Modelo para monitoramento remoto da ferrugem do cafeeiro utilizando Machine Learning

• Autor(a) principal: Castro, Gabriel Dumbá Monteiro de
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: https://locus.ufv.br//handle/123456789/30489
• topic: Ferrugem do café; Hemileia vastatrix; Random Forest; Engenharia Agrícola

A ferrugem do café (Hemileia vastatrix) é considerada a principal doença desse cultivo no Brasil. O fungo patógeno encontra condições ambientais favoráveis na maioria das regiões cafeeiras do país, sendo uma ameaça constante para os produtores brasileiros. O monitoramento da ferrugem do cafeeiro é importante, pois possibilita identificar os possíveis focos de incidência da doença e auxilia no controle e manejo dos cafezais. Objetivou-se com esse trabalho o desenvolvimento de um modelo para monitoramento remoto da ferrugem do cafeeiro utilizando técnicas de Machine Learning. Foi utilizado como base de informações para concepção do modelo um banco de dados sobre temperatura do ar, precipitação mensal e incidência de ferrugem de quatro campos experimentais da Empresa de Pesquisa Agropecuária de Minas Gerais, localizados nos municípios de Três Pontas, São Sebastião do Paraíso, Machado e Patrocínio, no estado de Minas Gerais. Com intuito de acrescentar informações ao dataset do trabalho, foram obtidos dados sobre a refletância espectral da vegetação dos campos experimentais, por meio do cálculo de 18 índices vegetativos, utilizando imagens de satélites da coleção Sentinel-2. O processamento das imagens e cálculo dos índices foram realizados utilizando a plataforma de processamento em nuvem Google Earth Engine. O desenvolvimento do modelo foi realizado mediante a elaboração de um script em linguagem de programação python na plataforma da Google Research – Colaboratory. Com o dataset completo, foi reservado uma parcela dos dados para treinamento do modelo e outra para teste. O monitoramento foi então desenvolvido com base no algoritmo de Machine Learning - Random Forest que classificou as áreas como infestadas ou saudáveis. Os atributos adotados para a classificação foram ranqueados por importância na concepção do modelo. A temperatura mensal e o índice Enhanced Vegetation Index (EVI) foram os atributos que apresentaram maior importância. A performance do modelo foi avaliada por meio das métricas de desempenho: acurácia geral, precisão, recall, especificidade e area under curve (AUC), alcançando os valores de 77,3%; 38,5%; 71,4%; 78,4% e 0,749; respectivamente. Este estudo indica que o modelo desenvolvido possui robustez e capacidade generalizada para o monitoramento remoto da infestação da ferrugem do cafeeiro. Palavras-chave: Ferrugem do café; Hemileia vastatrix; Random Forest.