APRENDIZAGEM DE MÁQUINA PARA IDENTIFICAÇÃO DE PLANTAS DE SOJA SOB ATAQUE DE INSETOS USANDO DADOS HIPERESPECTRAIS

Autores

  • Daniel Veras Correa Universidade do Oeste Paulista - UNOESTE
  • Ana Paula Marques Ramos UNOESTE - University of Western São Paulo
  • Lucas Prado Osco Universidade do Oeste Paulista - UNOESTE
  • Lúcio André de Castro Jorge EMBRAPA - Empresa Brasileira de Pesquisa Agropecuária

Palavras-chave:

medidas de refletância, aprendizagem de máquina, agricultura de precisão

Resumo

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

Não há dados estatísticos.

Biografia do Autor

Ana Paula Marques Ramos, UNOESTE - University of Western São Paulo

Graduated in Cartographic Engineering by the School of Sciences and Technology from São Paulo State University (UNESP). Master and Ph.D. in Cartographic Sciences by UNESP. Currently is a Professor Ph.D. at the University of Western São Paulo (UNOESTE). Develops research in the Geomatic area, focusing on thematic Cartography and Remote Sensing applied to environmental problems. Recently has started researches focused on the evaluation and application of Artificial Intelligence (Machine Learning; Deep Learning) in remote sensing data. https://orcid.org/0000-0001-6633-2903 

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

Downloads

Publicado

2023-01-05

Como Citar

Correa, D. V., Ramos, A. P. M., Osco, L. P., & Jorge, L. A. de C. (2023). APRENDIZAGEM DE MÁQUINA PARA IDENTIFICAÇÃO DE PLANTAS DE SOJA SOB ATAQUE DE INSETOS USANDO DADOS HIPERESPECTRAIS. Colloquium Exactarum. ISSN: 2178-8332, 14(1), 146–153. Recuperado de https://revistas.unoeste.br/index.php/ce/article/view/4518

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