Classificação de áreas infestadas com nematoides baseada em algoritmos de aprendizado de máquina utilizando imagens hiperespectrais de alta resolução espacial

Abstract

A detecção de nematoides em plantações é fundamental para evitar prejuízos na produtividade, entretanto, o diagnóstico preciso da distribuição populacional requer uma grande quantidade de amostras de solo e de raiz em todo o campo, o que implica em um custo elevado. Nesse contexto, as técnicas de sensoriamento remoto podem auxiliar no manejo e controle dos nematoides, especialmente as que envolvem Veículos Aéreos Não Tripulados (VANTs). Este estudo propõe o uso de imagens hiperespectrais obtidas por câmera embarcada em VANT e técnicas de fotogrametria e sensoriamento remoto, para detectar e classificar as áreas parasitadas por nematoides na cultura de soja, de acordo com a intensidade de infestação a partir de algoritmos de aprendizado de máquina juntamente com amostras de solo coletadas em campo para validação. Foram testados os algoritmos de aprendizado de máquina Random Forest, Support Vector Machine e K-Nearest Neighbors, além do índice desenvolvido que relaciona os fitonematoides de uma região com os nematoides de vida livre (IFVL). Foram calculadas as matrizes de confusão e as métricas estatísticas sensibilidade, precisão, F1-score, RMSE e acurácia balanceada para avaliar os modelos gerados. Os resultados indicam que o melhor modelo foi obtido com o algoritmo Random Forest, e que a melhor divisão da intensidade de infestação de nematoides foi representada por cinco classes calculadas a partir do IFVL que alcançou uma acurácia balanceada de 96,5%. Também foi avaliado o melhor período fenológico para a coleta dos dados, que apresentou ser no fim do período reprodutivo, quando a diferença espectral entre as plantas saudáveis e parasitadas com fitonematoides aumenta, em que a região entre 771 nm e 790 nm demonstrou grande importância para detectar as áreas parasitadas. Portanto, este estudo conclui que as imagens hiperespectrais podem ser uma alternativa para o manejo e controle de fitonematoides em culturas de soja, reduzindo custos e aumentando a eficiência na detecção de áreas infectadas.

The detection of nematodes in plantations is fundamental to avoid losses in productivity, however, the precise diagnosis of population distribution requires a large amount of soil and root samples throughout the field, which implies a high cost. In this context, remote sensing techniques can support in nematode management and control, especially those involving Unmanned Aerial Vehicles (UAVs). This study proposes the use of hyperspectral images obtained by a camera onboard UAVs and remote sensing and photogrammetry techniques to detect and classify areas parasitized by nematodes in soybean crops according to the intensity of infestation using machine learning algorithms along with soil samples collected in the field for validation. Machine learning algorithms including Random Forest, Support Vector Machine, and K-Nearest Neighbors, as well as the developed index that relates plant parasitic nematodes to free-living nematodes (IFVL), were tested. Confusion matrix and statistical metrics including , sensitivity, precision, F1-score, RMSE, and balanced accuracy were calculated to evaluate the generated models. Results indicate that the best model was obtained using the Random Forest algorithm and that the best division of nematode infestation intensity was represented by five classes calculated from the IFVL, which achieved a balanced accuracy of 96.5%. The best phenological period for data collection was also evaluated, which was found to be at the end of the reproductive period when the spectral difference between healthy and nematode-infested plants increases, with the region between 771 nm and 790 nm demonstrating great importance in detecting parasitized areas. Therefore, this study concludes that hyperspectral images can be an alternative for nematode management and control in soybean crops, reducing costs and increasing efficiency in detecting infected areas.