Detecção e mapeamento de nematoides na cultura cafeeira por meio de imagens multiespectrais do MSI/Sentinel-2 e classificação baseada em aprendizado de máquina

• Autor(a) principal: Marra, Aline Barroca [UNESP]
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/193033
• topic: Detecção de doenças; Cultura de café; Sentinel-2; Nematoides; Classificação baseada em aprendizado de máquina; Mapeamento; Disease detection; Coffee plantation; Nematodes; Machine learning classification; Mapping

O Brasil é responsável por grande parte da produção mundial de café. Assim como em outras culturas agrícolas, a infecção por parasitas é comum em cafeeiros. Nematoides são parasitas do solo e do sistema radicular da planta que afetam a absorção de água e de nutrientes, podendo causar estresse hídrico e comprometer o desenvolvimento da parte aérea. As plantas infectadas por nematoides tem seu comportamento espectral alterado em relação às plantas sadias. Especificamente quanto à região espectral do infravermelho de ondas curtas (SWIR - short wave infrared), região sensível a variações no conteúdo de água da planta, considera-se que a ocorrência de nematoides no cafeeiro possa ser detectada com maior eficiência. Nesse sentido, o objetivo desta pesquisa foi estudar e avaliar o potencial das imagens multiespectrais do sistema orbital Sentinel-2 na detecção de áreas parasitadas por nematoides em plantação cafeeira, bem como desenvolver um método para mapeamento de áreas infectadas pelo parasita, baseado em uma abordagem de aprendizado de máquina. O estudo foi desenvolvido em uma área cafeeira do Cerrado Mineiro na qual foi constatada e registrada a ocorrência de talhões infectados por nematoides. A fim de avaliar o potencial das bandas espectrais originais e de diferentes tipos de índices de vegetação na detecção do parasita, áreas sadias e infectadas por nematoides foram identificadas e utilizadas como referência para a realização de dois experimentos. Esses experimentos auxiliaram no processo de seleção dos atributos mais significativos para uma comparação do desempenho dos classificadores Florestas Aleatórias (FA) e Redes Neurais Artificiais (RNAs). Os resultados indicaram que o FA apresentou melhores indicadores de acurácia e menor tempo de processamento. Quanto aos mapas gerados após a classificação, os dois classificadores apresentaram produtos semelhantes, porém, no que se refere à definição das áreas onde a atribuição de um pixel a uma classe foi mais incerta, a RNA teve desempenho superior ao FA. Assim, o estudo desenvolvido mostrou que a utilização de bandas na região espectral do (SWIR) do Sentinel-2, ofereceu eficiência na detecção de nematoides em plantação de café, por ser uma região mais sensível ao teor de umidade da planta, permitindo uma melhor investigação da doença devido aos efeitos causados pelo parasita. Destaca-se também a contribuição de uma das bandas do vermelho limítrofe, a Red Edge 3 do sistema Sentinel-2, no aumento do poder dessa detecção, em conjunto com a região espectral do SWIR. O estudo também mostrou que o mapeamento pode trazer indícios de localizações com a ocorrência de nematoides no cafeeiro, se tornando uma ferramenta de ajuda para o fornecimento informações fundamentais no aumento da eficiência do manejo e para alcançar as expectativas de produção agrícola.