Predição do teor foliar de nitrogênio por dados hiperespectrais para cultura do milho cultivado em campo

Abstract

Os avanços em sensoriamento remoto, incluindo o uso de sensores hiperespectrais, permitem a coleta de dados detalhados sobre as condições das plantações em tempo real. Essas tecnologias oferecem uma visão mais precisa da saúde das culturas, possibilitando intervenções mais direcionadas e eficazes, reduzindo desperdícios e aumentando a produtividade de forma sustentável. A integração dessas ferramentas com sistemas de gestão agrícola pode garantir uma tomada de decisão mais informada e estratégica. Os modelos de aprendizado de máquina, ao processarem dados hiperespectrais, podem fornecer diagnósticos mais rápidos e precisos, identificando áreas que necessitam de mais ou menos fertilizante com base no conteúdo de nitrogênio e pigmentos. Essa abordagem permite que os agricultores ajustem a aplicação de fertilizantes em tempo real, evitando excessos ou deficiências nutricionais nas plantas, o que pode resultar em uma produção mais sustentável e eficiente. Nosso estudo buscou entender como sensores com dados hiperespectrais e modelos de aprendizado de máquina podem ser integrados para otimizar a gestão nutricional de forma mais eficaz, com práticas agrícolas sustentáveis, que minimizem impactos ambientais e maximizem a produtividade das culturas. Esta pesquisa foi conduzida em campo com o objetivo de avaliar a precisão de cinco algoritmos de Machine Learning (ML) na estimativa dos teores de nitrogênio, clorofila e carotenoides em folhas de milho, em diferentes estádios fenológicos. Para isso, utilizaram-se dados de bandas hiperespectrais, de modo a analisar a assinatura espectral ao longo do desenvolvimento da cultura, verificando a relação dessas bandas com variáveis nutricionais (doses) e sua aplicação como variáveis de entrada nos modelos de predição. Os tratamentos foram organizados em um esquema fatorial com quatro doses de nitrogênio (0, 54, 108 e 216 kg ha−1) e cinco estágios fenológicos de coleta de folhas (V6 a V14). Os modelos de ML testados foram redes neurais artificiais – ANN , árvore de decisão adaptada para problemas de predição – M5P, árvore de decisão REPTree, floresta aleatória - RF, máquina de vetores de suporte polinomial – PSVM e ZeroR - ZR (controle). As bandas espectrais de 530–560 nm e 690–750 nm foram eficazes na estimativa de nutrientes. O modelo RF apresentou o melhor desempenho, com maior correlação e menor erro absoluto médio (MAE) para todas as variáveis, enquanto a SVM e o RF foram eficazes na previsão do conteúdo de nitrogênio. No entanto, para que essas tecnologias digitais sejam amplamente adotadas dentro da nutrição de plantas, é essencial que estudos validem se os níveis identificados correspondem com precisão às condições nutricionais "normais", "deficientes" ou "excessivos", e se essas variações têm, de fato, um impacto significativo no crescimento e no rendimento das culturas.

Advances in remote sensing, including the use of hyperspectral sensors, enable the detailed collection of data on crop conditions in real-time. These technologies provide a more accurate view of crop health, allowing for more targeted and effective interventions, reducing waste and sustainably increasing productivity. The integration of these tools with agricultural anagement systems can ensure more informed and strategic decision-making. Machine learning models, by processing hyperspectral data, can provide faster and more accurate diagnostics, identifying areas that require more or less fertilizer based on nitrogen and pigment content. This approach allows farmers to adjust fertilizer application in real-time, avoiding excesses or nutritional deficiencies in plants, which can lead to more sustainable and efficient production. Our study aimed to understand how sensors with hyperspectral data and machine learning models can be integrated to optimize nutritional management more effectively, using sustainable agricultural practices that minimize environmental impacts and maximize crop productivity. This This field research study evaluated the accuracy of five machine learning (ML) algorithms in estimating nitrogen, chlorophyll, and carotenoid contents in corn leaves at different phenological stages using hyperspectral band data. Hyperspectral measurements were employed to analyze spectral signatures throughout crop development, assess their relationship with nutritional variables (N application rates), and evaluate their effectiveness as input variables in predictive models. The treatments were organized in a factorial scheme with four nitrogen doses (0, 54, 108, and 216 kg ha−1) and five phenological stages of leaf collection (from V6 to V14). The tested ML models included artificial neural networks (ANN), a decision tree adapted for prediction problems (M5P), the REPTree decision tree, random forest (RF), polynomial support vector machine (PSVM), and ZeroR (ZR) as the control. The spectral bands of 530–560 nm and 690–750 nm were effective in estimating nutrient content. The RF model performed the best, with the highest correlation and the lowest mean absolute error (MAE) for all variables, while the SVM and RF were effective in predicting nitrogen content. However, for these digital technologies to be widely adopted in plant nutrition, it is essential for studies to validate whether the identified levels accurately correspond to "normal," "deficient," or "excessive" nutritional conditions, and whether these variations significantly impact crop growth and yield.