MACHINE LEARNING INTEGRATION, REMOTE SENSING DATA PREPROCESSING TECHNIQUES TO MAP PESTS COTTON CROPS

Resumo

O algodão tem um considerável impacto econômico no agronegócio. Estratégias para redução de perda de produção devido, por exemplo, a ataques de pragas são cada vez mais requeridas. A Spodoptera frugiperda, conhecida como lagarta do cartucho, causa danos irreversíveis ao algodão. Neste contexto, uma abordagem atual é o uso de medidas hiperespectrais obtidas por sensores remotos e processadas por algoritmos de aprendizagem de máquina. Todavia, tais medidas geram redundância de dados, dificultando a extração de informações. Uma alternativa é aplicar técnicas de pré-processamento, mas pouco se sabe sobre o impacto que estas geram na capacidade de aprendizagem dos algoritmos. Este trabalho avalia o desempenho de algoritmos de aprendizagem de máquina ao identificarem plantas de algodão atacadas por pragas utilizando medidas hiperespectrais pré-processadas e brutas. Os dados são coletados pela EMBRAPA, e consistem em medidas hiperespectrais, no intervalo de 350-2500 nm, referentes a oito dias de coletas em plantas de algodão saudáveis e atacadas por S. frugiperda. As técnicas de pré-processamento a serem testadas são remoção de linha de base, suavização, derivadas de primeira e segunda ordem. Um grupo de algoritmos de aprendizagem de máquina, como Random Forest, Support Vector Machine, Extra Tree, foi utilizado para modelar as medidas hiperespectrais pré-processadas ou não. De acordo com a métrica proposta o F-Score, o algoritmo Extra Trees (ExT) obteve melhor desempenho (0.77). De maneira que se sobrepôs aos outros resultados com o conjunto de dados pré-processados. Além de obtermos os comprimentos de maior importância para o algoritmo ter seu melhor desempenho. Concluindo que o aprendizado de máquina com a espectroscopia pode auxiliar de modo promissor o campo. Recomenda-se estudos em outras culturas, e com outros fatores aplicados à planta.