Traduzido do Inglês para o Português - www.onlinedoctranslator.

com

(2019) 15:97
Dobbels e Lorenz Métodos de Plantahttps://
doi.org/10.1186/s13007-019-0478-9 Métodos de Planta

PESQUISAR Acesso livre

Fenotipagem de alto rendimento da clorose por

deficiência de ferro da soja usando um sistema
de aeronave não tripulada
Austin A. Dobbels e Aaron J. Lorenz*

Resumo
Fundo: A clorose por deficiência de ferro (IDC) é um estresse abiótico na soja [Glycine max (L.) Merr.] Que causa reduções significativas na
produção. Os sintomas de IDC incluem clorose intervinal e retardo de crescimento da planta. Embora existam práticas de manejo que podem
superar essas perdas drásticas de rendimento, a maneira preferida de manejar o IDC é cultivar variedades de soja tolerantes. Para
desenvolver variedades tolerantes ao IDC, os melhoristas podem facilmente fenotipar até milhares de linhagens de soja candidatas a cada
ano quanto à gravidade dos sintomas relacionados ao IDC, uma tarefa tradicionalmente realizada com uma escala de avaliação visual de 1 a
5. A escala de avaliação visual é subjetiva e, por ser demorada e trabalhosa, normalmente só pode ser realizada uma ou duas vezes durante a
estação de cultivo.

Resultados: O objetivo deste estudo foi usar um sistema de aeronave não tripulada (UAS) para melhorar a triagem de campo para tolerância à
soja IDC. Durante o verão de 2017, 3.386 plotagens foram pontuadas visualmente para estresse do IDC em duas datas diferentes. Além disso,
as imagens foram capturadas com uma plataforma DJI Inspire 1 equipada com um sistema de câmera dupla modificado que captura
simultaneamente imagens digitais em vermelho, verde e azul, bem como imagens em vermelho, verde e infravermelho próximo (NIR). Um
pipeline foi criado para captura de imagens, geração ortomosaica, processamento e análise. A classificação de planta e solo foi obtida usando
classificação não supervisionada, resultando em 95% de precisão de classificação geral. Dentro do dossel classificado da planta, os pixels
verdes, amarelos e marrons da planta foram classificados e usados como recursos para modelos aleatórios de floresta e rede neural. Geral, a
floresta aleatória e os modelos de rede neural alcançaram taxas de classificação incorreta e precisão de classificação semelhantes, que
variaram de 68 a 77% nas datas de classificação. Todos os 36 ensaios em campo foram analisados usando um modelo linear para pontuação
visual e pontuação baseada em imagem UAS em ambas as datas. Em 32 dos 36 testes na data 1 e 33 dos 36 ensaios na data 2, o LSD associado
às pontuações baseadas em imagem UAS foi menor do que o LSD associado a pontuações visuais, indicando que as pontuações baseadas em
imagem forneceram medições mais precisas da gravidade do IDC .

Conclusões: No geral, o UAS foi capaz de capturar diferenças no estresse de IDC e pode ser usado para avaliações de linhagens de
cruzamento candidatas em um programa de melhoramento de soja. Este sistema era mais eficiente e preciso do que os métodos tradicionais
de pontuação.

Palavras-chave: Sistema de aeronaves não tripuladas (UAS), soja, clorose por deficiência de ferro, sensoriamento remoto, floresta aleatória, rede
neural, análise de imagens

* Correspondência: lore0149@umn.edu
Departamento de Agronomia e Genética Vegetal, Universidade de Minnesota,
Upper Buford Circle 1991, 411 Borlaug Hall, St. Paul, MN 55108, EUA

© The Author (s) 2019, publicação corrigida 2019. Este artigo é distribuído sob os termos da Creative Commons Atribuição 4.0 International
License (http://creativecommons.org/licenses/by/4.0/), que permite o uso irrestrito, distribuição e reprodução em qualquer meio, desde
que você dê o crédito apropriado ao (s) autor (es) original (is) e à fonte, forneça um link para a licença Creative Commons e indique se
alterações foram feitas. A isenção da Creative Commons Public Domain Dedication (http: // creativecommons.org/publicdomain/zero/1.0/)
aplica-se aos dados disponibilizados neste artigo, salvo indicação em contrário.
Dobbels e Lorenz Métodos de Planta (2019) 15:97
Fundo
A clorose por deficiência de ferro (IDC) é um importante estresse
do solo na soja [Glycine max (L.) Merr.] E causa reduções
significativas na produção. Nos Estados Unidos, a soja IDC
resultou em perdas de rendimento de US $ 260 milhões anuais [1,
2] Soybean IDC é causado pela falta de ferro disponível [Fe (II)]
para a planta [3-6] Embora o ferro seja abundante em quase todos
os solos, as deficiências são causadas por vários fatores químicos
do solo e suas interações que alteram a solubilidade do ferro no
solo [2, 7] A IDC da soja é impactada pelo pH do solo, teor de
carbonato de cálcio do solo, teor de umidade do solo,
condutividade elétrica do solo, concentração de óxido de ferro e
sais solúveis [2,8-10] Os sintomas de deficiência incluem clorose
intervinal e retardo de crescimento geral da planta [11, 12] Os
produtores de soja podem superar as drásticas penalidades de
rendimento do IDC, cultivando variedades de soja tolerantes,
plantando safras companheiras, reduzindo outras formas de
estresse nas plantas e suplementando o solo com quelatos de
ferro [13, 14]
O método preferido para minimizar as perdas de rendimento
causadas pelo IDC é o cultivo de uma variedade tolerante, razão pela
qual há interesse contínuo no desenvolvimento de variedades
tolerantes ao IDC por criadores de soja [13, 15, 16] Para cumprir esse
objetivo de cultivo, milhares de linhagens de cultivo de soja precisam
ser rastreadas todos os anos quanto à severidade do IDC. A triagem
tem sido tradicionalmente realizada usando um sistema de pontuação
de gravidade visual 1-5, onde uma pontuação de 1 é dada às linhas
tolerantes e uma pontuação de 5 é dada às linhas suscetíveis [6] O
sistema de classificação visual é trabalhoso e normalmente feito
apenas em um ponto no tempo da estação de cultivo. Além disso, a
variabilidade intra-examinador devido à subjetividade do olho humano
pode resultar em medições fenotípicas menos precisas e, portanto, os
pesquisadores estão investigando métodos baseados em imagens para
quantificar a gravidade do IDC [6, 17] Novos sistemas de classificação
automatizados têm potencial para mais objetividade e confiabilidade
para a fenotipagem de estresse IDC [17, 18] Até o momento, esses
métodos de fenotipagem foram implementados a partir de tripés [17] e
carrinhos de empurrar [19]; no entanto, a implementação usando um
sistema de aeronave não tripulada (UAS) não foi relatada.
A fenotipagem de alto rendimento (HTP) se refere à capacidade
dos pesquisadores de coletar informações detalhadas durante o
ciclo de vida da planta de uma forma não invasiva [20, 21] Isso
pode ser feito em ambientes controlados e de campo e com uma
ampla gama de plataformas e sensores, incluindo sistemas
terrestres e aéreos [18, 20] Nos últimos anos, tem havido um
interesse crescente na utilização de plataformas aéreas de HTP,
especialmente para uso na avaliação de germoplasma em
programas de melhoramento [22] Embora muitas características
estejam sendo medidas na soja usando essas plataformas,
incluindo maturidade da planta, cobertura do dossel e estimativa
de produção [23, 24], por exemplo, o objetivo principal deste
projeto era usar um sistema de aeronaves não tripuladas (UAS)
para melhorar as avaliações de plantas de ferro de soja
Página 2 de 9
clorose por deficiência (IDC). O objetivo desta pesquisa foi
usar imagens coletadas de um UAS para medir a
gravidade do IDC e determinar a exatidão e a precisão
dessas previsões.
Métodos
Material vegetal, localização e projeto de campo
Uma série de 36 ensaios que consistem em linhagens de reprodução
em diferentes estágios do programa de melhoramento UMN, que vão
desde o estágio de ensaio de rendimento avançado até o estágio de
ensaio regional e comercial, foi usada neste estudo (Fig. 1) As linhagens
pertencentes a grupos de maturidade variando de 00 a II. Os ensaios
individuais consistiram em linhagens de reprodução de maturidade
relativa semelhante. O número de entradas em cada ensaio variou de
16 a 80. Cada parcela (unidade experimental) foi plantada em uma
única fileira com 91 cm de comprimento e 76,2 cm de distância. As
parcelas foram dispostas em delineamento de blocos ao acaso com
duas repetições. Todas as parcelas (um total de 3.824) foram plantadas
em 1º de junho de 2017.
O local para este estudo foi um local de campo perto de
Danvers, MN (45.274285, -95.718046) no Condado de Swift.
Este campo tem um histórico de soja IDC e foi alternado entre
milho e soja por vários anos. Antes do plantio, os núcleos do
solo foram retirados e foi confirmado que o solo tinha um pH
na faixa de 7,5 a 8,2, uma faixa conhecida por induzir a
deficiência de ferro na soja [2, 8]
Um total de nove pontos de controle do solo (40 cm×Blocos de
pavimento de cimento de 20 cm pintados de vermelho) foram
colocados no campo (Fig. 1) Estes foram colocados aleatoriamente
em todo o local do campo de forma a cobrir toda a área de
interesse e permaneceram no campo durante a temporada. As
coordenadas do ponto de controle no solo foram coletadas em um
ponto no tempo durante o verão usando uma unidade GPS
portátil da Trimble.
Painéis de calibração de refletância também foram criados para uso
neste projeto. Um total de três alvos de calibração (placas matte de 2
pés por 2 pés) foram feitos com cada alvo consistindo em quatro níveis
de cinza - 5%, 20%, 40% e 55% de refletância pintada com 'preto',
'montanha de ferro' 'cinza de flanela' e 'bala de prata' e para cada% de
refletância respectivamente (marca de tinta BEHR, Santa Ana,
Califórnia) A tinta foi misturada com uma mistura 50/50 por peso com
sulfato de bário para garantir uma superfície próxima à Lambertiana.
Um total de três camadas de tinta foram usadas sobre uma camada de
primer. Um ASD (Analytical Spectral Devices) Handheld 2: handheld
VNIR espectrorradiômetro foi usado para medir a refletância dos
painéis com a lâmpada de halogênio embutida para a iluminação da
fonte.
Fenotipagem baseada em solo IDC
A soja IDC foi avaliada em 12 de julho e 1º de agosto de 2017, aqui
referidas como data 1 e data 2, respectivamente. Na data 1, a soja
variava em estágios de crescimento vegetativo de V3– V6 e na data
2, a soja variava em estágios de crescimento de
Dobbels e Lorenz Métodos de Planta (2019) 15:97 Página 3 de 9

Figura 1 Localização de campo de teste de clorose por deficiência de ferro de soja perto de Danvers, MN. O campo usado neste estudo está localizado em Six Grove Township, MN
(45.274285, −95.718046) em Swift County. Os círculos amarelos destacam os nove pontos de controle de solo no campo para calibração geométrica e os quadrados vermelhos
destacam os painéis de calibração radiométrica. Esses painéis foram pintados com quatro níveis de cinza para calibração do método de linha empírica. Sobreposto ao campo
ortomosaico está um arquivo vetorial delineando os limites de 3.386 parcelas de soja. Cada limite do gráfico é colorido com base no teste ao qual cada gráfico pertence. Um total de
36 ensaios foi desenvolvido

V6 – R2. A soja foi avaliada em ambas as datas com uma escala de avaliação
visual de 1 a 5. Com esta escala, uma classificação de “1” indica um gráfico
que é 100% verde (sem amarelecimento), uma pontuação de “2” indica um
ligeiro amarelecimento com algumas plantas no gráfico tornando-se
amarelas, uma pontuação de “3” indica amarelecimento moderado com a
maioria das plantas ficando amarelas na parcela, uma pontuação de "4"
indica amarelecimento intenso, onde todas as plantas são amarelas e
algumas estão ficando atrofiadas e necróticas, e uma pontuação de "5"
indica sintomas de IDC mais graves onde toda a parcela está danificada e
morrendo ou completamente morto [6, 25] Cada gráfico foi medido por um
avaliador especialista que entende os sintomas de estresse do IDC. Esta
fenotipagem baseada em solo serviu como dados de referência neste estudo
para treinar e validar modelos. Além disso, 252 gráficos foram pontuados
independentemente por dois avaliadores treinados para a avaliação da
variabilidade entre avaliadores. Essas parcelas foram escolhidas porque
exibiram variação na severidade do IDC devido à sua colocação em uma
parte do campo com estresse IDC ideal para detectar diferenças entre as
variedades.
mesmas datas dos dados terrestres (12 de julho e 1 de agosto)
com um DJI Inspire 1 equipado com um sistema de câmera dupla
modificado, “Sentera Double 4 K agricultural” (Sentera Inc,
Minneapolis, MN). As imagens foram capturadas em 12,3
megapixels (MP) vermelho (650 nm× Largura de 70 nm), verde
(548 nm× Largura de 45 nm), azul (446 nm× Largura de 60 nm) e
vermelho de 12,3 MP (650 nm× Largura de 70 nm), verde (548 nm×
Largura de 45 nm), infravermelho próximo (NIR, 840 nm× Largura
de 20 nm). Cada câmera possui um campo de visão de 60 °. O UAS
foi pilotado usando o planejamento de missão de voo autônomo
do software AgVault. Todas as missões foram realizadas a uma
altitude de 60,96 m com uma velocidade UAS de 5 m / se imagens
capturadas com 70% da volta final e volta lateral. As imagens
resultantes tiveram uma distância de amostragem do solo de 1,6
cm. Todos os voos foram realizados dentro de 2 horas do meio-dia
solar para limitar os efeitos de sombra.
Processamento de dados de imagem

Após a coleta das imagens, os ortomosaicos das imagens foram

Plataforma UAS, sensor, plano de vôo
Neste estudo, um pipeline foi criado desde a captura da
imagem até a análise da imagem. Mesa1 destaca as principais
etapas neste pipeline, incluindo (1) coleta de imagens UAS, (2)
geração ortomosaica e (3) processamento de imagens. Na
etapa 1, os dados aéreos foram coletados no
gerados usando Pix4D Desktop (Pix4D, SA). O datum WGS 84 foi
usado com um sistema de coordenadas projetadas da zona UTM
15 N. Imagens capturadas pelo sistema de câmera dupla Sentera
foram carregadas no mesmo projeto e receberam nomes de
grupo de "RGB" e "NIR" para os dois conjuntos de imagens,
respectivamente . Para este estudo, apenas dados RGB
Dobbels e Lorenz Métodos de Planta (2019) 15:97
Tabela 1 Pipeline para captura de imagem e análise para avaliação da clorose por deficiência de ferro
Categoria Etapa
Coleção de imagens UAS Configurar UAS
Prepare a trajetória de vôo
Fly UAS para coleta de dados
Imagem ortomosaica usando Pix4D Processamento inicial
Nuvem de pontos e malha
Modelo de superfície digital, ortomosaico e índice
Processamento de imagem Classificação de planta e solo
Classificação de pixels verdes, amarelos e marrons
Rede neural / floresta aleatória com dados terrestres
A trajetória de vôo é configurada na captura Pix4D com 70% de sobreposição de imagens. Fotos individuais são ortomosaicadas no Pix4D ek- significa que o agrupamento é usado para mascarar as
plantas do fundo do solo. Uma classificação adicional de pixels verdes, amarelos e marrons é realizada nos objetos vegetais. No QGIS, os gráficos são definidos e as proporções de pixels verdes,
amarelos e marrons são extraídas de cada gráfico. Finalmente, as previsões são feitas para correlacionar esses três recursos com estimativas de pontuação visual baseadas no solo, classificadas em um
sistema de pontuação de 1-5
foram usados no processamento de imagem. O template de
opções de processamento padrão, “Ag RGB,” foi usado para gerar
ortomosaicos georreferenciados. Esta opção gera mosaicos de
imagens nadir sobrepostas e produz um arquivo GeoTIFF de
resolução completa e mescla ladrilhos. Além disso, o modelo de
processamento “Ag RGB” possui velocidade de processamento
mais rápida e é compatível com câmeras RGB.
O processamento do Pix4D ocorre em três etapas principais,
incluindo o processamento inicial; nuvem de pontos e malha; e
modelo de superfície digital, ortomosaico e geração de índice.
Nove pontos de controle de solo foram inseridos no projeto Pix4D
diretamente após a etapa de processamento inicial usando o
editor de nuvem de raios.
Na etapa 3, os ortomosaicos foram processados e os dados
extraídos de cada parcela. Os ortomosaicos foram carregados
no Erdas Imagine e a classificação não supervisionada usando
k- significa que o agrupamento em cinco classes foi feito em
um mapa indexado da proporção de vermelho e verde (R −
G) / (R + G). Após a classificação não supervisionada, as cinco
classes foram agrupadas manualmente na classe “planta” e na
classe “solo” com base na observação humana das cinco
classes. As classes foram recodificadas e uma máscara foi
definida com base na nova classificação.
A avaliação da precisão da classificação da planta e do solo foi
realizada com o software Erdas Imagine (Hexagon Geospatial,
Estados Unidos). O kit de ferramentas de avaliação de precisão foi
usado para atribuir 1000 pontos em todo o campo de interesse.
Um esquema de amostragem aleatória equalizado foi usado para
definir 500 pontos de amostragem de solo e 500 de pixels
classificados de plantas. Os dados de referência foram criados
atribuindo visualmente cada ponto como planta ou solo com base
na interpretação humana do ortomosaico original não classificado.
Página 4 de 9
Detalhes
DJI Inspire 1 com sensor Sentera Double 4 K aplicativo
móvel AgVault ou aplicativo de captura Pix4D sobreposição
de imagem de 70%, altitude de 61 m
Extração e correspondência de pontos-chave, otimização do modelo da câmera,
geolocalização
Densificação de pontos e criação de malha texturizada 3D, inserir solo
Pontos de controle
Criação de modelo digital de superfície, ortomosaico, mapa de refletância,
e mapa de índice
k- significa agrupamento e recodificação para planta e solo
k- significa agrupamento no dossel mascarado e recodificação para verde,
amarelo marrom
Subconjunto em conjuntos de treinamento e validação, os dados terrestres são
variável de resposta e contagens de pixels verdes, amarelos e marrons são
usadas como recursos
Os valores das classes foram ocultados durante a coleta de dados
de referência para garantir valores imparciais. Uma matriz de erro
foi usada para calcular a precisão geral, a precisão do produtor e a
precisão do usuário. A precisão da classificação geral foi calculada
somando os números diagonais principais (classificados
corretamente) divididos pela soma de todas as unidades de
amostra em toda a matriz. A precisão do produtor foi calculada
dividindo o número total de unidades de amostra corretas em
cada categoria específica pelo número total de unidades de
amostra específicas de dados de referência. A precisão do usuário
foi calculada dividindo o número total de unidades de amostra
corretas na categoria específica pelo número total de unidades de
amostra classificadas como a categoria específica.
O dossel da planta mascarado foi classificado em pixels verdes,
amarelos e marrons da planta usando um adicional k-significa a
etapa de agrupamento. Isso foi feito para simular como os
pesquisadores normalmente avaliam gráficos IDC e foi baseado
em estudos anteriores [17, 19] Esses recursos foram extraídos
usando o software QGIS (QGIS Geographic Information System.
Open Source Geospatial Foundation Project.http://qgis.osgeo.org)
No QGIS, um shapefile de polígono foi criado onde polígonos de
plotagem de campo foram usados para identificar cada uma das
3824 plotagens. O plugin de estatísticas zonais foi usado para
extrair a proporção de pixels verdes, amarelos e marrons em cada
gráfico.
Dois algoritmos de modelagem, rede neural e floresta aleatória,
foram usados para relacionar esses três recursos às pontuações
visuais baseadas no solo [26] Ambos os algoritmos estão
disponíveis no pacote de software de análise preditiva no JMP Pro
(JMP®, Pro 10, SAS Institute Inc., Cary, NC, 1989–2007). Em ambos
os casos, os dados de pontuação visual do IDC foram tratados
como um personagem e 77% dos dados, aleatoriamente,
Dobbels e Lorenz Métodos de Planta (2019) 15:97
foi utilizado para treinar os modelos e 33% dos dados, ao acaso, foram
utilizados para validação. O modelo de floresta aleatório usou 100
árvores na floresta com 10 divisões mínimas por árvore. A rede neural
foi executada usando as configurações padrão do software JMP. A
estrutura da camada oculta usou 3 funções TanH e uma taxa de
aprendizado de 0,1. Os resultados são relatados em uma matriz de
confusão.
Cada uma das 36 tentativas no campo foi analisada usando um
modelo linear incluindo o escore IDC como a variável de resposta,
um efeito fixo para entrada, um efeito fixo para bloco e um
resíduo aleatório. Diferenças menos significativas (P < 0,20) foram
calculados para todos os 36 ensaios nas pontuações baseadas no
solo e na imagem UAS para ambas as datas de coleta de dados.
Resultados e discussão
Fenotipagem baseada em solo
Um total de 3.386 parcelas foram avaliadas quanto à gravidade do
estresse do IDC em uma escala de 1 a 5 em duas datas distintas
(12 de julho e 1 de agosto de 2017). A distribuição das pontuações
de cada uma das duas datas, bem como suas relações entre si,
pode ser vista na Fig.2. No total, 15%, 45%, 30%, 9% e 1% foram
classificados de 1 a 5, respectivamente, na data 1. Na data 2, 30%,
41%, 18%, 8% e 3% foram avaliado em 1–5, respectivamente. No
total, houve uma abundância muito maior de entradas com uma
pontuação de “1” na data 2 em comparação com a data 1. No
entanto, a pontuação média geral no campo foi de 2,1 em ambas
as datas de pontuação visual. A comparação entre avaliadores
também foi investigada em um subconjunto de 252 parcelas. Para
Figura 2 Relações entre duas datas de severidade da clorose por deficiência de ferro (IDC) (uma) e gráficos de pontuação de dois avaliadores separados (b) A gravidade do IDC foi
pontuada em um total de 3.386 plotagens em 12 de julho e 01 de agosto. A correlação das classificações entre a data 1 e a data 2 foi de 0,80. Um subconjunto de 252 gráficos foi
pontuado por dois avaliadores independentes na data 1. A correlação das avaliações entre os avaliadores foi de 0,93
Página 5 de 9
Nestes gráficos, duas pessoas independentemente pontuaram os gráficos
para fornecer uma estimativa da variabilidade entre avaliadores nas
pontuações visuais. A correlação entre o avaliador 1 e o avaliador 2 foi de
0,93.
Imagens UAS para fenotipagem IDC
Na primeira etapa do pipeline de análise de imagem (Tabela 1), o
dossel da planta foi mascarado do solo usando k-significa
agrupamento (Fig. 3), uma abordagem de aprendizado de
máquina não supervisionada que tem sido usada com sucesso em
muitas aplicações agrícolas [27, 28] Essa abordagem resultou em
uma precisão de classificação geral de mais de 95%. A precisão do
usuário foi de 94% e 97% para classificação de solo e planta,
respectivamente. Mesa2 é uma matriz de confusão que destaca os
resultados da avaliação da precisão desta classificação.
Estudos anteriores utilizaram uma variedade de técnicas para
mascarar as copas das plantas. Em uma publicação de Yu et al. [23
], por exemplo, a classificação de planta e solo foi obtida usando
um modelo de floresta aleatório e resultou em uma precisão de
99,9% [23] Alcançamos uma precisão de 95,6%. Plantas sob
estresse de clorose ou necrose, entretanto, tinham propriedades
espectrais muito semelhantes às do solo. Além disso, muitos erros
de classificação incorreta ocorreram nas bordas do dossel onde o
solo e os pixels do dossel da planta estavam sobrepostos. Uma
vantagem deste estudo, no entanto, é a capacidade de classificar a
planta e o solo na ausência de dados de treinamento. A
abordagem de classificação não supervisionada
Dobbels e Lorenz Métodos de Planta (2019) 15:97 Página 6 de 9

Fig. 3 Classificação da clorose por deficiência de ferro. O Orthomosaic (topo) é primeiro classificado em pixels de planta e solo (canto inferior esquerdo). Os pixels da planta são então
classificados em uma segunda etapa em pixels verdes (% G), pixels amarelos (% Y) e pixels marrons (% B) (canto inferior direito). Esses recursos são então relacionados aos escores
visuais baseados no solo por meio de modelos aleatórios de floresta e rede neural para classificar gráficos tolerantes e suscetíveis

Tabela 2 Avaliação da precisão do método de classificação baseado em deve ser gerado interpretando manualmente as classes às quais
pixels para classificação de plantas e solo os pixels pertencem. Outros estudos usaram abordagens de

Data de referência Do utilizador

limiares para diferenciar as plantas do solo. Nesses cenários, a
precisão imagem é muitas vezes limitada com base no matiz, saturação,
Solo Plantar Total da linha (%) formato de valor da imagem ou com base em índices ou

Dados previstos
proporções de diferentes bandas de cores [17, 24, 29]

Solo 469 31 500 93,8 Porcentagem de pixels verdes, amarelos e marrons também foram

Plantar 13 487 500 97,4 classificados usando uma abordagem semelhante à classificação do

Total da coluna 482 518 1000 dossel da planta (Fig. 3) Esses recursos foram usados em dois
modelos de aprendizado de máquina diferentes (floresta aleatória e
Precisão do produtor (%) 97,3 94,0
rede neural) para prever as pontuações de gravidade do IDC. As
Precisão geral (%) = 95,6
matrizes de confusão para os modelos de floresta aleatórios para a
Mil pontos aleatórios foram gerados e colocados na imagem ortomosaicada usando o
método de amostragem aleatória equalizada. Os dados previstos foram gerados usandok
data 1 e data 2 são mostradas nas tabelas3 e 4 para a data 1 e data 2,
-significa o agrupamento e os dados de referência foram criados manualmente usando respectivamente. No geral, a precisão da classificação foi de 68% para a
observações visuais das imagens. Os resultados da avaliação de precisão foram gerados
data 1 e 77% para a data 2. O aumento na precisão da classificação
usando o software ERDAS IMAGINE. Uma precisão de classificação geral de 95,6% foi
alcançada entre a data 1 e a data 2 foi provavelmente o resultado do tamanho
Os elementos diagonais estão em itálico para destacar o número de pixels classificados das plantas, com mais pixels representando o material vegetal na data
corretamente em termos de classificações de planta ou solo
2 do que na data data 1.
A cobertura média do dossel de cada parcela está relacionada à
biomassa geral e à interceptação de luz das parcelas. A cobertura
usando k- significa que o agrupamento resultou em pixels de valores
do dossel foi calculada como a razão de “pixels classificados por
espectrais semelhantes sendo agrupados. Este agrupamento ocorre sem
planta” para “solo mais pixels classificados por planta” e
nenhum conhecimento anterior ou entrada, e muitas vezes pode fornecer
comparada entre as cinco classes de severidade diferentes. A
novos insights sobre os dados [18] Com abordagens supervisionadas, como
cobertura média do dossel para cada classe IDC foi a seguinte:
a floresta aleatória, um conjunto de dados de treinamento
classe 1 = 0,264, classe 2 = 0,246, classe 3 = 0,189,
Dobbels e Lorenz Métodos de Planta (2019) 15:97 Página 7 de 9

Tabela 3 Matriz de confusão florestal aleatória para a data 1 da coleta Teste de campo. Para relatar os ensaios de variedade, um limite de
de dados (12 de julho) significância relaxado (por exemplo,P<0,20) é comumente usado

Data de referência
para declarar diferenças entre variedades para aumentar o poder
e reduzir os erros do tipo II. Com base nisso, se o LSD for baixo, a
1 (%) 2 (%) 3 (%) 4 (%) 5 (%)
precisão dos dados será maior e o pesquisador poderá determinar
Dados previstos melhor as diferenças entre as linhagens. Os valores LSD dos dados
1 76,4 22,8 0 0,8 0 baseados no solo e os dados UAS foram comparados entre os 36
2 14,3 68,2 16,1 1,2 0,2 ensaios experimentais, ou conjuntos de linhas, para ambas as
3 0,8 19,2 65,3 14,7 0 datas de coleta de dados. Em 32 dos 36 ensaios na data 1 e 33 dos
4 0 3,9 19,7 61,9 14,5 36 ensaios na data 2, o LSD foi menor ao usar as pontuações
5 0 0 0 100 0 baseadas em imagem UAS no modelo linear em comparação com
Precisão geral (%) = 68 as pontuações visuais (Fig.4) Houve uma redução média de 0,15 e
0,20 pontos no LSD (variando de 0,35 de aumento a uma redução
Os pixels% green,% yellow e% brown de cada uma das parcelas de pesquisa foram usados como
recursos em um modelo de floresta aleatório. Esta matriz de confusão mostra o quão bem o de 0,50) com as pontuações UAS em comparação com as
modelo de floresta aleatório previu a pontuação da clorose por deficiência de ferro (IDC) a partir de pontuações visuais para a data 1 e data 2, respectivamente. Esta
dados de referência baseados no solo, onde cada parcela foi avaliada em uma escala de um a cinco.
A precisão geral foi de 68%
redução geral no LSD indica que as pontuações baseadas em
Os elementos diagonais estão em itálico para destacar a porcentagem de plotagens de campo imagens do UAS eram mais precisas do que as pontuações visuais
classificadas corretamente em termos de pontuação IDC e oferece informações valiosas para uso em um programa de
reprodução.
Muitos estudos anteriores mostraram grande sucesso e
Tabela 4 Matriz de confusão florestal aleatória para a data 2 da coleta
precisão na coleta de características fenotípicas de sistemas de
de dados (1º de agosto)
aeronaves não tripuladas em soja e outras culturas [22,23, 30, 31]
Data de referência
Além disso, estudos anteriores usaram com sucesso métodos
1 (%) 2 (%) 3 (%) 4 (%) 5 (%) baseados em imagens para classificar e quantificar o estresse de
IDC da soja [17, 32] No entanto, até o momento, nenhum estudo
Dados previstos
demonstrou combinar os poderes de coleta de imagens de alto
1 85,1 14,9 0 0 0
rendimento de sistemas de aeronaves não tripuladas com a
2 10,4 79,6 9,3 0,5 0,2
classificação baseada em imagens para IDC.
3 0,2 13 74 12 0,8
4 0 0,6 9,9 73,6 15,9
5 0 0 3,1 18,4 78,5
Imagens UAS em comparação com outros métodos de avaliação e
Precisão geral (%) = 77
limitações de IDC
Os pixels% green,% yellow e% brown de cada uma das parcelas de pesquisa foram usados como Estudos anteriores testaram o uso de procedimentos de análise de
recursos em um modelo de floresta aleatório. Esta matriz de confusão mostra o quão bem o
modelo de floresta aleatório previu a pontuação de clorose por deficiência de ferro (IDC) do solo-
imagem para quantificar o estresse IDC [17-19] Suas abordagens
dados de referência baseados em que cada gráfico foi classificado em uma escala de um a cinco. A alcançaram uma precisão média por classe de ~ 96% e 81%.
precisão geral foi de 77%
Embora os estudos anteriores tenham mostrado uma precisão
Os elementos diagonais estão em itálico para destacar a porcentagem de plotagens de campo
classificadas corretamente em termos de pontuação IDC
relativamente alta, o rendimento de tirar fotos de um tripé ou
carrinho é muito menor em comparação com um UAS. A resolução
espacial alcançada, no entanto, foi muito maior (6 pixels / mm do
classe 4 = 0,096 e classe 5 = 0,039. Cada um desses níveis foi
tripé em comparação com 1,6 cm / pixel do UAS). Esta diminuição
considerado significativamente diferente de cada classe no
na resolução espacial das imagens UAS versus imagens do solo
nível de probabilidade de 0,05 usando a diferença significativa
causou a mistura de pixels e, portanto, menos resolução para
honesta de Tukey, indicando a variação explicada pelo escore
representar mudanças sutis de folhas individuais se tornando
IDC na biomassa da parcela.
cloróticas.
Para este estudo, uma trajetória de vôo foi escolhida para cobrir
A pontuação baseada em imagem UAS pode detectar
uma grande área dentro de uma bateria de UAS, e para limitar a
diferenças entre as linhagens
variação no posicionamento do sol e sombras de nuvens durante o
Outro método para testar a utilidade de pontuações baseadas em
vôo, já que essas variáveis são conhecidas por apresentarem
imagem UAS para seleção e desenvolvimento de variedades é testar se
problemas com aplicativos de análise de imagem. Pesquisas futuras
as pontuações podem diferenciar linhagens de reprodução no campo.
devem ser feitas para testar se um aumento na resolução espacial por
Um método comum para avaliar as diferenças é calcular o LSD para
meio de sensores de câmera aprimorados ou altitudes de vôo mais
comparar o desempenho de linhas de reprodução (ou variedades
baixas melhoraria as habilidades de previsão. Deve-se ter cuidado para
liberadas) em amostras aleatórias típicas
garantir que os voos realizados limitem
Dobbels e Lorenz Métodos de Planta (2019) 15:97 Página 8 de 9

Fig. 4 Um total de 36 ensaios consistindo de linhagens de cultivo de soja, cada uma arranjada em um desenho de bloco completo aleatório no campo, foram analisados usando um
modelo linear para pontuação visual e valores previstos do sistema de aeronave não tripulada (UAS) em ambas as datas (12 de julho e agosto 01). As barras indicam os valores de
diferença mínima significativa (LSD) para separar as pontuações médias das linhagens de cada ensaio no campo. Em 31 dos 36 ensaios na data 1 (superior) e 33 dos 36 ensaios na
data 2 (inferior), o LSD foi diminuído ao usar as pontuações IDC previstas pelo UAS (barras pretas internas no modelo linear em comparação com as pontuações visuais (tracejado
bares externos)

sombreamento causado por parcelas de soja por voar próximo ao
meio-dia solar e que a cobertura de nuvens durante os voos seja
consistente - cobertura total de nuvens ou nenhuma cobertura de
nuvens é o ideal. O sistema apresentado neste artigo reduziu o tempo
de voo voando em uma altitude mais elevada e permitirá aos
pesquisadores obter uma avaliação temporal muito mais alta da
gravidade do IDC, bem como a capacidade de avaliar mais parcelas em
qualquer estação de cultivo.
Além disso, as matrizes de confusão mostram que muitas das
pontuações classificadas incorretamente são principalmente entre
classes próximas. Se um criador simplesmente deseja selecionar contra
pontuações de 4 ou 5, por exemplo, as pontuações baseadas em
imagem UAS seriam muito adequadas para fins de reprodução. Para
testar isso, as pontuações de 4 e 5 foram agrupadas como "alto
estresse" e as pontuações de 1, 2 e 3 foram agrupadas como "baixo
estresse". A precisão geral do modelo de floresta aleatório em colocar
corretamente as entradas nessas duas categorias foi de 89%.
Um cuidado final que os pesquisadores devem considerar
ao empregar imagens UAS para detecção de IDC é que outras
tensões da soja ou variáveis de campo podem imitar IDC
sintomas detectados por análises de imagens. Um importante fator biótico
para a produção de soja, por exemplo, é o nematóide do cisto da soja.
Parcelas de pesquisa podem apresentar retardo de crescimento e clorose
pela presença de nematóides, que podem ser classificados como suscetíveis
a IDC usando este sistema. Além disso, ervas daninhas saudáveis no campo
seriam detectadas por este sistema como vegetação saudável e, portanto,
parcelas saudáveis. Essas precauções foram abordadas pela seleção do local
com estressores limitados conhecidos fora do alvo e pelo controle adequado
de ervas daninhas antes de todos os voos do UAS, e devem ser consideradas
pelos pesquisadores que desejam empregar esta tecnologia.
Conclusões
Neste estudo, alcançamos alta eficiência na coleta de dados com
voos UAS autônomos, mais de 77% de precisão na classificação de
gráficos em uma escala de gravidade de 1 a 5 e confiança neste
sistema para avaliação de IDC por meio de uma redução média
nos valores de LSD em uma série de ensaios experimentais. Este
método é de alto rendimento, objetivo e mais preciso do que o
visual tradicional baseado em solo
Dobbels e Lorenz Métodos de Planta (2019) 15:97
Assessments. Além disso, permite que os pesquisadores coletem
informações de mais parcelas em um determinado ano e com
uma frequência temporal muito maior do que antes.
Abreviações
IDC: clorose por deficiência de ferro; UAS: sistema de aeronave não tripulada; NIR: infravermelho
próximo; HTP: fenotipagem de alto rendimento; LSD: diferença mínima significativa.
Reconhecimentos
Agradecemos ao United Soybean Board e ao Minnesota Soybean Research and
Promotion Council pelo financiamento desta pesquisa. Além disso, agradecemos aos
membros do Laboratório Lorenz da Universidade de Minnesota por ajudar a plantar,
gerenciar parcelas de campo e fazer medições de campo, especialmente Arthur Killam e
Rafael Echenique. O espaço de campo foi fornecido por Patrick e Mike O'Leary.
Contribuições dos autores
Todos os autores fizeram contribuições significativas para esta pesquisa. AD e AL
conceberam as ideias de pesquisa e projetaram os experimentos. AD coletou os
dados, conduziu a análise dos dados e redigiu o manuscrito. AL editou e revisou o
manuscrito. Ambos os autores leram e aprovaram o manuscrito final.
Disponibilidade de dados e materiais
As imagens UAS e os dados de sensoriamento remoto usados neste estudo estão disponíveis
mediante a aprovação de Aaron Lorenz do Departamento de Agronomia e Genética Vegetal da
Universidade de Minnesota. Os dados de gravidade do IDC baseados em solo neste estudo estão
disponíveis mediante a aprovação de Aaron Lorenz do Departamento de Agronomia e Genética de
Plantas da Universidade de Minnesota.
Consentimento para publicação
Todos os autores concordaram em publicar este manuscrito.
Interesses competitivos
Os autores declaram não ter interesses conflitantes.
Recebido: 28 de fevereiro de 2019 Aceito: 2 de agosto de 2019
Referências
1. Peiffer GA, King KE, Severin AJ, May GD, Cianzio SR, Lin SF, et al. Identificação de genes
candidatos subjacentes a um locus de característica quantitativa de eficiência de
ferro em soja. Plant Physiol. 2012; 158: 1745–54.
2. Hansen NC, Schmitt MA, Andersen JE, Strock JS. Deficiência de ferro da soja
no alto meio-oeste e propriedades do solo associadas. Agron J. 2003; 95
(6): 1595–601.
3. Hänsch R, Mendel RR. Funções fisiológicas de micronutrientes minerais (Cu,
Zn, Mn, Fe, Ni, Mo, B, Cl). Curr Opin Plant Biol. 2009; 12 (3): 259–66.
4. Silva J, Uchida R. Nutrientes essenciais para o crescimento das plantas: funções dos
nutrientes e sintomas de deficiência. In: Manejo de nutrientes de plantas nos solos
do Havaí, abordagens para agricultura tropical e subtropical. 2000. p. 31–55.
5. Brown JC, Weber CR, Caldwell BE. Uso eficiente e ineficiente de ferro por dois
genótipos de soja e suas isolinhas. Agron J. 1967; 59: 459–62.
6. De Cianzio SR, Fehr WR, Anderson IC. Avaliação genotípica da clorose por
deficiência de ferro em soja por meio de escores visuais e concentração de
clorofila. Crop Sci. 1979; 19: 644–6.
7. Rogovska NP, Blackmer AM, Mallarino AP. Relações entre o rendimento da soja, o pH
do solo e a concentração de carbonato no solo. Soil Sci Soc Am J. 2007; 71 (4): 1251–
6.
8. Inskeep WP, Bloom PR. Fatores químicos do solo associados à clorose da soja
em Calciaquolls do oeste de Minnesota. Agron J. 1987; 79: 779 ± 86.
9. Franzen DW, Richardson JL. Fatores do solo que afetam a clorose de ferro da soja no
vale do rio vermelho de Dakota do Norte e Minnesota. J Plant Nutr. 2008; 23 (1): 67–
78.
Página 9 de 9
10. Morris DR, Loeppert RH, Moore TJ. Fatores indígenas do solo que influenciam a
clorose férrica da soja em solos calcários. Soil Sci Soc Am J. 1990; 54: 1329 ±
36.
11. Vasconcelos MW, Grusak MA. Parâmetros morfofisiológicos que afetam a clorose
por deficiência de ferro na soja (Glycine max EU.). Solo de planta. 2014; 374: 161–
72.
12. Jeong J, Connolly EL. Mecanismos de absorção de ferro em plantas: funções da
família FRO de redutases férricas. Plant Sci. 2009; 176 (6): 709–14.
13. Kaiser DE, Lamb JA, Bloom PR. Gerenciando a clorose por deficiência de ferro na
soja. Univ Minnesota Ext. 2011
14. Naeve SL. Clorose por deficiência de ferro na soja: taxa de semeadura da soja e
efeitos da cultura companheira. Agron J. 2006; 98 (6): 1575–81.
15. Lucena JJ, Hernandez-Apaolaza L. Nutrição de ferro em plantas: uma visão geral. Solo de
planta. 2017; 418: 1–4.
16. Goos RJ, Johnson BE. Uma comparação de três métodos para reduzir a clorose por
deficiência de ferro em soja. Agron J. 2000; 92 (6): 1135 ± 9.
17. Naik HS, Zhang J, Lofquist A, Assefa T, Sarkar S, Ackerman D. Uma estrutura de fenotipagem
em tempo real usando aprendizado de máquina para classificação de severidade de
estresse de planta em soja. Métodos de planta. 2017; 13: 23.
18. Singh A, Ganapathysubramanian B, Singh AK, Sarkar S. Aprendizado de máquina
para fenotipagem de estresse de alto rendimento em plantas. Trends Plant Sci.
2016; 21 (2): 110–24.
19. Bai G, Jenkins S, Yuan W, Graef GL, Ge Y. Pontuação baseada em campo da clorose por
deficiência de ferro de soja usando imagem RGB e aprendizagem estatística. Front Plant Sci.
2018; 9: 1–12.
20. Araus JL, Cairns JE. Fenotipagem de alto rendimento em campo: a nova fronteira de
melhoramento de culturas. Trends Plant Sci. 2014; 19 (1): 52–61.
21. Dhondt S, Wuyts N, Inzé D. Cell para a fenotipagem de planta inteira: o melhor
ainda está por vir. Trends Plant Sci. 2013; 18 (8): 428–39.
22. Haghighattalab A, González Pérez L, Mondal S, Singh D, Schinstock
D, Rutkoski J, et al. Aplicação de sistemas aéreos não tripulados para fenotipagem de alto
rendimento de grandes viveiros de reprodução de trigo. Métodos de planta. 2016; 1: 12–35.
23. Yu N, Li L, Schmitz N, Tian LF, Greenberg JA, Diers BW. Desenvolvimento de métodos para
melhorar a estimativa da produtividade da soja e prever a maturidade da planta com uma
plataforma baseada em veículo aéreo não tripulado. Remote Sens Environ. 2016; 187: 91–
101.
24. Xavier A, Salão B, Hearst AA, Cherkauer KA, Rainey KM. Arquitetura genética da
cobertura do dossel com função fenômica em glycine max. Genética. 2017; 206:
1081–9.
25. Mamidi S, Lee RK, Goos JR, McClean PE. Estudos de associação do genoma identificam
sete regiões principais responsáveis pela clorose por deficiência de ferro na soja (
Glycine max) PLoS ONE. 2014; 9 (9): 1–13.
26. Breiman L. Florestas aleatórias. Mach Learn. 2001; 45 (1): 5-32.
27. Bauckhage C, Kersting K. Data mining e reconhecimento de padrões na agricultura.
Künstl Intell. 2013; 27: 313–24.
28. Wahabzada M, Mahlein A, Bauckhage C, Steiner U. Metro maps of plant disease
dynamics - mineração automatizada de diferenças usando imagens hiperespectrais.
PLoS ONE. 2015; 1: 20.
29. Karcher DE, Richardson MD. Análise em lote de imagens digitais para avaliar as
características do gramado. Crop Sci. 2005; 45: 1536–9.
30. Neely L, Rana A, Bagavathiannan MV, Henrickson J, Putman EB, Popescu
S, et al. Veículos aéreos não tripulados para fenotipagem de alto rendimento e
pesquisa agronômica. PLoS ONE. 2016; 7 (11): 1–26.
31. Holman FH, Riche AB, Michalski A, Castle M, Wooster MJ, Hawkesford MJ. Fenotipagem de
campo de alto rendimento da altura da planta de trigo e taxa de crescimento em ensaios de
parcelas de campo usando sensoriamento remoto baseado em UAV. Rem Sens Environ.
2016; 8 (12): 1–24.
32. Zhang J, Naik HS, Assefa T, Sarkar S, Reddy RVC. Visão computacional e
aprendizado de máquina para fenotipagem robusta em estudos de genoma. Sci
Rep. 2017; 7: 1–11.
Nota do editor
A Springer Nature permanece neutra em relação a reivindicações jurisdicionais em
mapas publicados e afiliações institucionais.