Detecção de ataque por insetos-praga em plantios de Eucalyptus spp. por meio de indíces de vegetação
DOI:
https://doi.org/10.55905/oelv21n9-054Keywords:
monitoramento, segmentação, acurácia, índice de Kappa, sensoriamento remotoAbstract
Insetos-praga são os principais causadores de prejuízos econômicos em reflorestamentos florestais com espécies de eucalipto. O monitoramento feito através de visitas a campo é oneroso e em diversas ocasiões ineficiente. Este trabalho teve o objetivo de avaliar os índices de vegetação como classificadores de reflorestamentos com ataque de insetos-praga. Foi realizado um levantamento aéreo e visitas a campo para a classificação de pontos sadios e atacados. Foram obtidas imagens de satélites do Skysat, estas foram segmentadas e aplicados índices de vegetação sendo as áreas então classificadas na segmentação como sadias e atacadas. Para avaliarmos a classificação dos índices foi usado a matriz de confusão, sendo utilizado as métricas de acurácia e do índice de Kappa. O Normalized Difference Vegetation Index (NDVI) e o Soil Ajusted Vegetation Index (SAVI) obtiveram os melhores resultados de acurácia e do índice de Kappa. A combinação dos índices de vegetação com a segmentação se revela eficaz na detecção e avaliação de árvores ou áreas afetadas por pragas florestais.
References
ACHARYA, T.; RAY, A. K. Image processing, principles and applications. New Jersey: John Wiley and Sons, Inc. 2005.
AGRESTI, A. Categorical data Analysis, 2nd edition. Joh Wiley and Sons, 2002.
BAATZ, M.; SCHÄPE, A. “Multiresolution segmentation: an optimization approach for high quality multi-scale image segmentation”. In: XII Angewandte Geographische Informationsverarbeitung, Wichmann-Verlag, Heidelberg, 2000.
BARRY, K. M. et al. Consequences of resource limitation for recovery from repeated defoliation in Eucalyptus globulus Labilladière. Tree Physiology, Oxford, v. 32, n. 1, p. 24-35, dez. 2011
Bhandari, S. K., Veneklaas, E. J., McCaw, L., Mazanec, R., & Renton, M. (2021). Investigating the effect of neighbour competition on individual tree growth in thinned and unthinned eucalypt forests. Forest Ecology and Management, 499, 119637.
BOLFE, E.L.; FONSECA, E.L.; PEREIRA, R.S.; MADRUGA, P.R.A. Verificação da exatidão em classificação digital de povoamentos florestais em imagem orbital mediante três índices. In: Simpósio Brasileiro de Sensoriamento Remoto, 11, 5-10 abr. 2003. Belo Horizonte. Anais.São José dos Campos: INPE, 2003. p. 2671 - 2677.
BRADSHAW, A. C. Examining the relationship between vegetation indices derived from unmanned aerial vehicle (UAV) and planetscope high resolution satellite imagery in a southern african drylands ecosystem. University of North Carolina. Wilmington Wilmington, North Carolina. 2019.
CHAVES, A. A.; La SCALEA, R. A.; COLTURATO, A. B.; KAWABATA, C. O.; FURTADO, E. L.; BRANCO, K. R. L. J. C. Uso de VANT’s e processamento digital de imagens para a quantificação de áreas de solo e de vegetação. Anais. XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil. INPE. 2015.
CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices. New York: Lewis Publishers, 1998. 137p.
DEFINIENS IMAGING. eCognition: user guide. 2008, 305 p.
FISCHBEIN, D.; CORLEY, J. C. Population ecology and classical biological control of forest insect pests in a changing world. Forest Ecology and Management, v. 520, p. 120400, 2022.
FIGUEIREDO, S. M. M.; CARVALHO, L. M. T. Avaliação da precisão de classificação de árvore de decisão para mapear a capa de terra em Capixaba, Acre. CERNE, v. 12, n. 1, p. 038-047, set. 2015. ISSN 2317-6342. Disponível em: < http://cerne.ufla.br/site/index.php/CERNE/article/view/397 >. Data de acesso: 20/04/2020.
GALVANIN, E. A. S.; NEVES, S. M. A. S.; CRUZ, C. B. M.; NEVES, R. J.; JESUS, P. H. H.; KREITLOW, J. P. Avaliação dos índices de vegetação NDVI, SR e TVI na discriminação de fitofisionomias dos ambientes do pantanal de Cáceres/MT. Ciência Florestal, v. 24, p. 707-715, 2014.
GITELSON, A.A.; KAUFMAN, Y.J.; STARK, R. et al. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, v.80, p.76-87, 2002.
HUETE, A. R. A. Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment. 25:295-309. 1988.
IEDE, E. T. Manejo integrado de pragas florestais. Embrapa Florestas, 2012. Disponível em: <https://ainfo.cnptia.embrapa.br/digital/bitstream/item/66935/1/EdsonT-CFP-Manejo.pdf>. Acesso em:30/11/2019
JIANG, Z. et al. Development of a two-band enhanced vegetation index without a blue band. Remote sensing of Environment, v. 112, n. 10, p. 3833-3845, 2008.
KAVZOGLU, T.; TONBUL, H. An experimental comparison of multi-resolution segmentation, SLIC and K-means clustering for object-based classification of VHR imagery. International journal of remote sensing, v. 39, n. 18, p. 6020-6036, 2018.
KARNIELI, A. et al. Temporal dynamics of soil and vegetation responses in a semi-arid environment. International Journal of Remote Sensing, v.23, n.19, p.4073-4087, 2002.
LIMA, D. R. M. DLUGOSZ, F. L.; IURK, M. C.; PESCK, V. A. Uso de NDVI e SAVI para Caracterização da Cobertura da Terra e Análise Temporal em Imagens RapidEye. Revista ESPACIOS. ISSN 0798 1015 Vol. 38 (Nº 36). 2017
MARCUSSI, A. B.; BUENO, C. R. P.; MIQUELONI, D. P.; ARRAES, C. L. Utilização de Índices de Vegetação para os Sistemas de Informação Geográfica. Caminhos de Geografia (UFU), v. 11, p. 41-53, 2010.
MOLIN, J.P. 2011. Agricultura de Precisão. In: Ministério da Agricultura, pecuária e abastecimento, Secretaria de desenvolvimento agropecuário e cooperativismo, Brasília. Boletim Técnico. 2011.
PIRAGNOLO, M.; LUSIANI, G.; PIROTTI, F. Comparison of vegetation indices from RPAS and Sentinel-2 imagery for detecting permanent pastures. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2018
PONZONI, F. J.; SHIMABUKURO, Y. E. Sensoriamento Remoto no Estudo da Vegetação. São José dos Campos: Parêntese, 2010.
ROUSE, J. W.; HAAS, R. H.; SCHELL, J. A.; DEERING, D. W. Monitoring vegetation systems in the great plains with ERTS. In: Third ERTS Symposium, Proceedings, NASA SP-351, NASA, Washignton, DC, v. 1, p. 309-317, 1973.
SANTOS, C. J.; SOUZA, V. G. B.; MAYRINK, V. T. M.; HIPPERT, H. S.; VIEIRA, M. T. Classificadores binários, políticas públicas sociais e dados desbalanceados. Revista de Informática Aplicada. v. 13, n. 1, p. 35-50, 2017.
SIBANDA, M.; MUTANGA, O.; ROUGET, M. Examining the potential of Sentinel-2 MSI spectral resolution in quantifying above ground biomass across different fertilizer treatments”. Journal of Photogrammetry and Remote Sensing. 2015
SOLIMAN, E. P. Sistema de proteção contra as pragas florestais. Revista Opiniões, ano 14, nº 46. Divisão F, dez-fev 2017. Disponível em:< https://florestal.revistaopinioes.com.br/revista/detalhes/11-sistema-de-protecao-contra-pragas-florestais/>. Acesso em:01/12/2019
VAFAEI, S.; SOOSANI, J.; ADELI, K.; FADAEI, H.; NAGHAVI, H.; PHAM, T. D.; BUI, D. T. Improving accuracy estimation of Forest Aboveground Biomass based on incorporation of ALOS-2 PALSAR-2 and Sentinel-2A imagery and machine learning: A case study of the Hyrcanian forest area (Iran). Remote Sensing 10.2 .2018
WILCKEN, C.F. Novas pragas ameaçam a cultura do eucalipto. 2008. Artigo em Hypertexto. Disponível em: <http://www.infobibos.com/Artigos/2008_4/eucalipto/index.htm>. Acesso em: 22/11/2019.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 OBSERVATÓRIO DE LA ECONOMÍA LATINOAMERICANA
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
