discriminação entre estágios nutricionais na cultura do trigo com técnicas de visão artificial e medidor portátil de clorofila machine vision techniques and multivariate classifiers for nitrogen fertilization doses discrimination in wheat

O ajuste da adubação nitrogenada é um tema que suscita preocupações econômicas e ambientais em todo o mundo. Isso decorre da elevada resposta das culturas, especialmente gramíneas, ao nitrogênio e da falta de métodos adequados de quantificação de sua disponibilidade no solo. Com o objetivo de avaliar a discriminação de três estágios nutricionais na cultura do trigo, foram utilizadas imagens digitais e um medidor portátil de clorofila (SPAD -502). Os dados foram coletados em três épocas (8; 14 e 20 dias após a adubação nitrogenada em cobertura - DAA), em parcelas de trigo submetidas a três doses de N (0; 30 e 60 kg ha-1). As imagens foram processadas para desenvolvimento dos classificadores multivariados, utilizando-se de nove índices espectrais com as combinações dos valores médios dos "pixels". Os dados de clorofila e N foliar foram utilizados para desenvolver classificadores univariados. Verificou-se que o sistema de visão artificial foi mais eficiente que o SPAD aos 8 DAA. Aos 14 e 20 DAA, a classificação univariada com os dados SPAD foi equivalente aos classificadores com dados de imagens. Com a utilização das imagens digitais, foi possível discriminar os estágios nutricionais oito dias após a primeira adubação nitrogenada em cobertura.
Sidedress nitrogen fertilization is currently discussed throughout the world due to its economical and environmental implications. The cereal crops strongly respond to N application and there is a lack of current methods to determine N availability on the soil. The aim of this work was to evaluate the discrimination among three nutritional levels in wheat crop using digital images and a portable chlorophyll meter. Data were collected in plots with three levels of N (0; 30 and 60 kha-1) in three dates (8; 14 and 20 days after sidedress fertilization). The images were processed using nine spectral indices and elaborated multivariate classifiers based on the mean pixel values. The chlorophyll data and leaf nitrogen concentration were used in univariate classifiers. The classification using the machine vision techniques were better than the chlorophyll meter (SPAD) at 8 DAF, since the Kappa coefficient was better than a random classification. At 14 and 20 DAF there were no statistical differences between this type of data and the data from images. Using digital images it was possible discriminate the nutritional levels eight days after sidedress fertilization.