Imagens hiperespectrais e aprendizado de máquina na detecção precoce do estresse causado por Xanthomonas euvesicatoria pv. perforans em sementes e cotilédones de tomateiro

Abstract

O tomate (Solanum lycopersicum L.) está entre as culturas de maior importância econômica mundial, sendo a segunda hortaliça mais produzida. A mancha bacteriana do tomateiro é uma doença limitante para a produção, possui como agente causal três espécies pertencentes ao gênero Xanthomonas. Em vista da importância econômica e social da cultura do tomate, dos danos e perdas ocasionados pela mancha bacteriana em campos de cultivo a nível mundial e o papel de sementes e mudas como fonte primária de inóculo, este estudo tem por objetivo desenvolver um método de diagnose precoce da mancha bacteriana em cotilédones e sementes de tomate. O estudo visa a aplicação de um sistema de imagem hiperespectral na faixa do visível e infravermelho próximo (VNIR) em conjunto com a análise de dados espectrais por aprendizado de máquina na detecção de alterações causadas pelo estresse devido a infecção por Xanthomonas euvesicatoria pv. perfroans em tomateiro, bem como a aplicação da análise de reflectância espectral para evidenciar faixas do espectro que apresentem variações significativas em função da presença bacteriana na planta. Foi aplicada a técnica de aquisição de imagens hiperespectrais de sementes de tomateiro livres do patógeno e infectadas por diferentes métodos de inoculação com uma cepa bacteriana de X. euvesicatoria pv. perforans (Xep), juntamente com a análise de dados usando algoritmos de aprendizado de máquina. Obteve-se um alto desempenho com o modelo SVM (Support Vector Machine), com uma acurácia >95% na classificação dos dados de sementes inoculadas por diferentes técnicas em comparação com as não-inoculadas. A abordagem de imagem hiperespectral e aprendizado de máquina também foi empregada na análise de cotilédones de tomateiro infectados por Xep em diferentes estágios da doença (assintomático, inicial e tardio). A implementação dessas técnicas resultou na obtenção de um alto desempenho do modelo SVM apresentando acurácia superior a 80% antes mesmo do surgimento dos sintomas, evidenciando excelente capacidade de classificar e distinguir dados de cotilédones de tomateiro sadios e infectados. A análise de reflectância espectral tanto com sementes quanto de cotilédones, gerou uma visão ampla das diferenças espectrais marcantes ao longo dos comprimentos de onda do VNIR, causadas em decorrência da infecção bacteriana. Os resultados deste estudo mostram que o uso de técnicas não destrutivas de imagens hiperespectrais e inteligência artificial para a diagnose da mancha bacteriana do tomateiro são promissoras, e que podem contribuir para evitar introduções do patógeno em novas áreas, evitar surtos da doença, além de permitir um manejo precoce, diminuindo riscos de perdas na produção de mudas e em lavouras.