Uso de variáveis multi e hiperespectrais para a predição de caracteres agronômicas em soja em diferentes estágios fenológicos

Abstract

A caracterização de variáveis agronômicas com base nos sensores remotos utilizando as bandas espectrais com aprendizagem de máquina (AM) pode ser usado na fenotipagem. Essa tese foi dividida em dois capítulos. No primeiro, o objetivo foi avaliar o melhor AM e as configurações de entradas na classificação das variáveis agronômicas em diferentes estágios fenológicos. O segundo capítulo teve como objetivo utilizar o sensor hiperespectral para avaliação dos caracteres agronômicos em diversos estágios fenológicos da cultura da soja e identificar o melhor AM nas diferentes entradas testados. O experimento foi conduzido na safra 2021/2022 na área experimental da Universidade Federal de Mato Grosso do Sul, localizada no Município de Chapadão do Sul-MS. A aquisição das bandas espectrais do capítulo 1 foi realizada em três estágios fenológicos dos genótipos de soja: V8, R1 e R5. O sensor multiespectral Sequoia fez a aquisição da reflectância nos comprimentos de onda do azul (450 nm, proveniente do sensor RGB), verde (550 nm), vermelho (660 nm), borda do vermelho (735 nm) e infravermelho próximo (790 nm) possuindo um sensor de luminosidade que permite a calibração radiométrica radio métrica dos valores adquiridos. O sensor hiperespectral utilizado no capitulo 2 permitiu capturar a refletância entre os comprimentos de ondas entre 450 e 824 nm tendo como objetivo a avaliação dos caracteres agronômicos em diferentes estágios fenológicos da cultura. Os dados agronômicos e espectrais foram submetidos a análises estatísticas. A primeira análise feita foi a separação dos genótipos em grupos por meio do algoritmo k-means. Os modelos de AM de máquinas utilizados para classificação foram, REPTree (DT), Árvores de decisão J48 (J48), Floresta Aleatória (RF), Redes Neurais Artificiais (RNA), Regressão Logística (RL) e Máquina de Vetor Suporte (SVM). O desempenho de cada algoritmo foi mensurado por meio de duas métricas de acurácia: porcentagem de classificações corretas (CC) e F-score. Foram construídos boxplots para expressar acurácia dos modelos e dos inputs para cada métrica de acurácia. No capítulo 1 os modelos J48, REPtree e RNA podem ser utilizados para classificação de genótipos de soja quanto as características agronômicas. Os estágios vegetativos para aquisição dos dados espectrais podem ser V8 e R1. Com o uso de variáveis hiperespectrais, os algoritmos RL, SVM, J48 e REPTree podem ser aplicados para classificação dos genótipos de soja referente aos caracteres agronômicos nos estágios fenológicos V8 e R1.

The characterization of agronomic variables based on remote sensors using spectral bands used with machine learning (ML) can be used in phenotyping. This thesis was divided into two chapters. The first aimed to evaluate the best ML and input configurations in the classification of agronomic variables at different phenological stages. The second chapter aimed to use the hyperspectral sensor to evaluate agronomic traits at different phenological stages of soybean crops and identify the best ML in different inputs tested. The experiment was conducted in the 2021/2022 harvest in the experimental area of the Federal University of Mato Grosso do Sul, located in the municipality of Chapadão do Sul-MS. The acquisition of the spectral bands in chapter 1 was performed at three phenological stages of soybean genotypes: V8, R1 and R5. The Sequoia multispectral sensor acquired reflectance at wavelengths of blue (450 nm, from the RGB sensor), green (550 nm), red (660 nm), red edge (735 nm) and near infrared (790 nm), and has a luminosity sensor that allows radiometric calibration of the acquired values. The hyperspectral sensor used in chapter 2 allowed capturing reflectance between wavelengths between 450 and 824 nm, with the aim of evaluating agronomic traits at different phenological stages of soybean crops. The agronomic and spectral data were subjected to statistical analysis. The first analysis performed was the separation of genotypes into groups using the k-means algorithm. The machine learning models used for classification were REPTree (DT), J48 Decision Trees (J48), Random Forest (RF), Artificial Neural Networks (ANN), Logistic Regression (RL) and Support Vector Machine (SVM). The performance of each algorithm was measured using two accuracy metrics: percentage of correct classifications (CC) and F-score. Boxplots were constructed to express the accuracy of the models and inputs for each accuracy metric. In chapter 1, the J48, REPtree and ANN models can be used to classify soybean genotypes according to agronomic characteristics. The vegetative stages for acquiring spectral data can be V8 and R1. Using hyperspectral variables, the RL, SVM, J48 and REPTree algorithms can be applied to classify soybean genotypes according to agronomic traits in the V8 and R1 phenological stages.