Classificação de Culturas de Alho (Allium sativum L.) por Diferenças de Adubo Usando Sistema de Imagem Hiperspectral Baseado em Solo

Na agricultura contemporânea, melhorar a produção eficiente de culturas e otimizar a utilização de recursos tornaram-se objetivos primordiais. O crescimento e a qualidade do alho são influenciados por vários fatores, com os fertilizantes desempenhando um papel fundamental em ambos os aspectos. Este estudo teve como objetivo desenvolver modelos de classificação para distinguir as diferenças na aplicação de fertilizantes de alho, empregando técnicas estatísticas e de aprendizado de máquina, como mínimos quadrados parciais (PLS), com base em dados adquiridos de um sistema de imagem hiperspectral baseado em solo no setor agrícola. A variedade de alho escolhida para este estudo foi Hongsan, e as parcelas de aplicação de fertilizantes foram segmentadas em três seções distintas. Os dados foram adquiridos dentro do intervalo de comprimento de onda VIS/NIR usando imagens hiperspectrais. Após a aquisição dos dados, a técnica de pré-processamento de variáveis normais padrão (SNV) foi aplicada para melhorar o conjunto de dados. Para identificar os comprimentos de onda ideais, foram empregadas várias técnicas, como seleção sequencial para a frente (SFS), algoritmo de projeções sucessivas (SPA), importância das variáveis na projeção (VIP) e mínimos quadrados parciais intervalares (iPLS), resultando na seleção de 12 comprimentos de onda ótimos. Para o modelo de diferença de aplicação de fertilizantes, seis índices de vegetação integrados foram escolhidos para comparação com os indicadores de crescimento existentes. Usando a mesma metodologia, a construção do modelo apresentou precisões de 90,7% para PLS. Assim, o modelo proposto sugere que a regulamentação eficiente da aplicação de fertilizantes de alho pode ser alcançada utilizando técnicas estatísticas e de aprendizado de máquina.