Uso de veículo aéreo não tripulado como alternativa para avaliação do estado nutricional da cultura do algodão

• Jonathan Espinoza Maestría en Ingeniería Agrícola, Instituto de Postgrado, Universidad Técnica de Manabí, Ecuador. https://orcid.org/0000-0002-8764-1972
• Henry Pacheco Facultad de Ingeniería Agrícola, Universidad Técnica de Manabí, Ecuador. https://orcid.org/0000-0002-9997-9591

Palavras-chave: EBEE SQ, Sequoia, número de clorofila, multiespectral, espectro visível

Resumo

A utilização de veículos aéreos não tripulados em estudos fotogramétricos permite a obtenção de dados espaciais em curtos períodos de tempo e com alta resolução espacial. Na pesquisa, imagens multiespectrais foram processadas para o estudo das condições nutricionais da cultura do algodão (Gossypium hirsutum). Foi desenvolvido um delineamento experimental da cultura, com diferentes doses e fontes de nitrogênio, em arranjo fatorial com 16 tratamentos e 4 repetições em parcelas totalmente distribuídas ao acaso. Foi utilizado o drone agrícola EBEE SQ, equipado com a câmera Parrot Sequoia, e planejado um voo fotogramétrico, com o software Emoticon AG, que foi sincronizado com o drone para estabelecer os parâmetros de voo e capturar as informações de refletância do espectro visível., borda infravermelha e vermelha. As imagens capturadas foram processadas com o software PIX4D Mapper para gerar a ortofoto e as 4 bandas espectrais utilizadas no cálculo do índice de clorofila. Usando ferramentas de álgebra de mapas do software ArcGIS nos resultados obtidos, uma análise de variância foi realizada com o modelo ANOVA. Com os índices calculados foi possível mostrar diferenças no vigor da cultura em função dos tratamentos. A análise dos resultados mostrou diferenças significativas na resposta espectral da cultura do algodão fertilizado com diferentes fontes (uréia, torta de pinhão, esterco de galinha e esterco bovino) e doses de nitrogênio (50, 100, 150 e 200 N kg.ha^-1). O tratamento com uréia na dose de 150 N kg.ha^-1 apresentou a melhor resposta espectral.

Referências

ArcGIS. (2020). Conjunto de herramientas de Álgebra de mapas. https://bit.ly/30SDu5a.
Bartesaghi, C., Osmond, P., Peters, A. & Matthias, I. (2018). Understanding land surface temperature differences of local climate zones based on airborne remote sensing data. Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(8), 2724-2730. https://bit.ly/3dtBLWZ.
Burbano, C., y Peñaranda, G. (2020). Breve visión de los aspectos evolutivos de la agricultura de precisión como herramienta de gestión. Lumen Gentium, 4(1), 57-67. https://bit.ly/3cFg2v9.
Karydas, C., Latrou M., Kouretas, D., Patouna, A., Latrou G., Lazos, N., Gewehr, S., Tseni X., Tekos F., Zartaloudis, Z., Mainos, E. & Mourelatos, S. (2020). Prediction of antioxidant activity of cherry fruits from UAS multispectral imagery using machine learning. Journal of Antioxidants, 9(2), 156. Disponible en: https://bit.ly/3r29L4O.
Kharuf-Gutierrez, S., Hernández-Santana, L., Orozco-Morales, R., Díaz, A., y Delgado Mora, I. (2018). Análisis de imágenes multiespectrales adquiridas con vehículos aéreos no tripulados. Ingeniería Electrónica Automática y Comunicaciones, 39(2), 79-91. https://bit.ly/3xoq3Gr.
Ledesma M., Rodríguez C., Ledesma, C., Bonansea, M., Pinotti, L. P., Scavuzzo, C. M., y Ferral, A. (2020). Análisis de la distribución temporal de la concentración de Clorofila-a en el embalse Río Tercero, Córdoba, Argentina. Ab Intus, 3(5), 83-87. https://bit.ly/30P6NWX.
Macías-Duarte, R., Grijalva-Contreras, R. L., Robles-Contreras, F., Núñez-Ramírez, F., Cárdenas-Salazar, V. A., & Mendóza-Pérez, C. (2021). SPAD index, nitrates, and sorghum yield in response to nitrogen supply. Agronomía Mesoamericana, 32(1), 293-305. https://bit.ly/3DPU3O2.
Marín, J., Betancur, L., y Arguello, H. (2018). Modelo de muestreo comprimido multiespectral para radio cognitiva. Ingeniare. Revista chilena de Ingeniería, 26(2), 225-240. https://bit.ly/3l2WAx0.
Parrot Drone SAS. (2020). Manual, soporte y accesorio de uso de cámaras multiespectrales. Disponible en: https://bit.ly/3FyUwVc.
Pix4D SA. (2019). Pix4D Mapper. https://bit.ly/3nJgcrs.
Prando, A., Souza, T., de Oliveira, A., & Zucareli, C. (2019). Produtividade, índice de vegetação e clorofila de trigo em resposta à inoculação com Azospirillum brasilense e adubação nitrogenada em cobertura. Cultura Agronômica, 28(3), 329-342. https://bit.ly/3CFDSBq.
Xu, M., Liu, R., Chen, J., Liu, Y., Shang, R., Ju, W., Wu, Ch. & Huang, W. (2019). Retrieving leaf chlorophyll content using a matrix-based vegetation index combination approach. Remote Sensing of Environment, 224, 60-73. https://bit.ly/3pME11F.
Zhou, X., Huang, W., Kong, W., Ye, H., Dong, Y. & Casa, R. (2017). Assessment of leaf carotenoids content with a new carotenoid index: Development and validation on experimental and model data. International journal of Applied Earth Observation and Geoinformation, 57(5), 24-35. https://bit.ly/3Eux1wf.
Zhou, X., Huang, W., Zhang, J., Kong, W., Casa, R., & Huang, Y. (2019). A novel combined spectral index for estimating the ratio of carotenoid to chlorophyll content to monitor crop physiological and phenological status. International Journal of Applied Earth Observation and Geoinformation, 76(3), 128-142. https://bit.ly/3IptC46.