Relação injúria-dano, indices de vegetação e redes neurais convolucionais como métodos de detecção e predição de danos para manchas foliares do milho
Data
2025-02-27
Autores
Ramos, Yuri Guerreiro
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
A elaboração de modelos matemáticos para estimar danos a partir de dados de injúria é de importância para a predição de epidemias e tomada de decisão. Comprimentos de onda, índices de vegetação e redes neurais convolucionais (RNC), são capazes de diferenciar tecidos sadios e doentes. Esse trabalho teve como objetivo estabelecer a relação injúria-dano para mancha foliares do milho (mancha branca, mancha de turcicum e mancha de bipolaris) (Artigo A), verificar o potencial uso de índices de vegetação como métodos de detecção e predição de danos para manchas foliares do milho (Artigo B) e, de RNC para a detecção de manchas foliares do milho (Artigo C). Foram instalados quatro experimentos na Fazenda Escola da Universidade Estadual de Londrina (UEL), no município de Londrina, PR, no milho na safrinha de 2022. O delineamento experimental utilizado foi blocos ao acaso com oito tratamentos e quatro repetições. Os tratamentos consistiram na aplicação dos fungicidas Protioconazol + Trifloxistrobina + Bixafen (175 + 150 + 125 g i.a. L-1) na dose de 500 mL.ha-1 do produto comercial em diferentes estádios fenológicos da cultura. A quantificação da severidade das doenças foi realizada de acordo com as escalas diagramáticas, sendo que os valores foram utilizados para o cálculo da área abaixo da curva de progresso da doença (AACPD). A colheita foi mensurada nas duas linhas centrais de cada parcela, estimando-se a produtividade (kg.ha-1). O Limiar de Dano Econômico (LDE) foi calculado utilizando a equação ID = [Cc/(Pp x Cd)] x Ec. As capturas foram realizadas com sensor Micasense-MX acoplado à um drone DJI Inspire 2 e os cálculos dos índices de vegetação foram realizados com os softwares Agisoft e ArcGIS PRO. Foram calculadas as AACP dos índices NDVI, NQAB, NQAF, NDRE, VARI e NIR. Os dados foram submetidos à análise de variância pelo teste de F e as diferenças entre as médias, quando significativas, foram comparadas pelo teste de Scott Knott, ao nível de 5% de probabilidade. As relações entre os parâmetros foram analisadas por regressão linear. Para o estudo de RNC, foram obtidas 2.120 imagens e as arquiteturas utilizadas foram a VGG16, MobileNetV2 e um Modelo Manual. A contribuição desse estudo consiste nas equações de dano propostas e nos altos coeficientes de determinação obtidos para a relação da AACPD de manchas foliares com o dano, atingindo valores de 71 a 92% para os diferentes híbridos. A relação da AACPD de manchas foliares com a AACP do índice NDVI foi a que obteve melhor correlação na maioria dos híbridos, com valores entre 58 e 72%, sendo que o VARI e NDVI foram os que apresentaram as melhores correlações com a produtividade. Para este estudo, a VGG16 foi a arquitetura de CNN que obteve a maior acurácia na detecção de manchas foliares na cultura do milho segunda safra, atingindo 96,76% na etapa de treinamento e de 84,67% na etapa de validação.
Descrição
Palavras-chave
Limiar de ação, Sensoriamento remoto, Inteligência artificial