Classificação de nitrogênio em folhas de pepino com imagem hiperespectral e aprendizado de máquina

Nível de evidência: Observação ou medição

Por que isso importa: A aplicação inadequada de fertilizante nitrogenado gera perdas ambientais e econômicas, afetando agricultores e gestores agrícolas que buscam um melhor manejo de nutrientes nas lavouras. Se confirmado, a triagem óptica não destrutiva poderá substituir os lentos testes químicos para os níveis de nitrogênio.

Como a imagem hiperespectral categoriza níveis de nitrogênio em folhas de pepino

O nitrogênio destaca-se como um macronutriente vital para o crescimento das plantas, e sua aplicação inadequada gera perdas ambientais e econômicas. Um sistema de IA e imagem hiperespectral foi criado para categorizar quantidades variadas de fertilizante nitrogenado em folhas de pepino da cultivar Super Arshiya-F1. O tratamento nutricional envolveu a adição de 30 por cento, 60 por cento e 90 por cento de nitrogênio extra a uma concentração de solução básica de 2 gramas por litro.

Três dias após a aplicação do tratamento, os trabalhadores colheram um total de 300 folhas das plantas. Imagens hiperespectrais foram coletadas abrangendo uma janela espectral de 400 a 1100 nanômetros. Cada amostra gerou 327 bandas espectrais distintas a partir do processo de imagem.

Três técnicas de pré-processamento foram testadas para melhorar a qualidade do sinal e avaliar os efeitos na separação de classes: filtragem de Savitzky-Golay, correção de dispersão multiplicativa e normalização gaussiana. Os métodos de pré-processamento foram aplicados exclusivamente aos dados de treinamento e, em seguida, transferidos para o conjunto de teste independente. A otimização do modelo baseou-se em uma divisão de treinamento e teste de 75/25 juntamente com validação cruzada de 5 dobras.

O que o estudo mostra versus o que permanece não testado no campo

Os pesquisadores avaliaram três modelos de IA: Máquina de Vetores de Suporte, Análise Discriminante Linear e Árvore de Decisão. A Máquina de Vetores de Suporte demonstrou consistentemente a maior eficácia de classificação em todos os cenários de teste. Os melhores resultados foram alcançados sem pré-processamento e com normalização gaussiana.

As principais configurações alcançaram uma precisão geral de 94 por cento. As configurações principais do modelo alcançaram uma pontuação F1 próxima de 0,94, o que equilibra precisão e revocação em tarefas de classificação. A pontuação ROC-AUC, que representa a área sob a curva característica de operação do receptor para as configurações de melhor desempenho, excedeu 0,98.

A Análise Discriminante Linear exibiu níveis moderados de desempenho. A Árvore de Decisão produziu a menor precisão de classificação entre os algoritmos testados. As descobertas enfatizam que a combinação de imagem hiperespectral com a Máquina de Vetores de Suporte auxilia fortemente na distinção de níveis de nitrogênio e na melhoria do manejo de nutrientes nas lavouras.

Analisando as compensações da classificação óptica de nitrogênio

A classificação óptica desloca o monitoramento de nutrientes de testes químicos para a análise de imagens por IA, alcançando 94 por cento de precisão em amostras específicas de folhas de pepino sob parâmetros laboratoriais controlados. Ao mapear 327 bandas espectrais por folha para modelos de IA, o sistema categoriza com sucesso tratamentos com 30, 60 e 90 por cento de nitrogênio extra em plantas Super Arshiya-F1. Os métodos tradicionais de manejo de nutrientes muitas vezes carecem de categorização rápida e não destrutiva de níveis precisos de fertilizantes, pois as práticas padrão normalmente dependem da aplicação em massa ou de testes lentos de tecidos em laboratório.

Uma precisão geral de 94 por cento, uma pontuação F1 próxima de 0,94 e uma pontuação ROC-AUC superior a 0,98 para as melhores configurações de Máquina de Vetores de Suporte quantificam a eficácia de classificação na distinção dos níveis de tratamento de nitrogênio do conjunto de teste independente. Essas métricas emergem de um estágio laboratorial envolvendo 300 folhas colhidas mantidas sob condições estáveis. Como o trabalho se cinge a um estágio laboratorial em uma única cultivar de folhas de pepino sob condições controladas, a fonte não menciona prazos de implantação em campo, custos de equipamentos ou como as variáveis ambientais externas afetam a precisão.

O que ainda é desconhecido sobre a implantação do modelo ao ar livre

A fonte não menciona o custo do equipamento de imagem hiperespectral nem o cronograma operacional exato para implantação em campo. Além disso, permanece não testado como as variáveis ambientais fora das condições controladas podem afetar a precisão do modelo em diferentes ambientes agrícolas.

Veredito: O estudo demonstra que a combinação de imagem hiperespectral com IA pode classificar os níveis de nitrogênio em folhas de pepino sob condições laboratoriais, mas deixa a viabilidade em campo aberto por medir.

Com base em reportagem de Scientific Reports. Este é um texto explicativo independente, escrito com palavras próprias e auxílio de IA; Scientific Reports não o revisou nem o endossou. Leia o original para ver todos os detalhes.