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

Autores

Palavras-chave:

field spectroscopy, supervised algorithms, precision agriculture

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.

Downloads

Os dados de download ainda não estão disponíveis.

Referências

Asmund Rinnan, 2014. Pre-processing in vibrational spectroscopy-when, why and how. doi:10.1039/c3ay42270d.

Asmund Rinnan, van den Berg, F., Engelsen, S.B., 2009. Review of the most common pre-processing techniques for near-infrared spectra. doi:10.1016/j. trac.2009.07.007.

ABDULRIDHA, J., BATUMAN, O., AMPATZIDIS, Y. 2019. UAV-Based Remote Sensing Technique to Detect Citrus Canker Disease Utilizing Hyperspectral Imaging and Machine Learning. Remote Sensing, 11(11), 1373. doi:10.3390/rs11111373

CONAB, C.N. de A. Monitoring of the Brazilian harvest, Grains; Brasília, DF, 2020; ISBN 2318-6852.

CONNELL, J. L. O.; BYRD, K. B.; KELLY, M. Remotely-Sensed Indicators of N-Related Biomass Allocation in Schoenoplectus acutus. PLoSONE, vol. 9, n. 3, pp. 01-09, 2014.

Eisenring, Michael, Steven E. Naranjo, Sven Bacher, Angelique Abbott, Michael Meissle, and Jörg Romeis. Reduced caterpillar damage can benefit plant bugs in bt cotton. Scientific Reports, 9(1), feb 2019. doi: 10.1038/s41598-019-38917-9 .

FENG, P.; WANG, B.; LIU, D.L.; YU, Q. 2019. Machine learning-based integration of remotely-sensed drought factors can improve the estimation of agricultural drought in South-Eastern Australia. Agric. Syst, 173, 303–316. https://doi.org/10.1016/j.agsy.2019.03.015

GOMES, Elias S., Viviane Santos, and Crébio J. Ávila. Biology and fertility life table of helicoverpa armigera (lepidoptera: Noctuidae) in different hosts. Entomological Science, 20(1): 419–426, jan 2017. doi: 10.1111/ens.12267

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 Tehniques. San Fransisco: Morgan Kauffman

HE, L.; SONG, X.; FEND, W.; GUO, B. B.; ZHANG, Y. S.; WANG, Y. H.; WANG, C. Y.; GUO, T. C. Improved remote sensing of leaf nitrogen concentration in winter wheat using multi-angular hyperspectral data. Remote Sensing of Environment, vol. 174, pp. 122-133, 2016.

JENSEN, J. R. 2014. Remote Sensing of the Environment: An Earth Resource Perspective. 2th. Pearson Education Limited. 619p.

Jingcheng Zhang, Yanbo Huang, Ruiliang Pu, Pablo Gonzalez-Moreno, Lin Yuan, Kaihua Wu, and Wenjiang Huang. Monitoring plant diseases and pests through remote sensing technology: A review. Computers and Electronics in Agriculture, 165:104943, oct 2019. doi: 10.1016/j.compag.2019.104943 .

LI, Z.; JIN, X.; YANG, G.; DRUMMOND, J.; YANG, H.; CLARK, B.; LI, Z.; ZHAO, C. Remote Sensing of Leaf and Canopy Nitrogen Status in Winter Wheat (Triticum aestivumL.) Based on N-PROSAIL Model. Remote Sensing, vol. 10, pp. 1463, 2018.

MELESSE, A. M. WENG, Q.; THENKABAIL, P.; SENAY, G. B. Remote Sensing Sensors and Applications in Environmental Resources Mapping and Modelling. Sensors, vol. 7, n. 12, pp. 3209-3241, 2007.

MULLA, D. J. Twenty-five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps. Biosystems Engineering, vol. 114, pp. 358-371, 2013.

NYABAKO, T., MVUMI, B. M., STATHERS, T., MLAMBO, S., MUBAYIWA, M. 2020. Predicting Prostephanus truncatus (Horn) (Coleoptera: Bostrichidae) populations and associated grain damage in smallholder farmers’ maize stores: A machine learning approach. Journal of Stored Products Research, 87, 101592. doi:10.1016/j.jspr.2020.101592

PERRY, E. M.; FITZGERALD, G. J.; NUTTALL, J. G.; O'LEARY, G. J.; SCHULTHESS, U.; WHITLOCK, A. Rapid estimation of canopy nitrogen of cereal crops at paddock scale using a Canopy Chlorophyll Content Index. Field Crops Research, vol. 134, pp. 158-164, 2012.

PETROU, Z. I.; MANAKOS, I.; STATHAKI, T. Remote sensing for biodiversity monitoring: a review of methods for biodiversity indicator extraction and assessment of progress towards international targets. Biodiversity Conservation, vol. 24, n. 10, pp. 2333–2363, 2015.

SALEH, A. M.; BELAL, A. B.; MOHAMED, E. S. Land resources assessment of El-Galaba basin, South Egypt for the potentiality of agriculture expansion using remote sensing and GIS techniques. The Egyptian Journal of Remote Sensing and Space Sciences, vol. 18, pp. 19-30, 2015.

SINGH, V., SHARMA, N., SINGH, S. 2020. A review of imaging techniques for plant disease detection. Artificial Intelligence in Agriculture. doi:10.1016/j.aiia.2020.10.002

STORY, M.; CONGALTON, R.G. Accuracy assessment: a user’s perspective. Photogrametric Engineering and Remote Sensing, v. 52, n. 3, p. 397-399, 1986.

STUCKENS, J.; DZIKITI, S.; VERSTRAETEN, W. W.; VERREYNNE, S.; SWENNEM, R.; COPPIN, P. Physiological interpretation of a hyperspectral time series in a citrus orchard. Agricultural and Forest Meteorology, vol. 151, pp. 1002-1015, 2011.

TAGELDIN, A., MOSTAFA, H., MOHAMMED, H. S. 2020. Applying Machine Learning Technology in the Prediction of Crop Infestation with Cotton Leafworm in Greenhouse. bioRxiv 2020.09.17.301168; doi: https://doi.org/10.1101/2020.09.17.301168

THOMASON, W. E.; PHILLIPS, S. B.; DAVIS, P. H.; WARREN, J. G.; ALLEY, M. M.; REITER, M. S. Variable nitrogen rate determination from plant spectral reflectance in soft red winter wheat. Precision Agriculture, vol. 12, pp. 666-681, 2011.

Yao, H., Lewis, D., 2010. Spectral preprocessing and calibration techniques. doi:10.1016/B978-0-12-374753-2.10002-4.

Downloads

Publicado

2024-04-15

Como Citar

MACHINE LEARNING INTEGRATION, REMOTE SENSING DATA PREPROCESSING TECHNIQUES TO MAP PESTS COTTON CROPS. (2024). Colloquium Agrariae. ISSN: 1809-8215, 20(1). https://revistas.unoeste.br/index.php/ca/article/view/4772

Artigos Semelhantes

1-10 de 51

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.

Artigos mais lidos pelo mesmo(s) autor(es)

1 2 3 4 5 6 7 8 9 10 > >>