Dados não convencionais aplicados a experimentos...
Transcript of Dados não convencionais aplicados a experimentos...
Dados não convencionais aplicados a experimentos agrícolas1
Monica Tissiani De Toni Pereira¹, Cristiano Rescke Lajus1, Luciano Luiz Silva1, Radamés
Pereira1, Gean Lopes da Luz1
1Área de Ciências Exatas e Ambientais, Universidade Comunitária da Região de Chapecó –
Unochapecó, Chapecó, SC, Brasil, [email protected], [email protected],
[email protected], [email protected], [email protected]
RESUMO
Entre as diversas técnicas aplicadas a agricultura de precisão está a clorofilometria, pois a
coloração das folhas é indicador importante para aumentar a precisão no processo de recomendação
de adubação nitrogenada para cereais. A determinação de clorofila pode ser realizada por meio de
testes laboratoriais, por dispositivos eletrônicos chamados clorofilômetros ou ainda por imagens
digitais, além da usual cartela de cores.
Para este estudo, se propõe a criação de um sistema de banco de dados, baseado no sistema
gerenciador de banco de dados relacional PostgreSQL, de forma que se utilizem dados
convencionais de diversos tipos, como identificadores e descrições de propriedades e plantas,
agregados a dados não convencionais, georreferenciados, temporais de clima, solo e por fim, um
banco de imagens de plantas, que serão analisadas em experimentos específicos para o estudo da
clorofilometria em híbridos de milho. Produziu-se então um modelo de banco de dados a fim de
gerar um cadastro, através do qual se possa fazer análises de médio e longo prazo, a partir de dados
e experimentos realizados em híbridos de milho.
PALAVRAS-CHAVE: Bancos de dados, Clorofilometria, Processamento de imagens.
ABSTRACT
Among the various techniques applied at precision agriculture is the detemination of the
content chlorophyll, because the color of leaves is important to increase the accuracy of the
1 Pesquisa do Programa de Pós-Graduação em Tecnologia e Gestão da Inovação - UNOCHAPECÓ
recommendation of nitrogen for fertilization of crops. The determination of chlorophyll can be
performed by laboratory tests, for electronic devices or by digital images, in addition to the usual
color chart.
For this study, we propose the creation of a system database manager based on relational
database system PostgreSQL, so if using conventional data of various types, such as identifiers and
descriptions of properties and plants, aggregates the data unconventional, geoespatial data,
temporal data of climate, soil, and finally, an image database of plants, which will be analyzed for
the study of corn hybrids . Then we design a database model to generate a register, through which
one can perform analysis of medium and long term, from data and experiments in maize hybrids.
KEYWORDS: Databases, Image processing, Chlorophyll content.
INTRODUÇÃO
A agricultura do oeste de Santa Catarina se compõem essencialmente de pequenas
propriedades agrícolas, muitas delas dedicadas a produção de milho, em função das demandas das
agroindústrias da região, para a produção de ração. A ração é aplicada em propriedade de integrados
para a produção animal, destinados a indústria agropecuária.
Essas propriedades necessitam de metodologias e ferramentas que deem suporte as atividades
rurais de forma otimizada e com baixo custo, buscando aumentar a produtividade da cultura de
milho e consequentemente a sua competitividade com relação aos produtores de outras regiões do
Brasil e mesmo dos países vizinhos.
A agricultura de precisão – AP tem agregado métodos e tecnologias com a finalidade de
aumentar a produtividade e diminuir os impactos ambientais.
Para Cirani e Moraes (2010) a AP – Agricultura de Precisão “é o gerenciamento da
variabilidade da produção e dos fatores nela envolvidos, realizada por meio de tecnologias recentes
adaptadas para o meio agrícola, com o objetivo de possibilitar a redução do uso de insumos e do
impacto sobre o meio ambiente”.
Em virtude disto a agricultura comercial tem sofrido profundas modificações nos últimos
anos, desencadeadas principalmente pelo emprego da tecnologia no campo, direcionada à
mecanização dos processos, utilização de insumos químicos, sistema de semeadura direta,
biotecnologia e à agricultura de precisão (AP). Os reflexos do uso dessas tecnologias são
observados na produção agrícola nacional em que, na última década, a soja apresentou aumento
médio de produtividade de aproximadamente 14% em comparação com a década anterior (1993 a
2002); já o milho aumentou 38% no mesmo período (CONAB, 2012). Entre as ferramentas da AP
que contribuíram para a evolução dos patamares produtivos se destacam: o uso de instrumentos de
navegação por satélite nas máquinas agrícolas, o mapeamento da variabilidade de fertilidade dos
solos, a aplicação de fertilizantes e corretivos com taxas variáveis, monitoramento instantâneo de
condições de planta, controle georreferenciado de pulverizações e a utilização de mapas de
produtividade (SANTI et al., 2013).
Entre as diversas técnicas aplicadas a agricultura de precisão está a clorofilometria, pois a
coloração das folhas é indicador importante para aumentar a precisão no processo de recomendação
de adubação nitrogenada para cereais. A clorofilometria pode ser realizada por meio de testes
laboratoriais ou por dispositivos eletrônicos chamados clorofilômetros. Tanto uma forma como
outra estão aquém das possibilidades dos agricultores familiares, em função do alto custo de
aplicação da referida tecnologia. Outro método para a determinação do teor de clorofila nas plantas
está a aplicação da cartela de cores, que se aplica distintamente a cada cultura e fenótipos
específicos. No entanto, inexistem escalas de cores de clorofilometria aplicadas a cultura do milho
no estado.
Desta forma, se propõe a criação de um sistema de banco de dados, que agregue dados de
diversos tipos, com dados convencionais como identificadores e descrições de propriedades e
plantas, dados georreferenciados, dados temporais de clima, solo e por fim, um banco de imagens
de plantas, que serão analisadas em experimentos específicos de clorofilometria. Ainda, a intenção
deste estudo é produzir um cadastro, através do qual se possa fazer análises de médio e longo prazo,
a partir de dados e experimentos realizados em híbridos de milho.
MATERIAL E MÉTODOS
Tecnologias de bancos de dados
Os sistemas de bancos de dados estruturam, organizam, armazenam e administram
informações aplicadas a determinados empreendimentos. Atualmente, os sistemas de bancos de
dados convencionais são baseados em sua grande maioria em modelos relacionais. As relações
entre os dados se dá pela estrutura das tabelas e os relacionamentos entre as tabelas são
implementados através de identificadores de linhas, isto é, chaves primárias e estrangeiras. Estas
estruturas aplicam-se adequadamente a diversos tipos de dados, quando se propõem modelos
apropriados.
Diversos gerenciadores de bancos de dados, baseados no modelo relacional, evoluíram suas
estruturas para agregar tipos de dados como objetos, dados temporais, dados multimídia,
compostos por imagens, áudios e vídeos, por exemplo. Estes softwares possibilitam também a
inclusão de tipos de dados como coordenadas cartesianas e coordenadas UTM, com funções já
implementadas para operar sobre geometrias como pontos, retas e polígonos. Entre os softwares
proprietários podemos citar Oracle, MS SQL Server e DB2, entre outros. Entre os de código aberto
e amplamente utilizados estão PostgreSQL e MySQL. Este tipo de funcionalidade tem se mostrado
cada vez mais importante, em função das possibilidades de armazenagem e análise de informações.
Para este trabalho, três tipos de dados de bancos de dados não convencionais são relevantes: dados
temporais, multimídia e georreferenciados.
Banco de dados temporais
Para Santos (2003), os bancos de dados convencionais armazenam informações apenas do
estado atual de um empreendimento, assim, sempre que uma nova informação é introduzida, a
antiga é substituída. No entanto, muitas vezes, é preciso guardar o histórico da evolução dos dados,
de forma que estes dados estejam vinculados a um período de tempo definido. Os bancos de dados
temporais servem a este propósito, pois são adicionados rótulos temporais a dados convencionais.
Entre os aspectos que caracterizam os bancos de dados temporais, está a granularidade dos
dados relacionados as medidas de tempo. Um determinado dado pode ser colhido anualmente,
mensalmente ou ainda a cada segundo, dependendo do tipo de empreendimento. Experimentos
realizados com sensores eletrônicos podem ter um tempo ainda menor, tendo eventos diferentes
acontecendo em unidades menores que um segundo. Atualmente, os sistemas de gerenciadores de
bancos de dados – SGBDs - estão preparados para trabalhar com diferentes tipos de dados para
identificar um instante de tempo, podendo armazenar tipos de dados como date, time e timestamp.
Este último tipo armazena dados de data, hora e outras unidades como microssegundos,
dependendo da implementação do software.
Elmasri e Navathe (2011) afirmam que as aplicações de bancos de dados temporais têm sido
desenvolvidas desde os primeiros dias do uso de bancos de dados. Porém, fica a cargo dos
projetistas e desenvolvedores de aplicação, descobrir, projetar, programar e implementar conceitos
temporais para estes softwares e destacam aspectos relevantes com relação a granularidade e
representação do tempo.
“Para bancos de dados temporais, o tempo é considerado uma sequência ordenada de
pontos em alguma granularidade que é determinada pela aplicação. [...] Os pesquisadores
de banco de dados temporal têm usado o termo crônon em vez de ponto, para descrever a
granularidade mínima para determinada aplicação. ” (ELMASRI; NAVATHE, 2011,
p.636).
Por exemplo, considerando-se um segundo como um crônon, todos os eventos acontecendo
nesta unidade de tempo serão considerados como o mesmo evento, e a definição destas unidades
de tempo devem ser determinadas no projeto das bases de dados, pois podem implicar na
inconsistência das informações.
Para o banco de dados que suportará o projeto em questão, o tipo timestamp é suficiente para
definir as escalas de tempo vinculadas aos demais dados pois contém informações no formato dia,
mês, ano, hora, minuto e segundo. Assim, estas informações estarão vinculadas a outras de
condições meteorológicas e espaciais, possibilitando cálculos bastante precisos para o
experimento. Mas tão importante quanto o tipo de dado, a granularidade determinada no projeto é
que define a qualidade das informações de um determinado empreendimento. Para este projeto a
possibilidade de trabalhar-se com séries históricas que relacionam os teores de clorofila das plantas
com a radiação solar, deve ser fator importante a ser armazenado para análises futuras.
Porém, como esta base de dados deve compor-se de diversos tipos de dados, como dados
convencionais, temporais, dados de localização espacial e imagens, que deverão ser processadas
para o experimento, se faz necessário compreender como modelar e aplicar estas estruturas de
informação.
Banco de dados multimídia
Bancos de dados multimídia armazenam e administram arquivos de imagens, vídeos, textos
e áudio. Estes arquivos podem ser armazenados internamente no banco de dados, como também
podem ser referenciados por ele e armazenados fora do banco de dados.
“Entretanto, o armazenamento multimídia fora do banco de dados torna mais difícil fornecer
funcionalidades comuns [...] como indexação com base no conteúdo real dos dados. ” (KORTH;
SILBERSCHATZ; SUDARSHAN, 1999, p.724).
O armazenamento dos dados fora do banco de dados não garante a cópia se segurança integral
dos dados e não permite a sua indexação. No entanto, a indexação e busca de dados desse tipo é
complexa. Uma forma para identificar dados multimídia é baseada em consultas sobre metadados.
Os metadados são relativos a conteúdo, tipo de mídia, características descrevendo formas e cores
para imagens ou ainda tempo de duração, no caso de arquivos de áudio e vídeo.
Elmasri e Navathe (2011) descrevem a identificação de conteúdo como uma tarefa difícil e
demorada e definem duas técnicas principais:
“A primeira se baseia na análise automática das fontes multimídia para identificar
certas características matemáticas do seu conteúdo. [...] A segunda abordagem depende
da identificação manual dos objetos e atividades de interesse em cada fonte multimídia e
do uso dessa informação para indexar as fontes. Essa técnica pode ser aplicada a todas as
fontes multimídia, mas requer uma frase de pré-processamento manual [...] para
identificar e catalogar os objetos e as atividades que ela contém.” (ELMASRI;
NAVATHE, 2011, p.650).
Obviamente, um pré-processamento manual não se aplica a bases de dados multimídia
extensas. Assim, tanto equipamentos como filmadoras e máquinas fotográficas produzidas
recentemente e no futuro deverão agregar informações de metadados. Além disto, sistemas
gerenciadores de bancos de dados multimídia como o Oracle 12c oferecem funcionalidades para o
tratamento deste tipo de dado. Segundo a Oracle Technology Network (2014), os serviços Oracle
Multimedia suportam:
Serviços para armazenamento, recuperação, extração de metadados e processamento
bidimensional de imagens estáticas e imagens bitmap, isto é, do tipo raster.
Serviços de tratamento, recuperação e validação de imagens médicas – digital imaging and
communications in medicine – no formato (DICOM);
Serviços de armazenamento, recuperação e extração de metadados, dos tipos mais comuns
de arquivos de áudio e vídeo.
Funcionalidades como estas não estão disponíveis em gerenciadores de código aberto e
precisam ser implementadas por interfaces integradas as bases de dados. Linguagens de
programação como C++, Java e Python possuem funcionalidades específicas para isto, a exemplo
da biblioteca OpenCV, que possui compilação para estas linguagens.
Para este projeto, espera-se utilizar os seguintes softwares para o armazenamento,
gerenciamento e processamento das imagens, em virtude dos testes com o ambiente computacional
instalado até o momento, com resultados positivos:
SGBD – PostgreSQL – 9.3
Driver JDBC - postgresql-9.3-1100.jdbc4
Linguagem de programação – Java – JDK 1.7.0_25
Bibliotecas OpenCV-2.4.6
IDE Eclipse Version: Kepler Service Release 2
O armazenamento das imagens deve ser feito internamente no banco de dados, pois para o
experimento em questão será utilizado um número bastante reduzido de imagens, imagens estas
que serão obtidas por escaneamento e estarão associadas aos demais dados.
Como o projeto prevê atender a propriedades rurais de pequeno porte, não é possível dispor
de softwares proprietários, pois estes impactam nos custos do projeto. Desta forma, o
processamento de imagens deve ser realizado via aplicação, desenvolvida em linguagem Java,
como já comentado. O processamento de imagens consiste em identificar os valores de R, G e B
das imagens e correlacioná-los aos valores obtidos em testes de laboratório e medidas do SPAD -
502, isto é, do clorofilômetro. O sistema de banco de dados deve armazenar estes valores
quantificados, para posteriormente indicar a adubação nitrogenada adequada a partir de imagens
de outras plantas, em outras áreas ou propriedades rurais.
Dados georreferenciados também serão utilizados para identificar a localização das plantas e
propriedades rurais. Inicialmente, serão armazenados somente pontos, indicando latitude e
longitude dos objetos referenciados.
Banco de dados georreferenciados
Os sistemas de banco de dados georreferenciados estruturam e armazenam informações que
compõem os sistemas de informações geográficas. Para Elmasri e Navathe, “em geral, um banco
de dados espacial armazena objetos que possuem características espaciais que os descrevem e que
possuem relacionamentos espaciais entre eles. ” Por exemplo, uma propriedade rural e uma área
agrícola desta propriedade podem ser definidas como polígonos e a sua relação se dá pela
intersecção entre eles. As consultas que são realizadas nestes sistemas de banco de dados,
expressam estas relações como: “Que estradas se interceptam em uma determinada área? Qual o
perímetro e a área de uma propriedade rural? Qual a distância entre dois pontos? ”. Assim, estes
bancos de dados relacionam dados espaciais a dados alfanuméricos e dados de imagens, como
mapas, por exemplo.
O gerenciador de banco de dados a ser utilizado – PostgreSQL, atendem estas
funcionalidades estendendo os seus tipos de dados através da camada PostGis. O manual do
POSTIGS (2014) define como tipos de dados básicos – Geography Basics, os seguintes: point,
polygon, multipoint, multilinestring, multipolygon e geometrycollection.
Inicialmente, para este projeto, serão utilizados somente pontos indicados por latitude e
longitude. Observa-se que no modelo de dados as entidades “propriedade” e “planta” possuem um
dado “localizacao”, que deve armazenar longitude e latitude, que está definido como point. Para
tanto, depois da criação das tabelas, é necessário que se agreguem a elas as colunas de geometrias.
Isto pode ser feito pelos comandos:
a) Cria-se a tabela sem o campo de geometria:
CREATE TABLE prop_rural (id_prop_rural SERIAL NOT NULL , area FLOAT, altitude
FLOAT, proprietario VARCHAR(80) NOT NULL ,PRIMARY KEY(id_prop_rural));
b) Insere-se a coluna de geometria através da função AddGeomtryColumn:
SELECT AddGeometryColumn ('prop_rural','localizacao',4326,'POINT',2);
c) Os dados de longitude e latitude são incluídos pela função ST_GeomFromText:
INSERT INTO prop_rural(area, altitude, proprietario, localizacao)
VALUES(10000,1000,'Fulano de Tal', ST_GeomFromText('POINT(-71.060316 48.432044)',
4326));
d) E finalmente, a conversão pode ser feita novamente para texto, aplicando-se a função
ST_Centroid agregada a função ST_AsText.
SELECT ST_AsText(ST_Centroid(localizacao)) from prop_rural;
Na Figura 1 é apresentado o modelo do banco de dados necessário para dar suporte ao
experimento em questão. Além dos dados alfanuméricos, o banco de dados armazena dados
georreferenciados, dados de imagens e dados temporais. Estes estão relacionados as tabelas
“planta”, “analise_planta” e “prop_rural”. Atualmente, bancos de dados convencionais já não
atendem muitas aplicações e os SGBDs têm estendido as suas funcionalidades. Esta evolução
acontece comumente em gerenciadores proprietários, pois demandam pesquisas, discussões sobre
padrões de informação e consequentemente investimentos. No entanto, softwares de código aberto
como o SGBD PostgreSQL e mantidos por comunidades de desenvolvedores e pesquisadores
também apresentam estas funcionalidades e atendem adequadamente a estas demandas.
Modelos de banco de dados
O projeto de sistemas de banco de dados é essencial para a criação de cadastros adequados a
diferentes situações. Os modelos de bases de dados podem usar diferentes notações e ser aplicados
a SGBDs diversos. No entanto, a notação mais comum é a da engenharia de informação e aplicada
a bancos de dados relacionais.
Os projetos de banco de dados traduzem de forma diagramada conjuntos de objetos do mundo
real e seus relacionamentos. E como todo projeto, visa descrever as funcionalidades esperadas para
um empreendimento.
Lisboa Filho, Garaffa e Iochpe (2000) apresentam vários modelos de dados aplicados a
sistemas de informações geográficas. Comentam sobre a aplicabilidade destes modelos para o
desenvolvimento de SIGs e definem as fases de desenvolvimento de um banco de dados geográfico.
Entre estas etapas estão a definição do projeto conceitual e projeto de representação espaço-
temporal, através do qual pode-se modelar os aspectos de representação das entidades geográficas
no espaço-tempo, de forma que esta etapa possibilita a simplificação da modelagem conceitual de
forma que projetistas e usuários possam concentrar-se em definir os aspectos mais importantes da
aplicação. As etapas finais são compostas pelos projetos lógico e físico.
Como o modelo de banco de dados proposto não demanda a inserção de vários tipos de
geometrias e também não é intenção discutir exaustivamente as metodologias aplicadas a
implementação de projetos de bancos de dados, mas apresentar o modelo e os tipos de dados que
que visem atender um experimento inicial, a fim de produzir-se um cadastro de longo prazo.
Obviamente, o modelo apresentado é suficiente, podendo ser estendido no futuro.
Compõem o modelo conceitual os dados de propriedades rurais, solo e análise de solo. Como
o experimento consiste na identificação do teor de clorofila a partir de imagens digitais, exames de
laboratório e medidas obtidas pelo SPAD-502 formam os dados que fazem parte da análise das
plantas. Posteriormente serão correlacionados os valores de R, G e B a estes valores. Estão também
associados a análise das plantas os níveis de suprimento de nitrogênio e os tipos de híbridos de
milho que serão estudados, bem como o estádio de desenvolvimento das plantas. O modelo
explicita dados e tipos de dados necessários para tal.
A entidade “escala” deve armazenar os valores obtidos de R, G e B, já correlacionados com
os demais testes, tal que a escala resultante seja utilizada para a indicação da adubação nitrogenada
do solo. A entidade “escala_planta” é tabela associativa que faz o relacionamento dos dados de
qualquer planta com a escala resultante.
Figura 1: Modelo de banco de dados aplicado ao experimento.
Fonte: elaboração dos autores.
RESULTADOS E DISCUSSÃO
Para a elaboração do modelo conceitual foram realizadas pesquisas sobre processamento de
imagens, entrevistas com os usuários do sistema de banco de dados, implementação do modelo e,
por fim, a validação do mesmo. Como se observa, a notação utilizada é da engenharia de
informação, em função da ferramenta utilizada. O modelo foi implementado no DBDesignerFork
2009, que gera código SQL apropriado para o SGBD PostgreSQL e também é uma ferramenta de
código aberto. A única adaptação necessária no código se dá em função da inclusão das colunas de
geometrias nas tabelas prop_rural e planta. É importante ressaltar a extensibilidade dos bancos de
dados relacionais, pois podem ser adicionadas facilmente novas tabelas ou ainda outras colunas de
dados, quando necessário. No entanto, um bom projeto deve atender a todas as funcionalidades
esperadas dele.
CONCLUSÕES
Vários processos e técnicas em diferentes áreas de conhecimento podem contribuir de forma
integrada, mesmo que indiretamente, para a sustentabilidade do meio ambiente e a melhoria da
qualidade de vida dos agricultores familiares.
De forma a implementar um conjunto de ferramentas de baixo custo e aplicada à indicação
da adequada adubação nitrogenada do solo, pode-se aplicar um conjunto de softwares de código
aberto que atendam as demandas do projeto.
Assim, foram indicados através de um modelo conceitual as estruturas de armazenagem e os
diversos tipos de dados que precisam estar integrados, como imagens, dados temporais, espaciais
e convencionais, a uma aplicação para indicação do teor de clorofila em híbridos de milho, para a
armazenagem e análise de informações de longo prazo.
REFERÊNCIAS
CIRANI, Cláudia Brito Silva, MORAES, Márcia Azanha Ferraz Dias. Inovação na Indústria
Sucroalcooleira Paulista: Os Determinantes da Adoção das Tecnologias de Agricultura de
Precisão. Disponível em: < http://www.scielo.br/pdf/resr/v48n4/a03v48n4.pdf >. Acesso em:
07/11/2013.
CONAB – Companhia Nacional de Abastecimento. Acompanhamento de safra brasileira:
grãos, oitavo levantamento, maio 2012 / Companhia Nacional de Abastecimento. – Brasília :
Conab, 2012. Disponível em: <
http://www.conab.gov.br/OlalaCMS/uploads/arquivos/12_05_10_08_49_52_boletim_maio_2012.pdf >.
Acesso: 05/07/2014.
ELMASRI, Ramez; NAVATHE, Shamkant B. Sistemas de banco de dados. 6. ed. São Paulo:
Pearson Addison-Wesley, 2011. 788 p.
KORTH, Henry F.; SILBERSCHATZ, Abraham; SUDARSHAN, S. Sistema de banco de
dados. 3. ed. São Paulo: Makron Books, 1999. 778 p.
LISBOA FILHO, Jugurta; GARAFFA, Íria Margarida; HIOCHPE, Cirano. Modelos Conceituais
de Dados para Aplicações Geográficas: uma experiência com um SIG interinstitucional. SIMPÓSIO BRASILEIRO DE GEOPROCESSAMENTO, 4., 1997, São Paulo. Anais ... São
Paulo: UPUSP, 1997. Disponível em: < http://www.dpi.ufv.br/~jugurta/papers/tesejug.pdf >.
Acesso em: 15 jul 2014.
ORACLE. Oracle Technology Network. Oracle Multimedia User's Guide. Disponível em: <
http://docs.oracle.com/cd/E16655_01/appdev.121/e17697/ch_intr.htm#IMURG1000 >. Acesso
em: 06 jul 2014.
POSTGIS. PostGIS 2.0 Manual - SVN Revision (12774). Disponível em: <
http://postgis.net/docs/manual-2.0/using_postgis_dbmanagement.html#SQL_MM_Part3>.
Acesso em: 14 jul 2014.
SANTI et al. Definição de zonas de produtividade em áreas manejadas com agricultura de
precisão. Revista Brasileira de Ciências Agrárias. v.8, n.3, p.510-515, 2013. Disponível em :<
http://www.redalyc.org/pdf/1190/119028125024.pdf >. Acesso em: 30 maio 2014.
SANTOS, Constância da Silva. Implementação de Bancos de Dados Temporais com
Versionamento de Esquemas: um estudo comparativo. Porto Alegre: PPGC da UFRGS, 2003.
Disponível em: <
http://www.lume.ufrgs.br/bitstream/handle/10183/2720/000375688.pdf?sequence=1 >. Acesso
em: 06 jul 2014.