Previsão de produtividade e qualidade de cenoura utilizando aprendizado de máquina

Abstract

A cenoura (Daucus carota L.) destaca-se entre os principais vegetais cultivados globalmente. A implementação de sistemas agrícolas baseados em inteligência artificial podem os tornar mais eficientes e sustentáveis nas diferentes esferas da produção. No contexto dessa abordagem, o híbrido EX 4098 de cenoura foi testado em dois experimentos durante a safra de verão em Rio Paranaíba /MG, visando otimizar a produção e impulsionar a agricultura sustentável. Com o objetivo de prever a produtividade e a qualidade da cultura, foram realizadas amostragens das raízes em 200 pontos de 0,25 m² com grade amostral de 30 m x 30 m, em duas épocas de coleta (82 e 116 dias após semeadura) em ambos os experimentos. Para a produtividade quantificou-se a biomassa fresca total, parte aérea e raiz e biometria das raízes (comprimento e diâmetro). A qualidade das raízes foi avaliada na subamostragem de três cenouras pela concentração de sólidos solúveis totais (°Brix) e firmeza. Os índices de vegetação NDVI, RDVI, EVI e SAVI foram extraídos da PlanetScope CubeSat. Os parâmetros mais importantes verificados na análise dos componentes principais foram submetidos aos algoritmos artificial neural network (ANN), random forest (RF) e regressão linear múltipla (RLM) para a modelagem da cultura. Para a estimativa de produtividade, o modelo ANN foi superior à RF e ao RLM, respectivamente. Os índices SAVI e NDVI destacaram-se como indicadores significativos para predizer a produtividade da cultura. No entanto, é importante esses algoritmos não foram capazes de modelar a qualidade da cenoura. Sugere-se que estudos futuros explorem o potencial preditivo dos parâmetros °Brix e Firmeza para avaliar e aprimorar a qualidade da cenoura.

Carrot (Daucus carota L.) stands out among the main globally cultivated vegetables. The implementation of artificial intelligence-based agricultural systems can make them more efficient and sustainable across different spheres of production. In the context of this approach, the carrot hybrid EX 4098 was tested in two experiments during the summer crop in Rio Paranaíba/MG, aiming to optimize production and boost sustainable agriculture.In order to predict crop productivity and quality, root samples were taken at 200 points of 0.25 m² with a sampling grid of 30 m x 30 m, at two collection times (82 and 116 days after sowing) in both experiments. For productivity, total fresh biomass, aboveground and root biomass, and root biometrics (length and diameter) were quantified. Root quality was assessed by sub-sampling three carrots for total soluble solids concentration (°Brix) and firmness. NDVI, RDVI, EVI, and SAVI vegetation indices were extracted from the PlanetScope CubeSat. The most important parameters verified in the principal component analysis were subjected to artificial neural network (ANN), random forest (RF), and multiple linear regression (MLR) algorithms for crop modeling.For productivity estimation, the ANN model outperformed RF and MLR, respectively. SAVI and NDVI indices stood out as significant indicators for predicting crop productivity. However, it is important to note that these algorithms were unable to model carrot quality. It is suggested that future studies explore the predictive potential of °Brix and firmness parameters to assess and improve carrot quality.