Identificação automática e monitoramento de ferrugem e cercosporiose em Coffea canephora utilizando sensoriamento remoto e inteligência artificial

Resumo: O objetivo com esse trabalho é automatizar, por sensoriamento remoto e aprendizado de máquinas, a identificação da incidência de ferrugem e cercosporiose do cafeeiro e predizer a severidade das doenças em lavouras de Coffea canephora. O experimento será conduzido em duas etapas ao longo de três ano. A primeira etapa consistirá em um estudo em casa de vegetação enquanto que a segunda será realizada em campo, em lavoura comercial. Na primeira parte, mudas serão inoculadas com os patógenos causadores das doenças para diferentes níveis de severidade. Posteriormente, as mudas com diferentes níveis de intensidade, serão analisadas utilizando um espectrorradiômetro para construção das features para o modelo de machine learning (reflectância, índices de vegetação e relações entre bandas). Para a etapa em campo, as informações de incidência e severidade das doenças e a produtividade da cultura, serão determinadas a partir de um grid irregular totalizando 80 pontos amostrais georreferenciados. A incidência será, mensalmente, determinada a partir da relação presença e ausência de sintomas de ferrugens. A severidade será mensurada no mesmo período com base em escala diagramática. Para o mapeamento aéreo será utilizado um veículo aéreo não tripulado (VANT), obtendo-se imagens utilizando-se o sensor multiespectral (câmera) RedEdge MX, embarcado em um VANT multi-rotor, modelo Inspire 2, de fabricação da empresa chinesa DJI. A partir dos ortomosaicos serão determinadas as reflectâncias nas diferentes bandas abrangidas pelo sensor e calculados diferentes índices, visando avaliar quantitativa e qualitativamente o vigor vegetativo das plantas e a porcentagem de cobertura vegetal. Os valores obtidos através dos diferentes índices de vegetação serão correlacionados, espacialmente, com as variáveis mensuradas in loco. As análises estatísticas serão realizadas em três etapas: a primeira etapa para descrever o comportamento temporal e espacial da ferrugem e da cercosporiose; b) a segunda etapa, para associar a produtividade da lavoura ao progresso da ferrugem no campo, e; c) a implementação de modelos de machine learning para classificação e predição da incidência e severidade das doenças. A partir dos resultados do comportamento espectral das plantas e conhecendo a incidência e severidade das doenças mensuradas na área serão implementados modelos de inteligência computacional para classificação de áreas saudáveis e doentes, sendo essa última estratificada em diferentes níveis de severidade. Para predizer os níveis de severidade da ferrugem do cafeeiro e da Cercospora a partir dos produtos de sensoriamento remoto, será ainda implementado modelos de regressão. Espera-se, com esse trabalho, construir modelos baseados em machine learning e sensoriamento remoto aéreo para automatizar o monitoramento de doenças do cafeeiro, em especial a ferrugem e a cercosporiose e estabelecer um protocolo para a sua execução.

Data de início: 02/01/2023
Prazo (meses): 36

Participantes:

Papel	Nome
Coordenador	SAMUEL DE ASSIS SILVA