Escolar Documentos
Profissional Documentos
Cultura Documentos
(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
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/?
utm_source=FWEB&utm_medium=FMAIN&utm_campaign=SPOTLIGHT&utm_term=BANNER&utm_content=WEB)
Avanços do
Sensoriamento Remoto
de VANTs na Fenotipagem
no Campo
Artigo de download
Discussões
Conclusão
Exportar citação
Contribuições do autor
Abreviaturas
Referências
COMPARTILHAR NO
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 1/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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)
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
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 2/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
Sensoriamento Remoto
monitoramento de condições de colheita em grande escala devido às altas resoluções espaciais e espectrais dos
de VANTs na Fenotipagem
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 ;
Contribuições do autor
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 3/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
Inquérito de Literatura
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
sensores implantados
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
Sensoriamento Remoto
Watanabe et al., 2017). As outras literaturas estão intimamente relacionadas à fenotipagem da cultura usando UAV-
de VANTs na Fenotipagem
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
Contribuições do autor
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 4/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
(https://www.frontiersin.org/files/Articles/272832/fpls-08-01111-HTML/image_m/fpls-08-01111-g002.jpg)
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.
Inquérito de Literatura
Plataformas UAV e
sensores implantados
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 5/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
(https://www.frontiersin.org/files/Articles/272832/fpls-08-01111-HTML/image_m/fpls-08-01111-t002.jpg)
Abstrato Tabela 2 . Tipos típicos de UAV usados para fenotipagem de culturas baseadas em campo.
Introdução
Inquérito de Literatura
Plataformas UAV e
sensores implantados
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
de VANTs na Fenotipagem
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 6/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
(https://www.frontiersin.org/files/Articles/272832/fpls-08-01111-HTML/image_m/fpls-08-01111-g003.jpg)
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.
TABELA 3
(https://www.frontiersin.org/files/Articles/272832/fpls-08-01111-HTML/image_m/fpls-08-01111-t003.jpg)
Tabela 3 . Especificações e aplicações de sensores típicos implantados por UAV.
FIGURA 4
(https://www.frontiersin.org/files/Articles/272832/fpls-08-01111-HTML/image_m/fpls-08-01111-g004.jpg)
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
Inquérito de Literatura
Os UAV equipados
Plataformas UAV e com câmeras digitais podem rapidamente adquirir imagens coloridas ou em tons de cinza para
sensores implantados
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
de VANTs na Fenotipagem
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
Declaração de con ito de
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 7/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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 ).
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 ).
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
Inquérito de Literatura
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
sensores implantados
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
Sensoriamento Remoto
culturas em diferentes condições experimentais simultaneamente, dificultando a comparação da diferença na
de VANTs na Fenotipagem
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
Contribuições do autor
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 8/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
Inquérito de Literatura
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
sensores implantados
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
Sensoriamento Remoto
capacidade de processar eficientemente “grandes” dados de sensoriamento remoto adquiridos por UAV continua a
de VANTs na Fenotipagem
no Campo
ser um desafio, assim como a capacidade de desenvolver algoritmos robustos e rápidos de acordo com os sensores
utilizados.
Discussões
Conclusão
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.
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 9/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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 ).
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
Inquérito de Literatura
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
sensores implantados
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 ).
Sensoriamento Remoto
de VANTs na Fenotipagem
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
Contribuições do autor
permitir a visualização de dados multidimensionais e multiparâmetros, as imagens de alta resolução adquiridas pela
Declaração de con ito de
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 10/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
TABELA 4
Sensoriamento Remoto
de VANTs na Fenotipagem
no Campo
(https://www.frontiersin.org/files/Articles/272832/fpls-08-01111-HTML/image_m/fpls-08-01111-t004.jpg)
Discussões Tabela 4 . Aplicações típicas de fenotipagem de culturas baseadas em campo por UAV-RSPs.
Conclusão
Contribuições do autor
Agradecimentos
Abreviaturas
Referências
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 11/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
FIGURA 5
ÍNDICE
(https://www.frontiersin.org/files/Articles/272832/fpls-08-01111-HTML/image_m/fpls-08-01111-g005.jpg)
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.
Inquérito de Literatura
Plataformas UAV e
sensores implantados
Avanços do
A classificação de imagens de sensoriamento remoto é uma parte importante da análise de características de
Sensoriamento Remoto
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,
Contribuições do autor
agrupamento fuzzy, agrupamento hierárquico e divisão ( Zhao e Qian, 2004 ). A cobertura do dossel de solo (GCC)
Declaração de con ito de
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 12/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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 ).
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 13/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
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
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.
FIGURA 6
(https://www.frontiersin.org/files/Articles/272832/fpls-08-01111-HTML/image_m/fpls-08-01111-g006.jpg)
Figura 6 . A distribuição de imagens hiperespectrais no melhoramento de trigo.
TABELA 5
(https://www.frontiersin.org/files/Articles/272832/fpls-08-01111-HTML/image_m/fpls-08-01111-t005.jpg)
Tabela 5 . Índices de vegetação típicos utilizados para fenotipagem baseada em campo com plataforma UAV.
FIGURA 7
(https://www.frontiersin.org/files/Articles/272832/fpls-08-01111-HTML/image_m/fpls-08-01111-g007.jpg)
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
Inquérito de Literatura
Plataformas UAV e
sensores implantados
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 14/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
Inquérito de Literatura
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
sensores implantados
RMSE de 0,70 e 0,38 (Figura 9 ; Lu et al., 2016 ).
Avanços do
Sensoriamento Remoto
de VANTs na Fenotipagem
no Campo
FIGURA 8
Discussões
Conclusão
(https://www.frontiersin.org/files/Articles/272832/fpls-08-01111-HTML/image_m/fpls-08-01111-g008.jpg)
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).
Declaração de con ito de
interesse
Agradecimentos
Abreviaturas
Referências
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 15/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
FIGURA 9
(https://www.frontiersin.org/files/Articles/272832/fpls-08-01111-HTML/image_m/fpls-08-01111-g009.jpg)
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.
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 16/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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 ).
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 17/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
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
Inquérito de Literatura
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
sensores implantados
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
Sensoriamento Remoto
aerotransportada não tripulada, incluindo imagens lineares de vassourões e imagens de olhos fixos, gradualmente
de VANTs na Fenotipagem
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
Contribuições do autor
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 18/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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.
Referências
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 19/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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.
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
sensores implantados
macro.
Avanços do
Sensoriamento Remoto
de VANTs na Fenotipagem
Desa o para o processamento de dados "grande"
no Campo
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 20/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
sensores implantados
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
Sensoriamento Remoto
geométricas, textura espectral da copa, características fisiológicas, resposta ao estresse abiótico / biótico,
de VANTs na Fenotipagem
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
Contribuições do autor
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 21/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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. .
Contribuições do autor
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.
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
sensores implantados
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
de VANTs na Fenotipagem
tripulados; VDI, índice de seca de vegetação.
no Campo
Discussões
References
Conclusão
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 22/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
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
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
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
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
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
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)
Inquérito de Literatura
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
sensores implantados
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-
Sensoriamento Remoto
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)
de VANTs na Fenotipagem
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
Contribuições do autor
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://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 23/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
PubMed Abstract (http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=28311837) | CrossRef Full Text
(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
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
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
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
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
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
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://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 24/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
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
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
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
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
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.
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
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 25/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
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
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
Gong, P. (1999). Inverting a canopy reflectance model using a neural network. Int. J. Remote Sensing 20, 111–122. doi: 10.1080/014311699213631
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
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
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
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
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
Inquérito de Literatura
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)
sensores implantados
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:
Sensoriamento Remoto
10.1007/s11119-012-9263-8
de VANTs na Fenotipagem
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
Declaração de con ito de
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 26/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
PubMed Abstract (http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=25705245) | CrossRef Full Text
(https://doi.org/10.1186/s13007-015-0047-9) | Google Scholar (http://scholar.google.com/scholar_lookup?
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
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
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
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
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
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
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 27/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
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
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
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
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
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
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
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://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 28/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
dic.&volume=57&pages=486-496)
Li, X. (2012). Feature extracting methods in spectrum data mining. Chin. Astron. Astrophys. 30, 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
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
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.
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
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
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
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
CrossRef Full Text (https://doi.org/10.3390/rs5052164) | Google Scholar (http://scholar.google.com/scholar_lookup?
Plataformas UAV e
author=A.+J.+Mathews&author=J.+L.+R.+Jensen+&publication_year=2013&title=Visualizing+and+quantifying+vineyard+canopy+LAI+using+an
sensores implantados
+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
CrossRef Full Text (https://doi.org/10.1071/Fp09277) | Google Scholar (http://scholar.google.com/scholar_lookup?
Declaração de con ito de
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
CrossRef Full Text (https://doi.org/10.3390/rs71115467) | Google Scholar (http://scholar.google.com/scholar_lookup?
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-
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 29/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
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
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
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
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
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
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
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
Contribuições do autor
CrossRef Full Text (https://doi.org/10.1080/01431169308954010) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=J.+PeÑUelas&author=I.+Filella&author=C.+Biel&author=L.+Serrano&author=R.+SavÉ+&publication_year=1993&title=The+reflectance+a
Declaração de con ito de
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 30/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
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
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
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
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
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
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
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
CrossRef Full Text (https://doi.org/10.1016/0034-4257(95)00186-7) | Google Scholar (http://scholar.google.com/scholar_lookup?
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)
Inquérito de Literatura
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
sensores implantados
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
Sensoriamento Remoto
06&title=“UAVSAR%3A+a+new+NASA+airborne+SAR+system+for+science+and+technology+research,”&pages=8)
de VANTs na Fenotipagem
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
CrossRef Full Text (https://doi.org/10.3390/rs61111051) | Google Scholar (http://scholar.google.com/scholar_lookup?
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
Declaração de con ito de
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 31/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
CrossRef Full Text (https://doi.org/10.1007/s11119-012-9271-8) | Google Scholar (http://scholar.google.com/scholar_lookup?
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
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
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
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
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
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
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
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-
Inquérito de Literatura
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
sensores implantados
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-
de VANTs na Fenotipagem
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-
Contribuições do autor
altitude+thermal+images+applied+to+estimating+soil+water+status&journal=Biosys.+Eng.&volume=96&pages=301-313)
Declaração de con ito de
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 32/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
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
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
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
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
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
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
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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 33/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
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
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
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
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
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
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
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
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
sensores implantados
ulti-
Avanços do
load+remote+sensing+technologies+for+wheat+breeding+information+acquirement&journal=Trans.+Chin.+Soc.+Agric.+Eng.&volume=31&pages=
Sensoriamento Remoto
184-190)
de VANTs na Fenotipagem
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
PubMed Abstract (http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=23578473) | CrossRef Full Text
(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-
Contribuições do autor
throughput+phenotyping%3A+accelerating+rice+functional+genomics+using+multidisciplinary+technologies&journal=Curr.+Opin.+Plant+Biol.&v
olume=16&pages=180-187)
Declaração de con ito de
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
PubMed Abstract (http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&Cmd=ShowDetailView&TermToSearch=28344634) | CrossRef Full Text
Abreviaturas
(https://doi.org/10.1186/s13007-017-0168-4) | Google Scholar (http://scholar.google.com/scholar_lookup?
author=K.+Yu&author=N.+Kirchgessner&author=C.+Grieder&author=A.+Walter&author=A.+Hund+&publication_year=2017&title=An+image+an
Referências
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 34/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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
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
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
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
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
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
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.
Inquérito de Literatura
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:
Sensoriamento Remoto
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.
Contribuições do autor
* 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
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 35/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
Adicionar
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
Inquérito de Literatura
Plataformas UAV e
sensores implantados
Avanços do
Sensoriamento Remoto
de VANTs na Fenotipagem
no Campo
Discussões
Conclusão
(https://spotlight.frontiersin.org/how-to-enter/?
Contribuições do autor
utm_source=FWEB&utm_medium=FMAIN&utm_campaign=SPOTLIGHT&utm_term=BANNER&utm_content=WEB)
Declaração de con ito de
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
utm_source=FWEB&utm_medium=FMAIN&utm_campaign=SPOTLIGHT&utm_term=BANNER&utm_content=WEB)
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 36/37
12/04/2019 Fronteiras | Sensoriamento Remoto de Veículos Aéreos Não Tripulados para Fenotipagem de Culturas Baseadas no Campo: Situa…
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)
https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full 37/37