Discrimination of coffee diseases and pests using multispectral imaging

Abstract

A identificação precisa de doenças e pragas em cafeeiros é crucial para o manejo dirigido da lavoura e para evitar perdas de produtividade. Neste estudo, utilizaram-se imagens multiespectrais para monitorar um cafezal irrigado por gotejamento da cultivar Topázio MG 1190, implantado em 2016 na Universidade Federal de Uberlândia – Campus Monte Carmelo, com o objetivo de discriminar sintomas causados por Leucoptera coffeella (bicho mineiro), Cercospora coffeicola (cercosporiose) e Hemileia vastatrix (ferrugem do cafeeiro). As imagens, capturadas mensalmente de fevereiro a novembro de 2024 com um drone DJI Phantom 4, foram analisadas por meio de modelos de classificação supervisionada de aprendizado de máquina (Redes Neurais e Random Forests) desenvolvidos no software Weka. Paralelamente, foram avaliados 4 pares de folhas por planta (terço médio) para analisar a incidência de cada doença/praga. Os dados de entrada para as classificações consistiram nas bandas espectrais originais do sensor, nos índices de vegetação derivados e na classe designada por planta. Posteriormente, a metodologia foi testada em uma lavoura comercial em julho de 2025. Os resultados demonstraram que os modelos de classificação atingiram até 85% de acurácia e índice Kappa de 0,8, evidenciando o potencial do uso de imagens multiespectrais para o monitoramento contínuo das principais doenças e pragas da cafeicultura. Além disso, os mapas gerados pelos modelos permitiram analisar a distribuição espacial dos problemas fitossanitários estudados, mostrando-se uma ferramenta de apoio a práticas de manejo localizado. Desse modo, a pesquisa evidenciou que essa ferramenta pode ser uma alternativa para a promoção da cafeicultura sustentável, contribuindo para o controle mais eficiente de doenças e pragas.