Detecção pré-sintomática baseada em aprendizado de máquina da ferrugem da bainha do arroz usando perfis espectrais

Resumo:

A detecção precoce de doenças de plantas, antes do desenvolvimento dos sintomas, pode permitir um gerenciamento de doenças direcionado e mais proativo. O objetivo deste estudo foi avaliar o uso da espectroscopia de infravermelho próximo (NIR) combinada com aprendizado de máquina para a detecção precoce da praga da bainha do arroz (ShB), causada pelo fungo Rhizoctonia solani. Coletamos espectros de NIR de folhas da cultivar de arroz suscetível a ShB (Oryza sativa L.), Lemont, crescendo em uma câmara de crescimento um dia após a inoculação com R. solani e antes do desenvolvimento de qualquer sintoma da doença. Máquina vetorial de suporte (SVM) e floresta aleatória, dois algoritmos de aprendizado de máquina, foram usados para construir e avaliar a precisão de modelos preditivos de doenças baseados em classificação supervisionada. A análise discriminante de mínimos quadrados parciais esparsos foi usada para confirmar os resultados. O modelo mais preciso comparando plantas simuladas e inoculadas foi baseado em SVM e teve uma precisão geral de teste de 86,1% (N = 72), enquanto quando as plantas controle, simuladas e inoculadas foram comparadas, o modelo SVM mais preciso teve uma precisão geral de teste de 73,3% (N = 105). Esses resultados sugerem que os modelos de aprendizado de máquina podem ser desenvolvidos em ferramentas para diagnosticar plantas infectadas, mas assintomáticas, com base em perfis espectrais nos estágios iniciais do desenvolvimento da doença. Durante o teste e a validação em campo estudos ainda são necessários, essa técnica é promissora para aplicação no campo para diagnóstico e tratamento de doenças.