AGRICULTURA DE PRECISÃO Figura 4. Segmentación y clasificación de Phytophthora spp. en la banda Red Edge. Agradecimiento Este trabajo está siendo posible gracias al proyecto DRONFRUIT 2, “Servicio de vigilancia fitosanitaria de cítricos mediante drones e inteligencia artificial”, expediente GOPG-SE-20-0007, proyecto financiado por la Medida 16 del Programa de Desarrollo Rural de Andalucía 2014-2020, incluidas en el funcionamiento de los Grupos Operativos de la Asociación Europea de la Innovación (AEI) en materia de productividad y sostenibilidad agrícola (operación 16.1.2) cofinanciada por la Unión Europea a través del fondo FEADER (90%) y la Junta de Andalucía (10%). Referencias Apolo-Apolo, O. E., Martínez-Guanter, J., Egea, G., Raja, P., & Pérez-Ruiz, M. (2020). Deep learning techniques for estimation of the yield and size of citrus fruits using a UAV. European Journal of Agronomy, 115, 126030. Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., & Yan, Y. (2018). UAV-based multispectral remote sensing for precision agriculture: A comparison between different cameras. ISPRS journal of photogrammetry and remote sensing, 146, 124-136. FAO, 2017. El future de la alimentación y la agricultura: Tendencias y desafíos. https://www.fao.org/3/i6583e/i6583e.pdf Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A fast-learning algorithm for deep belief nets. Neural computation, 18(7), 1527-1554. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444. MAPA, 2022. Encuesta sobre Superficies y Rendimientos Cultivos (ESYRCE). Encuesta de Marco de Áreas de España. https://www.mapa.gob.es/es/estadistica/temas/estadisticas-agrarias/agricultura/esyrce/ McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the dartmouth summer research project on artificial intelligence, august 31, 1955. AI magazine, 27(4), 12-12. Nguyen, C., Sagan, V., Maimaitiyiming, M., Maimaitijiang, M., Bhadra, S., & Kwasniewski, M. T. (2021). Early detection of plant viral disease using hyperspectral imaging and deep learning. Sensors, 21(3), 742. ONU, 2023. Informe de los Objetivos de Desarrollo Sostenible 2023: Edición especial. https://www.un.org/sustainabledevelopment/es/ Talaviya, T., Shah, D., Patel, N., Yagnik, H., & Shah, M. (2020). Implementation of artificial intelligence in agriculture for optimisation of irrigation and application of pesticides and herbicides. Artificial Intelligence in Agriculture, 4, 58-73. 43 Sevilha. Após uma primeira análise e processamento dos dados, foi implementado um modelo DL de fase única para efetuar o processamento. A Figura 4 ilustra claramente a segmentação e classificação eficazes das copas das árvores. Os dados iniciais indicam um nível de precisão de 94,3% e uma sensibilidade de 87,1%, com um mAP50 de 68,6% para as operações de segmentação e classificação. Estes valores indicam uma boa capacidade do sistema para discriminar, de forma fiável, entre árvores saudáveis e árvores infetadas pelo agente patogénico Phytophthora spp. e reafirmam a eficácia do método para a identificação e monitorização do estado fitossanitário das culturas. Estamos a ver resultados preliminares no desenvolvimento de um serviço pioneiro a nível cooperativo, concebido para ajudar os técnicos no terreno. Este serviço promete aumentar a precisão na tomada de decisões sobre intervenções fitossanitárias, permitindo uma ação proativa antes de os sintomas da doença serem visivelmente detetáveis nas plantas. n Figura 4. Segmentação e classificação de Phytophthora spp. na faixa do Red Edge. odo para la identificación y el seguimiento del estado fitosanitario de ncontramos con resultados preliminares en el desarrollo de un servicio e cooperativas, diseñado para asistir a los técnicos de campo. Este umentar la precisión en la toma de decisiones sobre intervenciones mitiendo actuar proactivamente antes de que los síntomas de afección detectables en las plantas. AGRADECIMENTOS Este trabalho é possível graças ao projeto 'DronFruit 2 - Serviço de monitorização fitossanitária de citrinos utilizando drones e inteligência artificial', ficheiro GOPG-SE-20-0007, financiado pela Medida 16 do Programa de Desenvolvimento Rural da Andaluzia 2014-2020, incluído na operação dos Grupos Operacionais da Parceria Europeia de Inovação (PEI) no domínio da produtividade e sustentabilidade agrícola (operação 16.1.2) cofinanciado pela União Europeia através do fundo FEADER (90%) e pela Junta de Andalucía (10%). REFERÊNCIAS • Apolo-Apolo, O. E., Martínez-Guanter, J., Egea, G., Raja, P., & Pérez- -Ruiz, M. (2020). Deep learning techniques for estimation of the yield and size of citrus fruits using a UAV. European Journal of Agronomy, 115, 126030. • Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., & Yan, Y. (2018). UAV-based multispectral remote sensing for precision agriculture: A comparison between different cameras. ISPRS journal of photogrammetry and remote sensing, 146, 124-136. • FAO, 2017. El future de la alimentación y la agricultura: Tendencias y desafíos. https://www.fao.org/3/i6583e/i6583e.pdf • Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A fast-learning algorithm for deep belief nets. Neural computation, 18(7), 1527-1554. • LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444. • MAPA, 2022. Encuesta sobre Superficies y Rendimientos Cultivos (ESYRCE). Encuesta de Marco de Áreas de España. https://www. mapa.gob.es/es/estadistica/temas/estadisticas-agrarias/agricultura/ esyrce/ • McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the dartmouth summer research project on artificial intelligence, august 31, 1955. AI magazine, 27(4), 12-12. • Nguyen, C., Sagan, V., Maimaitiyiming, M., Maimaitijiang, M., Bhadra, S., & Kwasniewski, M. T. (2021). Early detection of plant viral disease using hyperspectral imaging and deep learning. Sensors, 21(3), 742. • ONU, 2023. Informe de los Objetivos de Desarrollo Sostenible 2023: Edición especial. https://www.un.org/sustainabledevelopment/es/ • Talaviya, T., Shah, D., Patel, N., Yagnik, H., & Shah, M. (2020). Implementation of artificial intelligence in agriculture for optimisation of irrigation and application of pesticides and herbicides. Artificial Intelligence in Agriculture, 4, 58-73.
RkJQdWJsaXNoZXIy Njg1MjYx