Contribuição de séries temporais de atributos ópticos e SAR na disciminação do cafeeiro infestado por nematoides

Abstract

O café é uma importante commodity agrícola, sendo o Brasil o maior produtor mundial. No entanto, a produção do cafeeiro pode ser afetada por patógenos, especialmente nematoides, que prejudicam a absorção de água e nutrientes pelas raízes, levando à redução da produção e até a morte das plantas. Como os métodos tradicionais de detecção de nematoides são caros e se restringem a coleta de amostras em campo, o sensoriamento remoto tem sido considerado uma ferramenta apropriada para o monitoramento da cultura cafeeira. Além de melhorias nas resoluções espaciais, espectrais e temporais, os satélites do programa Sentinel possuem sensores que operam no espectro óptico e micro-ondas, o que aumentou as oportunidades para monitoramento agrícola. Nesse contexto, o objetivo desse trabalho é desenvolver um estudo para discriminação de áreas infestadas por nematoides na cultura cafeeira, por meio de séries temporais de atributos ópticos e SAR em diferentes fases fenológicas do cafeeiro. Para isso, foram consideradas duas abordagens: a primeira busca discriminar áreas infestadas por nematoides, bem como identificar a fase fenológica ideal para essa discriminação a partir da análise de séries temporais de atributos derivados de imagens ópticas e SAR. A segunda utiliza combinações de séries temporais de atributos ópticos e SAR via redes BiLSTM para discriminar áreas infestadas por nematoides. Na primeira abordagem foram analisados perfis temporais dos atributos derivados das imagens Sentinel-1 e Sentinel-2, além da análise de separabilidade entre talhões sadios e infestados e identificação dos atributos de maior importância. Na segunda abordagem, as séries temporais de atributos ópticos e SAR foram aplicados a uma rede BiLSTM e, por fim, foram geradas classificações em uma área teste. Os resultados da primeira abordagem mostraram que os atributos ópticos na região do red-edge e SWIR e a polarização \sigma^0VV são capazes de discriminar áreas infestadas por nematoides. Além disso, a análise de importância de atributos indica as fases de maturação dos frutos (abril – junho) e autopoda (julho – agosto) como as mais apropriadas para detecção do patógeno. Os resultados da segunda abordagem alcançaram menores valores de recall para séries temporais muito curtas, como 12 e 24 meses. Ao considerar fases fenológicas específicas, a fase de maturação dos frutos foi a que apresentou os melhores resultados, tanto para os atributos ópticos e SAR, quanto para a combinação deles. A aplicação do método proposto na classificação da área teste revelou que quando utilizado somente atributos SAR, são detectadas áreas menores e mais fragmentadas nas séries temporais mais longas, sugerindo a necessidade de sequência de dados maiores para essa detecção. Além disso, a classificação a partir de atributos SAR mantiveram o padrão de detecção para séries temporais maiores que 24 meses. Em contrapartida, os experimentos com séries temporais de dados ópticos mostraram maior variação no padrão de detecção, especialmente quando dados de 2020 e 2021 foram adicionados. Isso indica que as séries temporais de atributos SAR têm potencial para detecção de nematoides na cultura cafeeira. Por fim, os resultados alcançados neste trabalho se mostraram promissores, demonstrando o potencial da utilização de séries temporais de dados Sentinel para discriminação de áreas cafeeiras infestadas por nematoides.

Coffee is one of the most important agricultural commodities in foreign trade and Brazil is the largest producer and exporter of coffee in the world. However, coffee production can be reduced by pathogens, especially root-knot nematodes (RKN), which cause damage at the root level and, consequently, affect the absorption of water and nutrients. Since the traditional methods for detecting nematodes are expensive and restrict a few samples on the field. Given the high cost and limited field sample collection associated with traditional nematode detection methods, remote sensing has been considered an appropriate tool for efficient monitoring of crop health. The launches of Sentinel (optical and SAR) platforms by the European Space Agency (ESA) have increased opportunities for agricultural monitoring, leading to improvements in spatial, spectral, and temporal resolutions. The objective of this thesis is to develop a study to discriminate areas infested by nematodes in coffee crops, through the time series of Sentinel 2 optical and Sentinel-1 SAR features in different phenological phases. To achieve this, two approaches were considered: The first approach aims to discriminate fields infested by RKN and identify the key phenological stage through the analysis of time series optical and SAR features. In the second approach, the BiLSTM model was applied to time series of optical, and SAR features, aiming to discriminate fields infested by RKN. Finally, classifications were generated for a test area. The results of the first approach showed that optical features in the red-edge and SWIR region, as well as σ0VV polarization can discriminate fields infested by RKN. Furthermore, feature importance analysis indicates that fruit maturation and fallow stages are the most suitable stages for RKN detection. The second approach achieved lower recall values for short time series, such as 12 and 24 months. When considering specific phenological stages, the fruit maturation stage exhibited the best results, both for optical and SAR features, as well as their combination. The nematodes detection in the test area revealed that experiments with SAR data were more consistent, and smaller, and more fragmented areas were detected in the longer time series, suggesting the need for a larger data sequence for this detection. In addition, the detection of nematodes in the test area revealed that experiments with SAR data were more consistent, maintaining a detection pattern for time series longer than 24 months. In contrast, experiments with time series of optical data exhibited greater variation in the detection pattern, especially when data from 2020 and 2021 were added. These results indicate that time series of SAR features have great potential in RKN detection. Finally, the results achieved in this thesis were promising, demonstrating the potential of using Sentinel data time series to discriminate areas infested by RKN.