Inferindo Stress Hidrico em Acai no Marajo

Projeto de pesquisa para detectar sinais de stress hidrico em acaiizeiros usando apenas video RGB comum (ex.: celular), com foco em extracao de modos vibracionais e analise espectral.

---

Sumario

• Contexto
• Ideia tecnica
• Setup rapido
  • Requisitos
  • Instalacao
• Estrutura principal
• Pipeline principal (thin_pipeline)
  • Entrada
  • Execucao
  • O que o script faz
  • Saidas geradas
• Scripts auxiliares
• Dicas praticas
• Proximos passos sugeridos

---

Contexto

Na pratica agricola, o manejo de irrigacao depende de medir, com antecedencia, quando a planta entra em condicao de deficit hidrico. Sensores dedicados existem, mas podem ter alto custo e baixa capilaridade em campo.

A proposta aqui e investigar se o movimento natural da planta, capturado por video, carrega informacao suficiente para inferir estagios de stress hidrico de forma mais acessivel.

Ideia tecnica

A hipotese central e que a dinamica vibracional do acaiizeiro muda conforme o nivel de stress hidrico.

De forma resumida, o pipeline:

1. carrega o video e converte os frames para escala de cinza;
2. vetoriza os pixels por frame e remove a componente DC (media temporal por pixel);
3. reduz dimensionalidade com PCA;
4. separa fontes com CP (Canonical Polyadic / separacao cega);
5. estima coordenadas modais e plota resultados no tempo e na frequencia.

Setup rapido

Requisitos

• Python 3.10+ (recomendado)
• pip
• OpenCV com suporte a leitura de .mp4

Instalacao

python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Note

Opcional: para acelerar etapas numericas em GPU, instalar uma build de CuPy compativel com sua versao CUDA.

Tip

Para testes rapidos, rode primeiro com --scale 0.5 e --max-frames 200.

Estrutura principal

• scripts/thin_pipeline.py: pipeline principal enxuto (PCA + CP + modos + figuras)
• scripts/base_pipeline.py: variante com augmentacao de Hilbert antes da PCA
• scripts/initial_video_pipeline.py: preprocessamento em lote e exportacao de coeffs.npy / scores.npy
• scripts/cp_runner.py: roda CP sobre arquivos coeffs.npy ja gerados
• scripts/video_single_plot.py: gera figuras e CSV de picos a partir de unmixed.npy
• src/moises/: nucleos de dados, decomposicao e solucao modal
• src/marajomodes/: analise espectral e funcoes de visualizacao

Pipeline principal (thin_pipeline)

O thin_pipeline e o fluxo mais direto para analise de um video unico.

Entrada

• caminho para um video (.mp4)
• parametros opcionais:
  • --max-frames: limite de frames processados (padrao 400)
  • --scale: fator de escala espacial do frame (padrao 1)
  • --out-dir: pasta de saida (padrao out)

Execucao

python scripts/thin_pipeline.py input/seu_video.mp4 --max-frames 400 --scale 0.5 --out-dir out/exec_01

O que o script faz

1. Le metadados do video (fps, dimensoes, total de frames).
2. Monta matriz dataset com shape (n_frames, n_pixels) em grayscale.
3. Remove media temporal por pixel.
4. Executa PCA no dataset transposto.
5. Seleciona num_pc = 16 componentes para a etapa de CP.
6. Aplica CP para separar fontes vibracionais.
7. Resolve coordenadas modais e formas modais para fontes selecionadas.
8. Salva figuras de diagnostico.

Saidas geradas

No diretorio definido em --out-dir, sao salvos:

• sources.png: sinais/frequencias das fontes separadas
• mode_shapes.png: formas modais estimadas
• modal_coord.png: coordenadas modais no tempo/frequencia

Scripts auxiliares

1) Preprocessamento em lote

Gera artefatos intermediarios (coeffs.npy, scores.npy) para multiplos videos.

python scripts/initial_video_pipeline.py

Warning

Os caminhos de entrada/saida e combinacoes de escala/frame estao definidos no final do proprio script.

2) CP sobre artefatos .npy

python scripts/cp_runner.py out/raw/.../coeffs.npy --npc 16

Flags uteis:

• --cuda: forca execucao com CuPy/CUDA
• --cpu: forca execucao em CPU
• --out-dir: altera pasta de saida (unmixed.npy, winvmix.npy)

3) Plot individual a partir de unmixed.npy

python scripts/video_single_plot.py out/raw/.../unmixed.npy --out-dir out/processed

Saidas:

• sources_large.png
• sources_simple.png
• peaks.csv (top frequencias por fonte)

Dicas praticas

• Comece com --scale 0.3 ou 0.5 para reduzir custo computacional.
• Para exploracao inicial, limite --max-frames (ex.: 200 a 500).
• Garanta boa estabilidade na captura (tripe/apoio) para diminuir ruido nao estrutural.

Important

O desempenho e a qualidade dos modos extraidos dependem muito da qualidade da captura (iluminacao, estabilidade, vento e compressao do video).

Proximos passos sugeridos

• Padronizar experimento por protocolo de captura (distancia, iluminacao, vento).
• Versionar metadados por video (talhao, horario, condicao hidrica).
• Criar etapa de classificacao/regressao sobre features modais e espectrais.

---

Se esse projeto te ajudar na pesquisa, considere deixar uma estrela no repositorio.