Relação injúria-dano, indices de vegetação e redes neurais convolucionais como métodos de detecção e predição de danos para manchas foliares do milho

Página do item simplificado
dc.contributor.advisorCanteri, Marcelo Giovanetti
dc.contributor.authorRamos, Yuri Guerreiro
dc.contributor.bancaLeite Júnior, Rui Pereira
dc.contributor.bancaKaster, Daniel dos Santos
dc.contributor.bancaCustódio, Adriano Augusto de Paiva
dc.contributor.bancaValencio, Sheila Ariana Xavier
dc.coverage.extent139 p.
dc.coverage.spatialLondrina - PR
dc.date.accessioned2025-04-22T14:47:33Z
dc.date.available2025-04-22T14:47:33Z
dc.date.issued2025-02-27
dc.description.abstractA 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.
dc.description.abstractother1The development of mathematical models to estimate damage from injury data is extremely important for predict epidemics and to make decisions. Wavelengths, vegetation indexes, and convolutional neural networks (CNNs) are capable of differentiating healthy and diseased tissues. This study aimed to establish the injury-damage relation for leaf spots in corn (maize white spot (MWS), northern corn leaf blight (NCLB) and southern corn leaf blight (SCLB)) (Article A), and to verify the potential use of vegetation indices as methods for detecting and predicting damage to leaf spots in corn (Article B) and, the CNN for detection of leaf spots in corn (Article C). Four experiments were established at the School Farm of the State University of Londrina (UEL), in Londrina, PR, Brazil, in corn second season of 2022. The experimental design used was randomized blocks with eight treatments and four replications. Treatments consisted of the application of the fungicides Prothioconazole + Trifloxystrobin + Bixafen (175 + 150 + 125 g a.i. L-1) at a dose of 500 mL.ha-1 of the commercial product at different phenological stages of the crop. Disease severity quantification was performed according to diagrammatic scales, and the values were used to calculate the area under the disease progress curve (AUDPC). The harvest was measured in the two central lines of each plot, estimating productivity (kg.ha-¹). The Economic Damage Threshold (EDT) was calculated using the equation ID = [Cc/(Pp x Cd)] x Ec. The captures were taken with a Micasense-MX sensor coupled to a DJI Inspire 2 drone and the vegetation indexes calculations were carried out using Agisoft and ArcGIS PRO software. The AACP of the NDVI, NQAB, NQAF, NDRE, VARI and NIR indexes were calculated. The data were subjected to analysis of variance using the F test and differences between means, when significant, were compared by the Scott Knott test, at a 5% probability level. The relation between the parameters were analyzed by linear regression. For the CNN study, 2.120 images were obtained and the architectures used were VGG16, MobileNetV2 and a Manual Model. The contribution of this study consists of the proposed damage equations and the high coefficients of determination obtained for the relation between the AUDPC of leaf spots and the damage, reaching values of 71 to 92% for the different hybrids. The relation between the AUDPC of leaf spots and the AACP of the NDVI index was the one that obtained the best correlation in most hybrids, with values between 58 and 72%, with VARI and NDVI being the ones that presented the best correlations with productivity. For this study, VGG16 was the CNN architecture that obtained the highest accuracy in the detection of leaf spots in the second corn crop, reaching 96,76% in the training stage and 84,67% in the validation stage.
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/18706
dc.languagepor
dc.language.isopor
dc.relation.departamentCCA - Departamento de Agronomia
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Agronomia
dc.subjectLimiar de ação
dc.subjectSensoriamento remoto
dc.subjectInteligência artificial
dc.subject.capesCiências Agrárias - Agronomia
dc.subject.cnpqCiências Agrárias - Agronomia
dc.subject.keywordsAction threshold
dc.subject.keywordsRemote sensing
dc.subject.keywordsArtificial intelligence
dc.titleRelação injúria-dano, indices de vegetação e redes neurais convolucionais como métodos de detecção e predição de danos para manchas foliares do milho
dc.title.alternativeInjury-damage relation, vegetation indexes and convolutional neural networks as methods of detection and prediction of damage for leaf spots in corn
dc.typeTesept_BR
dcterms.educationLevelDoutoradopt_BR
dcterms.provenanceCentro de Ciências Agráriaspt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
CA_AGR_Dr_2025_Ramos_Yuri_G.pdf
Tamanho:
3.41 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo. Id. 193397
Baixar
Nenhuma Miniatura disponível
Nome:
CA_AGR_Dr_2025_Ramos_Yuri_G_Termo.pdf
Tamanho:
819.09 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização.
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

01 - Doutorado - Agronomia