PREDIÇÃO DE CÁLCIO FOLIAR EM PLANTAS DE TABACO POR MEIO DE MACHINE LEARNING E IMAGEM HIPERESPECTRAL

Técnicas de machine learning vem sendo empregadas para diversas áreas da agricultura, tais como a predição de teores nutricionais em plantas. Este trabalho avaliou o comportamento espectral de plantas de tabaco submetidas à omissão de cálcio (Ca) utilizando o sensor hiperespectral Headwall. Foram analisadas as assinaturas espectrais das plantas nas regiões Vis/NIR, e constatou-se que a deficiência de Ca resultou em aumento na reflectância na região visível e uma redução no NIR. A predição feita por PLSR, gerou o modelo para prever teores de Ca, com coeficientes de determinação (R²) de 0,72 na validação, indicando boa precisão. Posteriormente o modelo foi aplicado para classificação visual em imagem hiperespectral, possibilitando a visualização dos teores nutricionais, facilitando a interpretação dos dados de maneira detalhada e permitindo uma análise mais precisa das variações de nutrientes nas plantas avaliadas.