Leaf area is a component of crop growth and yield prediction models. Few studies have used the structure from motion (SfM) algorithm, which is based on the principles of traditional stereophotogrammetry, to obtain the leaf area index (LAI). Thus, the objective of this study was to follow the evolution of the LAI and percentage of land cover (%COV) in coffee plants, using pre-established equations and plant measurements obtained from generated 3-D point clouds, combined with the application of the SfM algorithm to digital images recorded by a camera coupled to an unmanned aerial vehicle (UAV). The experiment was conducted in a coffee plantation located in southeastern Brazil. A rotary wing UAV containing a conventional camera was used. The images were collected once per month for 12 months. Image processing was performed using PhotoScan software. Regression analysis and spatial analysis were performed using R and GeoDa software, respectively. The resulting %COV data had R2 and RMSE values of 89% and 3.41, respectively, while those for LAI had R2 and RMSE of 88% and 0.47, respectively. Significant %COV results were obtained in the months of January, February, and March of 2018. There was significant autocorrelation for the LAI values from January to May 2018, with most blocks in the central and center-west regions presenting LAI values > 3.0. It was possible to monitor the temporal and spatial behavior of the LAI and %COV, allowing for the conclusion that this methodology generated results that are consistent with the literature.

中文翻译：

---

使用无人机RGB图像确定咖啡作物的叶面积指数和面积百分比

叶面积是作物生长和产量预测模型的一个组成部分。很少有研究使用基于传统立体摄影测量原理的运动结构（SfM）算法来获得叶面积指数（LAI）。因此，本研究的目的是使用预先建立的方程和从生成的 3-D 点云中获得的植物测量值，结合应用SfM 算法对由与无人机 (UAV) 耦合的相机记录的数字图像进行处理。该实验在位于巴西东南部的一个咖啡种植园中进行。使用包含传统相机的旋翼无人机。图像每月收集一次，持续 12 个月。使用 PhotoScan 软件进行图像处理。分别使用R和GeoDa软件进行回归分析和空间分析。所得 %COV 数据的 R2 和 RMSE 值分别为 89% 和 3.41，而 LAI 的 R2 和 RMSE 值分别为 88% 和 0.47。2018 年 1 月、2 月和 3 月获得了显着的 COV 百分比结果。 2018 年 1 月至 5 月的 LAI 值具有显着的自相关性，中部和中西部地区的大多数区块的 LAI 值 > 3.0。可以监测 LAI 和 %COV 的时间和空间行为，从而得出结论，该方法产生的结果与文献一致。而 LAI 的 R2 和 RMSE 分别为 88% 和 0.47。2018 年 1 月、2 月和 3 月获得了显着的 COV 百分比结果。 2018 年 1 月至 5 月的 LAI 值具有显着的自相关性，中部和中西部地区的大多数区块的 LAI 值 > 3.0。可以监测 LAI 和 %COV 的时间和空间行为，从而得出结论，该方法产生的结果与文献一致。而 LAI 的 R2 和 RMSE 分别为 88% 和 0.47。2018 年 1 月、2 月和 3 月获得了显着的 COV 百分比结果。 2018 年 1 月至 5 月的 LAI 值具有显着的自相关性，中部和中西部地区的大多数区块的 LAI 值 > 3.0。可以监测 LAI 和 %COV 的时间和空间行为，从而得出结论，该方法产生的结果与文献一致。中部和中西部地区的大多数区块的 LAI 值 > 3.0。可以监测 LAI 和 %COV 的时间和空间行为，从而得出结论，该方法产生的结果与文献一致。中部和中西部地区的大多数区块的 LAI 值 > 3.0。可以监测 LAI 和 %COV 的时间和空间行为，从而得出结论，该方法产生的结果与文献一致。