PLANFORSLAG FOR ATRIET SONEINNDELING

de Imagens

Os mapas de densidade de sementes e cobertura foliar, estimados por Krigagem, são tratados como imagens. A cultura é dividida em n células de tamanho p × p metros por eixo, com p a distância de interpolação selecionada. Uma matriz A de dimensão n_{× n formada pelos valores das intensidades de cada célula da cultura, é então obtida,} associada às imagens. Para reduzir o esforço computacional, a distância de interpolação p é escolhida significativamente menor que o alcance do variograma.

Objetos identificados na matriz A fornecem atributos para a infestação e são obtidos como segue. Primeiramente estipula-se os limitantes de cada uma das 3 intensidades da matriz A, começando pelo mínimo valor de intensidade encontrado e terminando pelo máximo. São escolhidas 3 intensidades de acordo com o número de condições dos

atributos. Desta forma, gera-se uma matriz I, cujos elementos são 0, 1 ou 2, formando diferentes objetos. Estes, mesmo podendo apresentar a mesma intensidade,podem con- stituir objetos diferentes da imagem. Em seguida, para identificar os objetos conec- tados adota-se um modelo de vizinhança 4-conectado (Gonzalez e Woods, 2000) para a agregação de cada pixel a um objeto. Este modelo é implementado primeiramente convertendo-se a matriz I em uma matriz binária denotada I1. Então, os 4 vizinhos mais próximos de um pixel são analisados e os que possuírem o mesmo valor, 0 ou 1, são agregados. Finalmente, os objetos conectados são rotulados e organizados em uma matriz denotada J, também de dimensão n × n, representada em escala de cinza, cujos elementos são valores inteiros maiores ou iguais a 0. Os pixels rotulados como 0 constituem um objeto conectado, os rotulados como 1 constituem um segundo objeto conectado, e assim por diante.

Seja A a matriz cujos elementos foram estimados por Krigagem e NumGrupos o número de grupos de intensidade desejado (quantização), o algoritmo proposto para a determinação do número de objetos conectados associados aos mapas é dado a seguir.

6.2.1 Algoritmo para Extração de Objetos Conectados

Entradas:

A: Mapa de intensidades

NumGrupos: Níveis de quantização Saída:

J: Rótulos dos objetos conectados Inicialize

1. _{I(i,j)← 0; I1(i,j)← 0; NumObjetos← 0; NumObjetos0← -1} NumElementosPixelLista← 0

2. _{RangeGrupo ← (MaxA-MinA)/NumGrupos} 3.PARA k=0 até NumGrupos

grupo(k+1)← MinA+k*RangeGrupo /* Obter matriz I */

4.PARA i=1 até NumLinhasA; j=1 até NumColunasA PARA k=0 até NumGrupos-1

MinGrupo← MinA+k*RangeGrupo; MaxGrupo← MaxA+(k+1)*RangeGrupo I(i,j)← k; k← NumGrupos

SE A(i,j)>=MaxGrupo; I(i,j)← k /* Converter I em uma matriz binária I1*/ 5. PARA k=0 até NumGrupos-1

PARA i=1 até NumLinhasA; j=1 até NumColunasA

SE I(i,j)=k; I1(i,j)← 1; SENÃO I1(i,j)← 0 /*Obter J a partir de I1 para o modelo 4-conectado */ 6. PARA i=1 até NumLinhasA; j=1 até NumColunasA

SE I1(i,j)6= 0

SE os pixels de J que pertencem aos objetos vizinhos de J(i,j) não possuem rótulo ENTÃO NumObjetos ← NumObjetos + 1 J(i,j) ← NumObjetos

SENÃO

SE oa pixels rotulados de J na vizinhança de J(i,j)

têm o mesmo rótulo ENTÃO J(i,j)← Rótulo do vizinho de J(i,j) SENÃO

NumObjetos ← NumObjetos + 1; J(i,j) ← NumObjetos NumElementosPixelLista ← NumElementosPixelLista + 1 ElementosPixelLista(NumElementosPixelLista,1) ← i ElementosPixelLista(NumElementosPixelLista,2) ← j 7. PARA n=1 até NumElementosPixelLista

Atribua aos pixels de J na vizinhança de

J(ElementosPixelLista(n,1),ElementosPixelLista(n,2)) o mesmo rótulo de J(ElementosPixelLista(n,1),ElementosPixelLista(n,2)) FIM

6.2.2 Cálculo dos Atributos da Infestação

Os atributos da infestação por plantas daninhas são entradas do sistema de classificação fuzzy e a saída deste sistema fornece o risco de infestação por plantas daninhas de cada região considerada da cultura. O procedimento para a obtenção dos valores dos υj, j = 1, 2, 3, 4 atributos em cada região é descrito a seguir.

υ1: O atributo da cobertura foliar por região é obtido a partir da média ponderada

entre as intensidades da matriz I correspondentes aos objetos conectados, identificados no mapa de cobertura foliar, e o número de pixels ocupados por estes em cada região. Do ponto de vista da distribuição das reboleiras, o pior caso seria uma só reboleira preenchendo todos os pixels da região, representando 100% de ocupação.

υ2: O atributo da densidade de sementes por região, associado à produção de se-

mentes, é obtido a partir da média ponderada entre as intensidades da matriz I corre- spondentes aos objetos conectados, identificados no mapa de densidade de sementes, e o número de pixels ocupados por estes, pois cada região pode conter vários objetos que representam uma mesma densidade.

υ3: O atributo da extensão média dos agrupamentos de sementes em cada região

é obtido a partir da média ponderada do número de células ocupadas por cada objeto por região. A extensão média se refere ao tamanho dos objetos cujos pixels contêm valores de densidades de sementes. Se um determinado valor de densidade de sementes estiver ocupando uma grande parte da região, isto é, grande número de pixels, então este objeto, constituído por estes pixels, terá maior influência no cálculo da extensão dos objetos em cada região, através da média ponderada.

υ4: O atributo da competitividade das plantas daninhas presentes em cada região

pode ser obtido considerando a porcentagem de ocupação de gramíneas em cada região (dados simulados) ou a partir de um sistema neurofuzzy (dados coletados na cultura). Determinadas espécies de plantas daninhas, como as do tipo folha estreita (gramíneas), possuem alta capacidade de produção de sementes, compete com os nutrientes da cultura e portanto, são agressivas à mesma. Se um determinado valor de densidade de sementes for baixo, por exemplo, e apresentar uma cobertura foliar densa, indica que esta espécie de planta daninha apresenta alta proliferação, contribuindo para aumentar o nível de infestação da cultura.

Os Atributos υ1 - υ3 são obtidos diretamente a partir de dados da infestação por

plantas daninhas, normalizados entre [0 1] e então representados na forma de mapas. O Atributo υ4, que trata da competitividade das plantas daninhas presentes em cada

região, não pode ser inferido diretamente e pode ser obtido considerando a porcentagem de ocupação de gramíneas em cada região, o que foi aplicado aos dados simulados, ou a partir de um sistema neurofuzzy, o que foi aplicado aos dados coletados na cultura.

Neste, a densidade total de plantas e a correspondente proporção de plantas do tipo folha larga e folha estreita são entradas do sistema, pois, dependendo do tipo de folha, a planta daninha pode ser mais ou menos competitiva à cultura. A saída fornecida ao sistema neurofuzzy supervisionado consiste na biomassa das plantas, pois, quanto maior a biomassa da planta daninha, maior sua competitividade com a cultura.

O toolbox ANFIS do MATLAB é utilizado para efetuar o treinamento do sistema neurofuzzy com um sistema de inferência do tipo Sugeno. O método de treinamento da rede neural contida no sistema é um algoritmo baseado em uma abordagem híbrida (Jang, 1993), o qual combina o método backpropagation com o método dos mínimos quadrados. O conjunto de dados no editor ANFIS deve ser uma matriz com dados de entrada arranjados como vetores. A última coluna desta matriz deve apresentar os dados de saída. O conjunto de dados deve ser particionado em dois subconjuntos: de treinamento e de teste. Os dados do subconjunto de treinamento, geralmente 80% dos dados disponíveis, são utilizados para o treinamento da rede, cujo objetivo é o ajuste das funções de pertinência. Os dados do subconjunto de teste, geralmente 20% dos dados disponíveis, são utilizados para avaliar se a rede está generalizando de forma satisfatória. Este procedimento é denominado validação cruzada. A diferença entre a saída desejada, que é fornecida ao sistema, e a saída estimada pela rede é chamada de resíduo. Para avaliar o desempenho do sistema neurofuzzy, a análise dos resíduos é feita no subconjunto de teste, já que os dados de treinamento já foram utilizados no processo de ajuste das funções de pertinência.