Detecção e mapeamento de vegetação daninha em áreas de cultivo de soja por meio de Inteligência Artificial e Sensoriamento Remoto no Sudeste Paraense

Authors

  • Antônio Alan Silva Lima
  • Jair Soares Teixeira
  • Fabrício Almeida Araújo
  • Gustavo Antonio Ruffeil Alves
  • Márcio Roberto da Silva Melo
  • Daniel Leal Souza
  • Gilberto Nerino de Souza Júnior
  • Marcus de Barros Braga

DOI:

https://doi.org/10.55905/oelv22n3-009

Keywords:

inteligência artificial, sensoriamento remoto, cultivo da soja, vegetação daninha, classificação, visão computacional

Abstract

Em 2021, a soja foi o produto mais exportado pelo país, colocando o Brasil em 1º lugar no ranking mundial de produtores da leguminosa. A região sudeste paraense, com os municípios de Paragominas, Dom Eliseu, Ulianópolis e Rondon do Pará se destacaram na produção de grãos, sendo Paragominas o pólo agrícola principal, onde tem se observado a experiência de bom desenvolvimento com o agronegócio de grãos e é atualmente a maior produtora de soja do estado. No entanto, a soja está sujeita a uma série de fatores que podem influenciar o seu desenvolvimento e a produção, entre eles estão as plantas daninhas que acarretam perdas na produtividade devido, principalmente, à competição por luz, nutrientes e água, além de dificultarem a colheita, atuarem como hospedeiras de pragas e doenças e exercerem pressão de natureza alelopática. Paralelo a essa problemática, ultimamente observa-se a grande imersão de técnicas de Inteligências Artificial (IA), mais especificamente o aprendizado profundo ou Deep Learning à tratamentos de problemas desse tipo em diversas áreas. Bem como também a utilização de Veículos Aéreos Não Tripulados (VANT) na agricultura de precisão, devido a qualidade de dados fornecidos e baixo custo. Diante disso, o objetivo desse projeto foi desenvolver um modelo computacional utilizando de técnicas de Deep Learning que conseguisse classificar plantas daninhas em uma lavoura de soja da microrregião de Paragominas através de imagens obtidas por um VANT. Em seu decorrer, o modelo foi desenvolvido e testado em dois bancos de imagens diferentes, um público e outro com amostras próprias, capturadas nas lavouras da região e estudo, sendo este segundo apenas para validação das etapas do projeto que vem sendo desenvolvido com planejamento até o mês 10 de 2023 e é financiado pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico – CNPq. Como resultado, o modelo desenvolvido obteve acurácia de 99% na identificação das plantas daninhas no banco de imagens público e 81% com o uso das imagens próprias.

References

A SOJA. APROSOJA BRASIL, 2023. Disponível em: <https://aprosojabrasil.com.br/a-soja/>. Acesso em: 18 de marc. 2023.

AGROLINK. 2022. Daninhas causam prejuízo de R$ 9 bilhões por ano. Disponível em: <https://www.agrolink.com.br/noticias/daninhas-causam-prejuizo-de-r--9-bilhoes-por-ano_433624.html>. Acesso em: 22/03/2023.

BAH, M.D., A. Hafiane, and R. Canals, 2017. Weeds detection in UAV imagery using SLIC and the hough transform. Seventh International Conference on Image Processing Theory, Tools and Applications (IPTA), 1-6. Montreal, QC, Canada: IEEE, 2017. doi:10.1109/IPTA.2017.8310102..

CARVALHO, Vitor M. de Souza; GUEDES, Elloá B.; SALAME, Marcos Filipe A.. Classification of Weeds in Agricultural Crops with Ensembles of Convolutional Neural Networks. In: XVI Encontro Nacional de Inteligência Artificial e Computacional. Manaus – AM, 2019.

CNPQ - CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICO. Chamada CNPq/MCTI/FNDCT Nº 15/2022 – Desenvolvimento de CT&I para o Setor de Transporte. 2022. Disponível em: <http://memoria2.cnpq.br/web/guest/chamadas-publicas?p_p_id=resultadosportlet_WAR_resultadoscnpqportlet_INSTANCE_0ZaM&filtro=resultados&detalha=chamadaDivulgada&idDivulgacao=10919>. Acesso em: 11/04/2023.

CORTES, C & VAPNIK, V..Support-Vector Networks. Machine Learning v. 20, 273–297, 1995.

FERREIRA, Alessandro dos Santos. Redes Neurais Convolucionais Profundas na Detecção de Plantas Daninhas em Lavoura de Soja. Campo Grande, 2017.

FERREIRA et al.. “Data for: Weed Detection in Soybean Crops Using ConvNets”, Mendeley Data, v2. 2017a. doi: 10.17632/3fmjm7ncc6.2.

FERREIRA et al.. Weed detection in soybean crops using ConvNets. Computers and Electronics in Agriculture, 143, 314-324, 2017b.

IBGE – Instituto Brasileiro de Geografia e Estatística. Produção Agrícola Municipal: área plantada, produção e produtividade de soja em 2020. Disponível em:

<https://cidades.ibge.gov.br/brasil/pa/paragominas/pesquisa/14/0?ano=2020>. Acesso em: 21/03/2023.

IBGE – Instituto Brasileiro de Geografia e Estatística. Produção Agrícola Municipal: área plantada, produção e produtividade de soja em 2020. Disponível em:

<https://cidades.ibge.gov.br/brasil/pa/paragominas/pesquisa/14/0?ano=2021>. Acesso em: 21/03/2023.

IBGE – Instituto Brasileiro de Geografia e Estatística. Produção Agrícola Municipal: Área plantada ou destinada à colheita, área colhida, quantidade produzida, rendimento médio e valor da produção das lavouras temporárias e permanentes, 2022. Disponível em:

<https://sidra.ibge.gov.br/Tabela/5457>. Acesso em: 20/03/2023.

VERÇOSA, João Pedro dos Santos. Desenvolvimento de Algoritmo Baseado em Redes Neurais Convolucionais Para Detecção de Ervas Daninhas em Áreas de Cana-de-açúcar. Universidade Federal de Alagoas. Rio Largo-AL, 2022.

Pablo R.P. de Melo Oliveira, Alexei Campos Dianese, Rodrigo Rocha Fragoso, André Freire Cruz & Luiz Eduardo Bassay Blum (2014) Variability of Fusarium spp. isolates, causal agents of the soybean sudden death syndrome, Acta Agriculturae Scandinavica, Section B — Soil & Plant Science,64:8, 675-682, DOI: 10.1080/09064710.2014.953986

Ferreira, L., Silva, L. L., Silva, E. H. da, & Pereira, I. S. (2019). Nematoide do cisto da soja e princípios de controle. Multidisciplinary Reviews, 2, e2019012. DOI: https://doi.org/10.29327/multi.2019012

Sardinha de Souza, B.H., Neves Costa, E., Gonçalves da Silva, A. and Boiça Júnior, A.L. 2014. Aspectos Bionômicos de Spodoptera eridania (Cramer): Uma Praga em Expansão na Cultura da Soja na Região do Cerrado Brasileiro. EntomoBrasilis. 7, 2 (Aug. 2014), 75–80. DOI: https://doi.org/10.12741/ebrasilis.v7i2.381

Tokarev, K., Rogachev, A., Tokareva, Yu., Rudenko, A., Zelyakovskiy, D. V., & Chernyavsky, A. (2020). The pattern recognition problem solution using a convolutional neural network. IOP Conference Series: Earth and Environmental Science, 488. DOI: 10.1088/1755-1315/488/1/012046ATINOAMERICANA, Curitiba, v.22, n.1, p. 139-160. 2024..

Published

2024-03-01

How to Cite

Lima, A. A. S., Teixeira, J. S., Araújo, F. A., Alves, G. A. R., Melo, M. R. da S., Souza, D. L., de Souza Júnior, G. N., & Braga, M. de B. (2024). Detecção e mapeamento de vegetação daninha em áreas de cultivo de soja por meio de Inteligência Artificial e Sensoriamento Remoto no Sudeste Paraense. OBSERVATÓRIO DE LA ECONOMÍA LATINOAMERICANA, 22(3), e3566. https://doi.org/10.55905/oelv22n3-009

Issue

Section

Articles

Most read articles by the same author(s)