Análise de Conceitos Formais para Verificação de Pragas e Doenças de Culturas Usando Métodos de Aprendizado de Máquina

Este artigo é dedicado a um conjunto de áreas importantes de pesquisa: a análise de representações formais e verificação de pragas e patógenos que afetam as culturas usando coeficientes de brilho espectral (SBR) para o período de 2021 a 2023. O banco de dados contém cerca de 10.000 registros abrangendo a safra, tipos de doenças e pragas, bem como suas fases de crescimento em um sistema de coordenadas reais. O trabalho utiliza técnicas de aprendizado de máquina, incluindo regressão logística, boosting de gradiente extremo (XGBoost) e rede neural convolucional Vanilla (CNN) para analisar dados espectrais e classificar a presença de pragas e doenças em imagens de satélite. O principal objetivo do trabalho é otimizar e melhorar a qualidade da produtividade agrícola por meio da detecção precoce e classificação precisa de pragas e doenças no setor agrícola. Os resultados do estudo podem ser aplicados no desenvolvimento de sistemas agrícolas inovadores que aumentarão os rendimentos, reduzirão o custo de controle de pragas e doenças e otimizarão os processos de produção. As conclusões deste trabalho podem ser usadas tanto como recomendações científicas quanto práticas para empresas e organizações agrícolas e para o desenvolvimento de novas tecnologias e programas para automação de processos agrícolas. O uso de técnicas de aprendizado de máquina e análise de dados espectrais promete avanços significativos no setor agrícola, ajudando a melhorar a eficiência, sustentabilidade e qualidade da produção de culturas.