Multispectral images for monitoring morphobiometric parameters of coffee under chemical and biological treatments against nematodes

A cafeicultura desempenha um importante papel na economia brasileira. Assim como em outras culturas, a cafeicultura está exposta a diversas doenças e pragas que interferem diretamente em sua produtividade. Um exemplo são os nematoides, que parasitam o sistema radicular das plantas, e comprometem o seu desenvolvimento fisiológico. Em vista perdas causadas por este patógeno e a escassez de informações sobre a distribuição espacial em áreas infectadas, fazendo se necessárias as adoções de tecnologias que possibilitem o monitoramento desta cultura durante o seu ciclo de crescimento. Neste sentido, o sensoriamento remoto associado a algoritmos de aprendizagem de maquinas é apresentado como uma potencial ferramenta para realizar monitoramento em culturas agrícolas utilizando imagens multiespectrais. Este estudo avalia diferentes algoritmos de aprendizagem de máquinas, utilizando como conjuntos de dados de entrada, valores radiométricos de imagens multiespectrais obtidas por plataformas de sensoriamento remoto e identifica as melhores arquiteturas de algoritmos (Random Forest, Multilayer Perceptron, SMOreg e Linear Regression), conjuntos de dados de entrada (bandas espectrais, índices de vegetação e combinação de bandas e índices de vegetação, selecionados em analise de agrupamentos) e sensores remotos (ARP, MAPIR e satélite PLANET), para a estimativa de parâmetros agronômicos de produtividade na cultura cafeeira após a aplicação de 11 tratamentos para o manejo de nematoides. O melhor desempenho foi observado para as arquiteturas que apresentaram menores valores RMSE e RMSE%. Para o parâmetro Índice de clorofila total (Random Forest/ índices de vegetação/ ARP) com RMSE e RMSE% = 4,7975 e 9,0545. Altura das plantas (m), comprimento de ramos (sul) (m) e comprimento de ramos (norte) (m) (SMOreg/ bandas e índices de vegetação selecionados por análise de agrupamento/ ARP), respectivamente com RMSE e RMSE% = 0,1128 e 3,6929; 0,1329 e 15,3025; 0,1436 e 16,8162. Número de ramos e número de nós (sul), (Linear Regression/ bandas espectrais e índices de vegetação selecionados por análise de agrupamento/ ARP), com valores RMSE e RMSE% = 12,1711 e 16,4744; 5,0442 e 18,2725. Número de nós (norte) (Random Forest/ bandas espectrais/ PLANET), com RMSE e RMSE% = 7,5341 e 26,2917. Diâmetro de Copa (m) (SMOreg/ bandas espectrais/PLANT), com RMSE e RMSE% = 0,1302 e 7,7374. Coffee plays an important role in the Brazilian economy. Much like other crops, coffee is exposed to different pathogens and pests that directly affect yield. These include nematodes, which attack the roots of plants and compromise their physiological development. Given the losses caused by this pathogen and the lack of information on spatial distribution in infested areas, it is important to adopt technologies that enable crops under different management systems to be monitored during their growth cycle in order to reduce nematode populations. In this respect, remote sensing associated with machine learning algorithms is presented as a potential tool for monitoring agricultural crops using multispectral images. The present study assesses different machine learning algorithms, using radiometric values of multispectral images obtained by remote sensing platforms as input datasets, and identifies the best architectures (Random Forest, Multilayer Perceptron, SMOreg and Linear Regression), input datasets (spectral bands, vegetation indices, and combination of the two, selected in cluster analysis) and remote sensors (RPA, MAPIR and the PLANET platform) to estimate the agronomic parameters of yield in coffee crops submitted to 11 treatments for nematode management. The best-performing architectures were those that obtained the lowest RMSE and RMSE% values, as follows: total chlorophyll index (Random Forest/ vegetation indices/ RPA) with respective RMSE and RMSE% of 4.7975 and 9.0545; plant height (m), branch length (south-facing) (m) and branch length (north-facing) (m) (SMOreg/ bands and vegetation indices selected by cluster analysis / RPA), with respective RMSE and RMSE% of 0.1128 and 3.6929; 0.1329 and 15.3025; 0.1436 and 16.8162; number of branches and number of nodes (south-facing), (Linear Regression/ spectral bands and vegetation indices selected by cluster analysis/ RPA), with RMSE and RMSE% of 12.1711 and 16.4744; 5.0442 and 18.2725; number of nodes (north-facing) (Random Forest/ spectral bands/ PLANET), with RMSE and RMSE% of 7.5341 and 26.2917; canopy diameter (m) (SMOreg/ spectral bands/PLANET), with RMSE and RMSE% of 0.1302 and 7.7374. Dissertação (Mestrado)