APRENDIZAGEM DE MÁQUINA PARA IDENTIFICAÇÃO DE PLANTAS DE SOJA SOB ATAQUE DE INSETOS USANDO DADOS HIPERESPECTRAIS
Palavras-chave:
medidas de refletância, aprendizagem de máquina, agricultura de precisãoResumo
A integração entre as áreas de sensoriamento remoto e machine learning tem permitido um avanço na forma de mapeamento de campos agrícolas e monitoramento de culturas. Este trabalho investiga a capacidade de algoritmos de aprendizagem de máquina em classificar plantas de soja sob ataque de insetos, utilizando medidas de espectroscopia de refletância coletadas ao nível foliar. Para tanto, desenvolveu-se testes com diferentes algoritmos utilizando um conjunto de 991 curvas espectrais referentes à planta de soja saudável e sob ataque de pragas, coletadas em oito dias consecutivos. Essas curvas foram medidas pela equipe da EMBRAPA, usando um espectrorradiômetro portátil, que registra no intervalo de 350 a 2500 nm. Tais curvas foram, inicialmente, pré-processadas para a remoção das regiões de absorção atmosférica pelo vapor d’água, e em seguida subdividida em conjunto de treino, validação e teste dos algoritmos de aprendizagem de máquina. Utilizou-se o interpretador Google Collabs e os algoritmos foram inscritos em linguagem Python, utilizando bibliotecas, como a Skit Sklearn. Dentre os algoritmos utilizados, tem-se Random Forest, Decision Tree, Support Vector Machine, Logistic Regression e Extra-Tree. O Extra-tree tem melhor desempenho (F1-score = 80,40%; precision = 81%; recall = 80%) na tarefa proposta. Conclui-se que é possível processar medidas de espectroscopia de refletância com algoritmos de aprendizagem de máquina para se monitorar o ataque por insetos em plantas de soja. Recomenda-se que a abordagem aplicada seja testada em outras culturas.
Downloads
Referências
Alpaydin, E. (2014). Introduction to Machine Learning (3rd ed.). The MIT Press.
Aparicio, S., Aparicio, J. T., & Costa, C. J. (2019). Data Science and AI: trends analysis. In 2019 14th Iberian Conf on Information Systems and Technologies (CISTI) (pp. 1-6). IEEE. https://doi.org/10.23919/CISTI.2019.8760820
Bishop, C. M. (1967). Pattern Recognition and Machine Learning. In Angewandte Chemie International Edition, 6(11), 951–952. https://doi.org/10.1002/anie.196709511
Burkov, A. (2019). The Hundred-Page Machine Learning. (Vol. 1). Quebec City, QC, Canada: Andriy Burkov.
EMBRAPA – EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA. Soja em números (safra 2020/21). Disponível em: <https://www.embrapa.br/soja/cultivos/soja1/dados-economicos>. Acesso em 28 de fev 2022.
FURLANETTO, R. H. et al. Potencial de utilização de sensores multiespectral e hiperespectral no estudo de diferentes alvos agrícolas. In: Embrapa Soja-Artigo em anais de congresso (ALICE). In: JORNADA ACADÊMICA DA EMBRAPA SOJA, 12., 2017, Londrina. Resumos expandidos... Londrina: Embrapa Soja, 2017. p. 146-154., 2017.
GAZZONI, D. L. et al. Manejo de pragas da soja. Embrapa Soja-Circular Técnica. (INFOTECA-E), 1988.
GUZMÁN, S. M., PAZ, J. O., TAGERT, M. L. M., MERCER, A. E., POTE, J. W. 2018. An integrated SVR and crop model to estimate the impacts of irrigation on daily groundwater levels. Agricultural Systems, 159, 248–259. https://doi.org/10.1016/j.agsy.2017.01.017
HAN, J. D.; KAMBER, M. 2006. Data Mining Concept and Techniques. San Fransisco: Morgan Kauffman.
HE, Li et al. Improved remote sensing of leaf nitrogen concentration in winter wheat using multi-angular hyperspectral data. Remote Sensing of Environment, v. 174, p. 122-133, 2016. https://doi.org/10.1016/j.rse.2015.12.007
JENSEN, J.R., 2014. Remote sensing of the environment: an earth resource perspective second edition. Volume 1. Prentice Hall.
Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2015). Fundamentals of Machine Learning for Predictive Data Analytics. MIT Press.
LAZZAROTTO, J. J.; HIRAKURI, M. H. Evolução e perspectivas de desempenho econômico associadas com a produção de soja nos contextos mundial brasileiro. Londrina: Embrapa Soja, p. 46, 2010. (Embrapa Soja. Documentos, 319).
MIN, M.; LEE, W. Determination of significant wavelengths and prediction of nitrogen content for citrus. American Society of Agricultural Engineers, vol. 48, n. 2, pp. 455-461, 2005. https://doi.org/10.13031/2013.18308
MITCHELL, T. Aprendizado de máquina. Nova York: McGrawhill, 1997.
MOREIRA, A. M. Fundamentos do sensoriamento remoto e metodologias de aplicação. 4. ed. Viçosa: UFV, 2011. 422 p.
Müller, A. C., & Guido, S. (2017). Introduction to Machine Learning with Python. O’Reilly Media, Inc. https://doi.org/10.1007/978-3-030-36826-5_10
Osco, L.P.; Ramos, A.P.M.; Faita Pinheiro, M.M.; Moriya, É.A.S.; Imai, N.N.; Estrabis, N.; Ianczyk, F.; Araújo, F.F.d.; Liesenberg, V.; Jorge, L.A.d.C.; Li, J.; Ma, L.; Gonçalves, W.N.; Marcato Junior, J.; Eduardo Creste, J. A Machine Learning Framework to Predict Nutrient Content in Valencia-Orange Leaf Hyperspectral Measurements. Remote Sens. 2020, 12, 906. https://doi.org/10.3390/rs12060906
OSCO, Lucas Prado et al. A review on deep learning in UAV remote sensing. International Journal of Applied Earth Observation and Geoinformation, v. 102, p. 102456, 2021. https://doi.org/10.1016/j.jag.2021.102456
Shalev-Shwartz, S., & Ben-David, S. (2013). Understanding machine learning: From theory to algorithms. Cambridge University Press. https://doi.org/10.1017/CBO9781107298019
SILVA, Catarina Andrade Mira Antunes da. Previsão do valor Brix: aplicação de algoritmos de Machine Learning. 2021. Tese de Doutorado. Instituto Superior de Economia e Gestão.
VESSONI, Izabela Carla; MARIANI, Andressa; ÁVILA, Crébio José. Manejo Integrado de Pragas (MIP) na cultura da soja, Glycine max: viabilidade econômica e benefícios ambientais. Embrapa Agropecuária Oeste-Outras publicações técnicas (INFOTECA-E), 2020.
WEST, J. S.; BRAVO, C.; OBERTI, R.; MOSHOU, D.; RAMON, H.; MCCARTNEY, H. A. Detection of fungal diseases optically and pathogen inoculum by air sampling. In: OERKE, E.C., GERHARDS, R., MENZ, G., SIKORA, R.A. (Eds.) Precision crop protection - the challenge and use of heterogeneity. Dordrecht: Springer Science+Business Media, 2010. p. 135-149. Disponível em: https://dokumen.tips/reader/f/precision-crop-protection-the-challenge-and-use-of-heterogeneity-. Acesso dia 03 de março de 2022. https://doi.org/10.1007/978-90-481-9277-9_9