TERMOGRAFIA INFRAVERMELHA E INTELIGÊNCIA ARTIFICIAL PARA DIAGNÓSTICO DE ESTRESSE HÍDRICO EM VARIEDADES CRIOULAS DE FEIJÃO-CAUPI
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 variedades crioulas de feijão-caupi associada a escassez de água no solo evidencia a necessidade de ferramentas robustas para diagnóstico de estresse hídrico, por exemplo utilizando-se de inteligência artificial. Assim, objetivou-se ajustar modelos agrotecnológicos de diagnóstico de estresse hídrico em plantas de variedades crioulas de feijão-caupi a partir do processamento de imagens termográficas por infravermelho utilizando-se de algoritmos de inteligência artificial. Para tanto, foi realizado em campo o cultivo de 5 variedades crioulas submetidas a quatro regimes hídricos (100, 75, 50 e 25% da ETc - evapotranspiração da cultura). No estádio fenológico V5 (sexto nó do ramo principal com folíolos completamente abertos, aos 26 dias após a semeadura) foram obtidas 100 imagens termográficas por infravermelho, as quais foram processadas utilizando-se dos vetorizadores InceptionV3, SqueezeNet, VGG16 e VGG19. Posteriormente, foi testado o algoritmo rede neural e suas variações dos parâmetros dos modelos. Verificou-se que o Embedder VGG16 para genótipos e lâmina apresentou melhores resultados. Também foi verificado que com a função de ativação Tan hiperbólica e o solver Adam teve taxa de precisão de 99,7% para genótipos e lâminas. Com base nos resultados, pode-se concluir que, algoritmos de aprendizagem de máquina como o Rede Neural Artificial têm elevado desempenho para diagnóstico de estresse hídrico com uso de termografia infravermelha.
