Search

A cultura do cafeeiro proporciona cerca de 125 milhões de empregos. No cafeeiro a cochonilha Planoccous citri é encontrada em reboleiras, e podem infestar ramos, folhas, botões florais e frutos, chegando a infestar todas as rosetas da planta e levando ao chochamento parcial ou perda total destes ramos. A amostragem não é realizada em função do custo e do tempo demandado para essa prática, por isso as aplicações ocorrem em área total. Dessa forma se faz necessário a introdução de tecnologias que possibilitem o fornecimento de informações para a melhor tomada de decisão no seu manejo. O estudo teve-se como objetivo verificar o potencial de uso de imagens multiespectrais de baixo custo na discriminação de plantas de cafeeiro infestadas por P. citri. Foram utilizadas três áreas de estudo, sendo a primeira no município de Coromandel, MG, uma com alta infestação de cochonilha e a segunda com ausência de cochonilha e uma área no município de Monte Carmelo, MG, com presença e ausência de cochonilha nas plantas avaliadas. Em cada área de estudo foram amostradas aleatoriamente 50 plantas, com distância mínima de 10 metros entre plantas, avaliando a quantidade de cochonilhas presentes em 2 ramos plagiotrópicos localizados no terço médio das plantas. As imagens foram obtidas utilizando um drone acoplado a uma câmera Mapir Survey 3W a uma altura de 100 metros. As classificações foram feitas utilizando os algoritmos Redes Neurais Artificiais (RNA), Support Vector Machine (SMO) e Florestas Aleatórias. Os resultados confirmaram a possibilidade de discriminação entre plantas sadias e infestadas por P. citri utilizando algoritmos baseados em aprendizado de máquina. Com relação à discriminação de plantas sadias e infestadas, o algoritmo Random Forest apresentou o melhor resultado em áreas com variabilidade de infestação (EG=90% e K=0,80), seguido pelo SMO (EG=83,34% e K=0,67) e RNA (EG=73,34% e K= 0,47). Coffee growing provides around 125 million jobs. In the coffee plant, the mealybug Planoccous citri is found in reboleiras, and can infest branches, leaves, flower buds and fruits, reaching the point of infesting all the rosettes of the plant and leading to partial stunting or total loss of these branches. Sampling is not performed due to the cost and time required for this practice, so the applications occur in the total area. In this way, it is necessary to introduce technologies that allow the provision of information for better decision-making in its management. The objective of this study was to verify the potential of using low-cost multispectral images in the discrimination of coffee plants infested by P. citri. Three study areas were used, the first in the municipality of Coromandel, MG, one with a high infestation of cochineal and the second with no cochineal and an area in the municipality of Monte Carmelo, MG, with presence and absence of cochineal in the evaluated plants. . In each study area, 50 plants were randomly sampled, with a minimum distance of 10 meters between plants, evaluating the amount of mealybugs present in 2 plagiotropic branches located in the middle third of the plants. The images were obtained using a drone coupled to a Mapir Survey 3W camera at a height of 100 meters. The classifications were made using the algorithms Artificial Neural Networks (ANN), Support Vector Machine (SMO) and Random Forests. The results confirmed the possibility of discrimination between healthy and P. citri infested plants using algorithms based on machine learning. Regarding the discrimination of healthy and infested plants, the Random Forest algorithm showed the best result in areas with infestation variability (EG=90% and K=0.80), followed by SMO (EG=83.34% and K= 0.67) and RNA (EG=73.34% and K=0.47). Dissertação (Mestrado)

CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico Este artigo propõe uma metodologia de detecção precoce da ferrugem do cafeeiro causada pelo fungo Hemileia vastatrix a partir de imagens multiespectrais obtidas por veículo aéreo não tripulado (VANT). Para tanto, foram inoculadas 160 mudas de cafeeiro da cultivar Mundo Novo com urediniósporos de H. vastatrix. Outras 160 mudas não foram inoculadas a fim de determinar o intervalo mais propício para discriminação das plantas sadias e infectadas. As 320 mudas foram posicionadas em uma superfície escura para realização dos voos. Em seguida, para elaboração de curvas de reflectância foram realizadas análises de parâmetros fisiológicos in vitro de 20 exemplares para cada condição (inoculada/não inoculada). Esses processos foram reproduzidos para as três avaliações (15, 30 e 45 dias após a inoculação). A partir das curvas de reflectância simuladas observou-se que aos 15 dias de inoculação houve uma discrepância nos comprimentos de onda do vermelho e do infravermelho próximo (IVP), onde as plantas inoculadas apresentaram maior absorção na região do vermelho e maior resposta espectral no IVP. Assim, foi possível discriminar com as imagens multiespectrais da câmera Mapir a condição das mudas de cafeeiro inoculadas e não inoculadas em estágio assintomático (detecção precoce) aos 15 dias após a inoculação, utilizando o algoritmo Support Vector Machines (SVM) com precisão de 80% e índice Kappa com concordância moderada (0,6). This paper proposes a method for the early detection of coffee leaf rust caused by the fungus Hemileia vastatrix using multispectral images acquired using a Mapir Survey3W camera and an unmanned aerial vehicle (UAV). For this purpose, 160 coffee seedlings of the coffee cultivar ‘Mundo Novo’ were inoculated with urediniospores of H. vastatrix and compared with 160 control (non-inoculated) seedlings to determine the most favorable interval for distinguishing healthy and infected plants. The 320 seedlings were placed on a dark surface to perform the imaging flights. In vitro analyses of the physiological parameters of 20 specimens were then performed for each condition (inoculated/non-inoculated) to obtain the hyperspectral curves, and this process was repeated three times at 15, 30, and 45 days after inoculation (DAI). Based on the simulated hyperspectral curves, a discrepancy between the red and near-infrared (NIR) bands was identified at 15 DAI, with the inoculated plants showing greater absorption in the red band and a greater spectral response in the NIR band. Thus, multispectral images were able to distinguish H. vastatrix infection in coffee seedlings at an asymptomatic stage (15 DAI) using a support vector machines (SVM) algorithm. Detection accuracy was 80% and the kappa index of agreement was moderate (0.6). Dissertação (Mestrado)

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)

O sensoriamento remoto baseado em imagens multiespectrais pode ser uma ferramenta útil para detectar respostas de estresse na vegetação. Neste estudo foi avaliado o potencial da imagem orbital multiespectral em discriminar as estratégias mais eficazes na redução das populações de fitonematoides e no aumento da produtividade do cafeeiro. As plantas foram tratadas com sete isolados de Bacillus separadamente (B. subtilis isolados B18, B202 e B33; B. thuringiensis isolado B22; B. safensis isolado B53; B. amyloliquefaciens isolado B266; B. methylotrophicus isolado B05); produto biológico comercial baseado em B. subtilis + B. licheniformis (BC); aplicação combinada de abamectina + CB (QBC); nematicida químico comercial fluensulfone (QC); e água foi aplicada como controle negativo. Avaliou-se a população inicial e final de fitonematoides no solo, a produtividade do cafeeiro e outras características agronômicas. Os dados radiométricos foram obtidos do sensor multiespectral orbital Planet. Os dados foram classificados usando o algoritmo de árvores aleatórias. A população de fitonematoides foi reduzida em 50,45% e 65,12% após a aplicação dos isolados B33 e B266. As plantas tratadas com QBC tiveram o maior rendimento em produtividade. A imagem multiespectral foi mais precisa em discriminar a maioria dos tratamentos nematicidas do que os parâmetros agronômicos com exatidão global (EG) de 80% versus 75,75%, respectivamente. Os parâmetros agronômicos foram os estimadores mais confiáveis para a produtividade do cafeeiro (EG = 100%) em comparação com a imagem multiespectral que apresentou EG máximo de 83,63%. Assim, a imagem orbital multiespectral pode discriminar os tratamentos mais eficazes usados para o manejo de fitonematoides no cafeeiro. Remote sensing based on multispectral imaging may be a useful tool to detect vegetation stress responses. In this study, we assessed the potential of orbital multispectral imaging in discriminating the most effective strategies in reducing plant-parasitic nematode populations and in increasing the yield of coffee. The plants were treated with seven Bacillus isolates separately (B. subtilis isolates B18, B202 and B33; B. thuringiensis isolate B22; B. safensis isolate B53; B. amyloliquefaciens isolate B266; B. methylotrophicus isolate B05); commercial biological product based on B. subtilis + B. licheniformis (BC); combined application of abamectin + CB (QBC); commercial chemical nematicide based on fluensulfone (QC); Water was applied as a negative control. The initial and final nematode population in the soil, coffee yield, and other agronomical traits were assessed. Radiometric data were obtained from the Planet orbital multispectral sensor. The data were classified using the random tree algorithm. The population of plant-parasitic nematodes was reduced by 50.45% and 65.12% after the application of the isolates B33 and B266. Plants treated with QBC had the highest yield. Multispectral imaging was more accurate in discriminating the most nematicidal treatments than the agronomical parameters, with global accuracy (GA) of 80% versus 75.75%, respectively. The agronomic parameters were the most reliable estimators for coffee yield (GA = 100%) in comparison to multispectral imaging, which had a maximum GA of 83.63%. Thus, orbital multispectral imaging can discriminate the most effective treatments used for nematode management in coffee. Dissertação (Mestrado)