TERMOGRAFIA INFRAVERMELHA E INTELIGÊNCIA ARTIFICIAL PARA DIAGNÓSTICO DE ESTRESSE HÍDRICO EM CULTIVARES DE ALGODÃO NATURALMENTE COLORIDO

Resumo

As mudanças climáticas estão afetando os sistemas de subsistência das populações humanas em todo o mundo e têm causado desequilíbrio e vulnerabilidade aos agroecossistemas, fato que coloca grandes desafios à produção agrícola e à segurança dos recursos hídricos. Nesse sentido, a diversidade de cultivares de algodão associada à escassez de água no solo evidencia a necessidade de ferramentas robustas para diagnóstico de estresse hídrico, por exemplo utilizando-se de inteligência artificial. Sendo assim, há necessidade de pesquisas inovadoras para introdução de tecnologias na agricultura, incentivo e formação de jovens cientistas, bem como a fixação do homem no campo. Assim, objetivou-se ajustar modelos agrotecnológicos de diagnóstico de estresse hídrico em plantas de cultivares de algodão naturalmente colorido a partir do processamento de imagens termográficas por infravermelho; utilizou-se de algoritmos de inteligência artificial. Para tanto, foi realizado em campo o cultivo de 5 cultivares submetidas a quatro regimes hídricos (100, 75, 50 e 25% da ETc – evapotranspiração da cultura) no Centro de Desenvolvimento Sustentável do Semiárido (CDSA) da Universidade Federal de Campina Grande (UFCG). Em cada estádio fenológico foram obtidas 125 imagens termográficas por infravermelho, as quais foram processadas utilizando-se dos vetorizadores InceptionV3, SqueezeNet, VGG16 e VGG19. Posteriormente, foi testado com o algoritmo de aprendizado de máquina Neural Network.. A performance do modelo será testada utilizando-se diferentes métodos, como validação cruzada, validação cruzada por recurso, amostragem aleatória, deixando-se uma proporção dos dados de fora para teste e teste em dados de trem. Para validação do modelo, foi utilizado o método teste em dados de vetores de imagens que não serão utilizados na etapa de ajuste do modelo. Assim, podemos concluir que a área sob a curva ROC de operação do receptor (AUC) apresentou maior confiabilidade na estatísitica de desempenho para o Embedder VGG16 com acurácia de 0,983, tempo de teste de 4,145 s.