Previsão da produtividade de batatas ao longo da safra a partir de imagens multiespectrais de veículo aéreo não tripulado usando um modelo híbrido LSTM-XGBoost sob condições de estresse causado por doenças

A batata é uma cultura alimentar e comercial fundamental na China, exigindo estimativa precisa de produtividade para agricultura de precisão e manejo oportuno de doenças. Este estudo foi realizado em 54 terrenos (3,5 m × 8 m) na província de Yunnan, com imagens multiespectrais coletadas por drones em quatro estágios fenológicos (emergência de brotos, início da floração, plena floração e senescência). Um modelo híbrido combinando redes neurais de Memória de Curto e Longo Prazo (LSTM) com o algoritmo Extreme Gradient Boosting (XGBoost) foi desenvolvido para explorar a dinâmica temporal e a capacidade de regressão. Além disso, em avaliações de estágio único, o modelo apresentou o melhor desempenho na senescência (R² = 0,939, RMSE = 856,4 kg ha^-¹, MAE = 712,9 kg ha^-¹), indicando forte correlação entre os índices de vegetação e a produtividade. Ao integrar todos os estágios, o modelo de sequência longa para terrenos saudáveis atingiu R² = 0,799, RMSE = 1598,4 kg ha^-¹ e MAE = 1465,9 kg ha^-¹. A inclusão de cinco terrenos severamente doentes reduziu ligeiramente o desempenho (R² = 0,738), mas a precisão permaneceu aceitável. Para refletir as condições reais de cultivo, três tratamentos de doenças foram aplicados: terrenos inoculados com patógenos, parcelas com supressão de patógenos com extrato de rabanete e grupos com doenças naturais. Em todos esses cenários, o modelo LSTM-XGBoost superou consistentemente os modelos de regressão convencionais. Os resultados demonstram que a abordagem híbrida captura efetivamente a dinâmica de crescimento temporal e reduz a influência de anomalias de índice induzidas por doenças. Este estudo destaca o potencial da integração da modelagem temporal profunda com a regressão de conjunto para uma estimativa robusta da produtividade da batata, fornecendo suporte valioso para a agricultura de precisão e o manejo de culturas sob pressões variáveis de doenças.

Palavras-chave:
UAV; multiespectral; LSTM; XGBoost; batata; previsão de produtividade