Modelo para monitoramento remoto da ferrugem do cafeeiro utilizando Machine Learning

Abstract

A ferrugem do café (Hemileia vastatrix) é considerada a principal doença desse cultivo no Brasil. O fungo patógeno encontra condições ambientais favoráveis na maioria das regiões cafeeiras do país, sendo uma ameaça constante para os produtores brasileiros. O monitoramento da ferrugem do cafeeiro é importante, pois possibilita identificar os possíveis focos de incidência da doença e auxilia no controle e manejo dos cafezais. Objetivou-se com esse trabalho o desenvolvimento de um modelo para monitoramento remoto da ferrugem do cafeeiro utilizando técnicas de Machine Learning. Foi utilizado como base de informações para concepção do modelo um banco de dados sobre temperatura do ar, precipitação mensal e incidência de ferrugem de quatro campos experimentais da Empresa de Pesquisa Agropecuária de Minas Gerais, localizados nos municípios de Três Pontas, São Sebastião do Paraíso, Machado e Patrocínio, no estado de Minas Gerais. Com intuito de acrescentar informações ao dataset do trabalho, foram obtidos dados sobre a refletância espectral da vegetação dos campos experimentais, por meio do cálculo de 18 índices vegetativos, utilizando imagens de satélites da coleção Sentinel-2. O processamento das imagens e cálculo dos índices foram realizados utilizando a plataforma de processamento em nuvem Google Earth Engine. O desenvolvimento do modelo foi realizado mediante a elaboração de um script em linguagem de programação python na plataforma da Google Research – Colaboratory. Com o dataset completo, foi reservado uma parcela dos dados para treinamento do modelo e outra para teste. O monitoramento foi então desenvolvido com base no algoritmo de Machine Learning - Random Forest que classificou as áreas como infestadas ou saudáveis. Os atributos adotados para a classificação foram ranqueados por importância na concepção do modelo. A temperatura mensal e o índice Enhanced Vegetation Index (EVI) foram os atributos que apresentaram maior importância. A performance do modelo foi avaliada por meio das métricas de desempenho: acurácia geral, precisão, recall, especificidade e area under curve (AUC), alcançando os valores de 77,3%; 38,5%; 71,4%; 78,4% e 0,749; respectivamente. Este estudo indica que o modelo desenvolvido possui robustez e capacidade generalizada para o monitoramento remoto da infestação da ferrugem do cafeeiro. Palavras-chave: Ferrugem do café; Hemileia vastatrix; Random Forest.

Coffee Rust (Hemileia vastatrix) is considered the primary coffee disease in the world. The pathogenic fungus can find favorable environmental conditions in different countries, constantly threatening coffee producers. The monitoring of coffee rust is crucial, because identifies possible outbreaks of disease incidence and helps in the control and management of coffee plantations. The objective of this work was to develop a model for remote monitoring of coffee rust using Machine Learning techniques. A database of monthly temperature, monthly precipitation and rust incidence of four experimental fields of the Agricultural Research Company of Minas Gerais, located in the municipalities of Três Pontas, São Sebastião do Paraíso, Machado e Patrocínio, in the state of Minas Gerais, was used to develop the model. In order to add information to the work's dataset, data on the spectral reflectance of the vegetation in the experimental fields were obtained by calculating 18 vegetative indices, using satellite images from the Sentinel-2 collection. The Image processing and index calculation were performed using the cloud processing platform - Google Earth Engine. The development of the model was carried out through the elaboration of a script in python programming language on the platform of Google Research - Collaboratory. With the dataset complete, a portion of the data was reserved for training the model and another for testing. The monitoring was then developed based on the Machine Learning - Random Forest algorithm that classified the areas as infested or healthy. The 22 attributes adopted for the classification were ranked according to their importance in the model's conception. The monthly temperature and the Enhanced Vegetation Index (EVI) were the attributes that showed the greatest importance. The model's performance was evaluated using the following performance metrics: overall accuracy, precision, recall, specificity and area under curve (AUC), reaching values of 77.3%, 38.5%, 71.4%, 78.4%, and 0.749, respectively. This study indicates that the developed model has robustness and generalized capability for the remote monitoring of coffee rust infestation. Keywords: Coffee rust; Hemileia vastatrix; Random Forest.