.48.51) | Google Scholar (http://scholar.google.com/scholar_lookup?author=H.+-