Use of spectral characteristics for early detection of anthracnose and fusarium wilt in common beans

O presente trabalho pretende testar a hipótese de que é possível detectar precocemente doenças fúngicas em feijoeiro, utilizando reflectâncias foliares. Para isso, foram feitas análises diárias do comportamento espectral de folhas infectadas com os fungos Colletotrichum lindemuthianum ou Fusarium oxysporum f. sp. phaseoli, causadores da antracnose e murcha-de-fusário, respectivamente, construção de classificadores baseados em redes neurais artificiais para detecção de folhas infectadas, teste de modelos existentes (índices de vegetação) e seleção de comprimentos de onda mais representativos para a detecção das folhas infectadas e nível de conídios por mililitros, utilizando análise por componentes principais. Foram implantados dois experimentos em casa de vegetação. Os dois experimentos (um de antracnose e um de murcha-de-fusário) foram instalados em casa de vegetação, em Viçosa, Minas Gerais. As cultivares de feijão foram Rudá (carioca), RBS Supremo (preto) e Vermelhinho (vermelho). Nestes experimentos, as concentrações de conídios/mL foram: para a antracnose [zero (controle), 1,2 x 10 4 (baixa), 1,2 x 10 5 (média) e 1,2 x 10 6 (alta) conídios/mL]; e para a murcha-de-fusário [zero (controle), 1,0 x 10 4 (baixa), 1,0 x 10 5 (média) e 1,0 x 10 6 (alta) conídios/mL]. O delineamento experimental foi o inteiramente casualizado (DIC), com seis repetições para cada doença. Cada experimento foi repetido duas vezes. Medidas de reflectância hiperespectral foram obtidas por espectrorradiômetro com resolução de 1nm. A faixa útil de leitura utilizada foi entre 400 e 900 nm. Para as medidas das reflectâncias foliares utilizou-se uma sonda de contato, que possui uma lâmpada de halogênio integrada de 100 W, que foi ligada 90 minutos antes de cada coleta de dados para sua estabilização. A calibração do espectrorradiômetro utilizando a referência do branco, com placa de Spectralon, foi feita no início de cada coleta de dados e depois a intervalos regulares de 15 minutos. O tempo de medida de cada leitura foi ajustado para 544 ms, sendo que cada coleta de reflectância, em cada folha, foi a média de 10 leituras efetuadas pelo espectrorradiômetro. As severidades da antracnose e da murcha-de-fusário foram avaliadas, diariamente, por interpretação visual por pesquisador experimentado nesta atividade. Dos dados de reflectância foram retiradas cinco bandas espectrais: azul (440 – 510 nm), verde (520 – 590 nm), vermelho (630 – 685 nm), red edge (690 – 730 nm) e infravermelho próximo (760 – 850 nm). Análise por componentes principais foi aplicada aos dados dessas cinco bandas para uma redução da dimensão dos dados originais, com o primeiro componente principal de cada banda espectral foram gerados os valores dos escores, que serviram como vetores de entrada da rede neural artificial. A acurácia da classificação foi feita pelo índice Kappa. A discriminação das folhas infectadas e sadias obteve índice Kappa de 0,36 a 0,53 e exatidão global de 81,3% a 85,4%, um dia após a inoculação do fungo C. lindemuthianum e três dias antes dos primeiros sintomas da doença tornarem-se visíveis. Medidas de reflectâncias e índices de vegetação provenientes de reflectâncias hiper e multiespectrais foliares foram utilizados nos dois experimentos. Os índices de vegetação utilizados foram NDVI, DVI, GNDVI, MCARI, RDVI e TCARI. O classificador mais eficiente utilizou o índice DVI multiespectral como variável de entrada e dois neurônios na camada escondida. Esse classificador obteve coeficiente Kappa de 0,32 e exatidão global de 79,3%. O classificador detectou a antracnose três dias antes que os primeiros sintomas característicos se tornassem visíveis. Os resultados indicaram que o uso de dados hiperespectrais não apresentou melhora significativa na classificação, quando comparado com dados multiespectrais. O classificador não detectou folhas infectadas com o fungo F. oxysporum f. sp. phaseoli precocemente. O classificador se mostrou eficiente na discriminação, depois que os primeiros sintomas se tornaram visíveis. O classificador obteve coeficiente Kappa de 0,21 na classificação um dia após o surgimento dos primeiros sintomas característicos da doença. Os resultados nos dois experimentos indicaram que as mudanças nas respostas espectrais, relacionados com cada doença, são dependentes do comprimento de onda. O método de seleção de variáveis baseado em análise por componentes principais e os índices de vegetação com base em medidas hiperespectrais apresentaram melhor desempenho. A região espectral do red edge apresentou os comprimentos de onda que melhor discriminaram folhas infectadas para ambas as doenças. Os resultados das combinações dos índices DVI com GNDVI, MCARI ou TCARI mostraram maior sensibilidade na detecção de folhas infectadas e níveis de severidade para as duas doenças.This paper aims to test the hypothesis that it is possible to detect early fungal diseases in bean plants using leaf reflectance. We made daily analysis of the spectral behavior of the leaves infected with Colletotrichum lindemuthianum or fungi Fusarium oxysporum f. sp. phaseoli, causing anthracnose and fusarium wilt, respectively, construction of a classifier based on artificial neural networks for the detection of infected leaves, test existing models (Vegetation Index) and selecting the most representative wavelengths for the detection of infected leaves and severity level using principal component analysis. Two experiments were implanted in a greenhouse. The two experiments (one of anthracnose and a wilt fusarium) were installed in a greenhouse, located on the premises of the Agricultural Research Corporation of Minas Gerais - EPAMIG, Regional Unit Epamig Zona da Mata (UREZM) and on the premises of the Federal University of Viçosa (UFV), in Viçosa, Minas Gerais. The bean cultivars used in both experiments were Rudá (carioca trade group), RBS Supremo (black trade group) and Vermelhinho (red trade group). In these experiments, th three concentrations of conidia/mL were to anthracnose [zero (control), 1.2 x 10 4 (low), 1.2 x 10 5 (medium) and 1.2 x 10 6 (high) conidia/mL]; and for Fusarium wilt [zero (control), 1.0 x 10 4 (low), 1.0 x 10 5 (medium) and 1.0 x 10 6 (high) conidia / mL]. The experimental design was completely randomized (DIC), with four treatments and six repetitions for each disease. Each experiment was repeated twice. Hyperspectral reflectance measurements were obtained by spectroradiometer with a resolution of 1 nm. Useful range of used reading was between 400 and 900 nm. For reflectance measurements of leaf used a contact probe, which features an integrated halogen lamp of 100 W, which was connected 90 minutes before each data collection for stabilization. The calibration of the spectroradiometer using the white reference plate with Spectralon, was taken at the beginning of each data collection and later at regular intervals of 15 minutes. The measuring time for each reading was set to 544 ms, and each collection reflectance in each leaf was the average of 10 readings performed by the spectroradiometer. The severities of anthracnose and fusarium wilt were evaluated, daily, for visual interpretation by researcher experienced in this activity. From the reflectance data were taken five spectral bands: blue (440 - 510 nm), green (520 - 590 nm), red (630 - 685 nm), red edge (690 - 730 nm) and near infrared (760 - 850 nm). Principal component analysis was applied to the data of these five bands for a reduction in the size of the original data, with the first principal component of each spectral band were generated the score values, which served as input vectors of artificial neural network. The classification accuracy was taken by Kappa index. The discrimination of infected and healthy leaves obtained Kappa index 0.36 to 0.53 and overall accuracy of 81.3% to 85.4%, a day after the inoculation of the fungus C. lindemuthianum and three days before the first symptoms of disease become visible. Reflectance measurements and vegetation indices from hyper and multispectral reflectance leaf were used in both experiments. Vegetation indices used were NDVI, DVI, GNDVI, MCARI, RDVI and TCARI. The most efficient classifier used the DVI multispectral index as input variable and two neurons in the hidden layer. This classifier obtained Kappa coefficient of 0.32 and overall accuracy of 79.3%. The classifier detected anthracnose three days before the first characteristic symptoms become visible, for the three cultivars. The results indicated that the use of hyperspectral data showed no significant improvement in ranking when compared with multispectral data. The classifier does not detect the leave infected with the fungus F. oxysporum f. sp. phaseoli early. The classifier was efficient in discrimination after the first symptoms become visible. The classifier obtained Kappa coefficient value of 0.21 in the classification one day after the appearance of the first symptoms characteristic of the disease. The results of the two experiments indicated that the changes in spectral responses, associated with each disease, are dependent on the wavelength. The variable selection method based on principal component analysis and vegetation indices based on hyperspectral measurements showed better performance. The spectral region of red edge presented wavelengths that best discriminated infected leaves of both diseases. The results of the combinations of the indices DVI with DVI, MARI or TCARI showed greater sensitivity in detecting infected leaves and severity levels for the two diseases.Conselho Nacional de Desenvolvimento Científico e Tecnológic