• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Thèse de Doctorat
DOI
https://doi.org/10.11606/T.11.2023.tde-23032023-155535
Document
Auteur
Nom complet
Fernando Henrique Iost Filho
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
Piracicaba, 2023
Directeur
Jury
Yamamoto, Pedro Takao (Président)
Barros, Pedro Paulo da Silva
Godoy, Wesley Augusto Conde
Rosalen, David Luciano
Titre en anglais
Monitoring soybean pests using remote sensing
Mots-clés en anglais
Glycine max
Caterpillars
Integrated Pest Management
Sampling
Stink bugs
Resumé en anglais
Arthropod pests are among the major problems in soybean production, and regular field sampling is required as a basis for decision-making. However, traditional sampling methods are laborious and time-consuming. Therefore, our first goal was to evaluate hyperspectral remote sensing as a tool to establish reflectance patterns from soybean plants infested by various densities of two species of stinkbugs [Euschistus heros and Diceraeus melacanthus (Hemiptera: Pentatomidae)], and two species of caterpillars [Spodoptera eridania and Chrysodeixis includens (Lepidoptera: Noctuidae)]. Bioassays were carried out in greenhouses with potted plants placed in cages with 5 plants infested with 0, 2, 5 and 10 insects. Plants were classified according to their reflectance, based on acquiring spectral data before and after infestation, using a hyperspectral push-broom spectral camera (Resonon Pika L, that works in the region 400-1000 nm). Infestation by stinkbugs did not cause significant differences in the reflectance patterns of infested or non-infested plants. In contrast, caterpillars caused changes in the reflectance patterns, which were classified using a deep-learning approach based on multilayer perceptron artificial neural network. High accuracies (> 70%) were achieved when the models classified low (0+2) or high (5+10) infestation and presence or absence of insects. This study provides an initial assessment to apply a non-invasive detection method to monitor caterpillars in soybean before causing economic damage. Future studies should be carried out under field conditions, using other sensors, such as multispectral cameras to automatize the detection of pest problems in the field. Such digital tools, among others, are shaping the new way to perform agriculture, where decisions are based on data and, therefore, are more precise. Regarding pest management, these new technologies offer growers the possibility of identifying problems at early stages and providing localized solutions. While the traditional Integrated Pest Management (IPM) approach suggests that control solutions should be delivered throughout the whole field, new approaches involving digital technologies will need to consider adaptations in the concepts of economic thresholds, sampling, population forecast, injury identification, and ultimately the localized use of control tactics. Therefore, our second goal was to review how the traditional IPM concepts could be adapted, considering this ongoing digital transformation in agriculture.
Titre en portugais
Monitoramento de insetos pragas em soja utilizando sensoriamento remoto
Mots-clés en portugais
Glycine max
Amostragem
Lagartas
Manejo Integrado de Pragas
Percevejos
Resumé en portugais
Ataques de artrópodes pragas estão entre os maiores problemas na produção de soja, sendo necessária uma amostragem regular de campo para a tomada de decisões. No entanto, os métodos de amostragem tradicionais são trabalhosos e demorados. Portanto, nosso primeiro objetivo foi avaliar o sensoriamento remoto hiperespectral como uma ferramenta para estabelecer padrões de reflectância de plantas de soja infestadas por várias densidades de duas espécies de percevejos [Euschistus heros e Diceraeus melacanthus (Hemiptera: Pentatomidae)] e duas espécies de lagartas [Spodoptera eridania e Chrysodeixis includens (Lepidoptera: Noctuidae)]. Os bioensaios foram realizados em casa de vegetação com vasos de plantas colocados em gaiolas com 5 plantas infestadas com 0, 2, 5 e 10 insetos. As plantas foram classificadas de acordo com sua refletância, com base na aquisição de dados espectrais antes e depois da infestação, usando uma câmera hiperespectral de varredura (Resonon Pika L, que atua na região 400-1000 nm). A infestação por percevejos não causou diferenças significativas nos padrões de reflectância de plantas infestadas ou não infestadas. No entanto, as lagartas causaram mudanças nos padrões de reflectância, que foram classificadas usando uma abordagem de Deep Learning baseada em rede neural artificial perceptron multicamada. Altas acurácias (> 70%) foram alcançadas quando os modelos classificaram baixa (0+2) ou alta (5+10) infestação e, presença ou ausência de insetos. Este estudo fornece uma avaliação inicial para aplicar um método de detecção não invasivo para monitorar lagartas na soja antes de causar danos econômicos. Estudos futuros devem ser realizados em condições de campo, utilizando outros sensores, como câmeras multiespectrais para automatizar a detecção de problemas de pragas no campo. Essas ferramentas digitais, entre outras, estão moldando a nova forma de fazer agricultura, onde as decisões são baseadas em dados sendo, portanto, mais precisas. Em relação ao manejo de pragas, essas novas tecnologias oferecem aos produtores a possibilidade de identificar problemas em estágios iniciais e fornecer soluções localizadas. Embora a abordagem tradicional de Manejo Integrado de Pragas (MIP) sugira que as soluções de controle devam ser entregues em todo o campo, novas abordagens envolvendo tecnologias digitais precisarão considerar adaptações nos conceitos de limites econômicos, amostragem, previsão populacional, identificação de lesões e, finalmente, o uso localizado de táticas de controle. Portanto, nosso segundo objetivo foi revisar como os conceitos tradicionais de MIP poderiam ser adaptados, considerando essa transformação digital que está ocorrendo na agricultura.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2023-03-24
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2024. Tous droits réservés.