DIAGNÓSTICO DE ESTRESSE HÍDRICO EM Moringa oleifera COM USO DE TERMOGRAFIA POR INFRAVERMELHO E INTELIGÊNCIA ARTIFICIAL

Resumo

As mudanças climáticas ocasionam variações de temperatura e irregularidade das chuvas e isso pode limitar a disponibilidade de água no solo e provocar estresse hídrico nas plantas. Esse estresse reduz a qualidade de mudas de Moringa oleifera, o que evidencia a necessidade de ferramentas robustas para diagnóstico de estresse hídrico, por exemplo utilizando-se de inteligência artificial. Com isso, pesquisas inovadoras devem ser realizadas para introdução de tecnologias na agricultura, atração e formação de jovens cientistas e fixação do homem no campo. Assim, nesse estudo objetivou-se ajustar modelos agrotecnológicos de diagnóstico de estresse hídrico em mudas de M. oleifera a partir do processamento de imagens termográficas por infravermelho utilizando-se de algoritmos de inteligência artificial. Um experimento em campo foi realizado, onde o cultivo de M. oleifera foi submetido a quatro regimes hídricos (100, 75, 50 e 25% da ETc - evapotranspiração da cultura) Três (3) meses após a semeadura foram obtidas 125 imagens termográficas por infravermelho, as quais ocorreram o processamento utilizando-se dos vetorizadores InceptionV3, SqueezeNet, VGG16 e VGG19. Posteriormente, foram testados os algoritmos de aprendizado de máquina k-vizinhos mais próximos (KNN –number of nearest neighbors), árvore de decisão (Tree), floresta aleatória (RF-Random Forest), aumento de gradiente (GB – Gradiente Boosting), máquina de vetores de suporte (SVM - Support Vector Machines) e rede neural artificial (MLP -Multi-Layer Perceptron). Os algoritmos de aprendizado de máquina Rede Neural Artificial e Máquina de Suporte de Vetores (SVM) tiveram melhores indicadores de performance de modelagem para Moringa Oleifera