Conteúdo
O nitrogénio é essencial para o crescimento das plantas, constituindo um componente crítico das proteínas, clorofila e ácidos nucleicos. A sua concentração nas folhas serve como um indicador importante da capacidade fotossintética e do potencial geral de crescimento. Os métodos tradicionais de medição de nitrogénio baseiam-se em amostragem destrutiva combinada com análise química laboratorial, que são demorados e dispendiosos. Em contraste, a deteção hiperespectral oferece uma alternativa não destrutiva ao ligar propriedades bioquímicas relacionadas com o nitrogénio a características específicas de absorção espectral. No entanto, os métodos existentes enfrentam desafios: modelos empíricos requerem dados extensos de campo e frequentemente apresentam desempenho fraco fora dos ambientes de treino, enquanto modelos baseados em física, embora mais transferíveis, lutam com problemas complexos de inversão. Métodos híbridos tentam fundir estas abordagens, mas geralmente sofrem de problemas de “mudança de domínio” onde os espectros simulados usados para treino não refletem com precisão as medições do mundo real.\n\nUm estudo recente publicado em Plant Phenomics a 10 de outubro de 2025, pela equipa de Daoliang Li e Kang Yu da China Agricultural University e do Precision Agriculture Lab apresenta uma solução inovadora para monitorização rápida e não destrutiva do conteúdo de nitrogénio foliar (LNC) em múltiplas espécies de culturas. A sua abordagem integra a teoria de transferência radiativa das plantas com aprendizagem profunda e dados de reflectância hiperespectral, visando melhorar tanto a fiabilidade como a transferibilidade da avaliação do nitrogénio. A metodologia envolve o processamento de espectros simulados de reflectância direcional-hemisférica (DHRF) e espectros medidos do fator de reflectância bidirecional (BRF) usando transformação contínua de wavelet (CWT) e primeiras derivadas (FD). Estas transformações espectrais reduzem discrepâncias causadas por reflexões especulares e mudanças de domínio, especialmente nas regiões visível e próximo do infravermelho, melhorando a comparabilidade espectral e destacando características chave de absorção relacionadas com o nitrogénio.\n\nUsando estes espectros transformados, a equipa de investigação aplicou primeiro modelos de regressão paramétrica incorporando 30 índices de vegetação (VIs). Quando treinados num conjunto de dados simulado abrangente, vários VIs derivados de modelos de alocação de nitrogénio (como GARI, GNDVI, GRVI e CI800,550) exibiram precisão moderada, enquanto outros, particularmente os que dependem de formulações de conversão proteína-nitrogénio, apresentaram desempenho fraco. A precisão da estimativa de nitrogénio foliar melhorou notavelmente quando os modelos foram recalibrados usando um subconjunto mais representativo de amostras simuladas (o conjunto de dados T100). Por exemplo, o índice de vegetação SR708,775 alcançou um erro quadrático médio (RMSE) de 0,303 g/m² e um R² de 0,494, sublinhando a importância da representatividade das amostras em vez do tamanho do conjunto de dados em abordagens de modelação paramétrica.\n\nO estudo explorou ainda métodos híbridos não paramétricos combinando modelos de aprendizagem automática e aprendizagem profunda com transformações espectrais. Modelos de aprendizagem profunda, especialmente a arquitetura Conv-Transformer, superaram técnicas tradicionais de aprendizagem automática e inversões baseadas em física em todo o conjunto de dados simulado. O treino no subconjunto T100 melhorou ainda mais a precisão do Conv-Transformer, reduzindo o RMSE para 0,247 g/m² e aumentando o R² para 0,665. Estudos de ablação e validações cruzadas entre culturas revelaram que tanto a estratégia de seleção de amostras baseada na similaridade espectral como a arquitetura modificada do Transformer contribuíram sinergicamente para estes ganhos de desempenho.\n\nImporta referir que o quadro demonstrou melhorias consistentes na precisão e robustez da previsão do LNC em culturas diversas, incluindo milho, trigo, arroz e sorgo. Isto indica a capacidade do método para mitigar eficazmente a mudança de domínio, oferecendo estimativas precisas de nitrogénio mesmo em cenários com escassez de dados sem necessidade de calibrações de campo dispendiosas. Dado que depende da reflectância bidirecional à escala foliar — mais prática do que medições com esfera integradora — a abordagem é bem adequada para monitorização agrícola rotineira e facilita a transferência de tecnologia.\n\nNo geral, esta integração de física vegetal, aprendizagem profunda e dados hiperespectrais representa um avanço significativo para a agricultura de precisão. Diagnósticos de nitrogénio oportunos e precisos podem permitir estratégias de fertilização otimizadas que aumentam os rendimentos das culturas enquanto minimizam a poluição ambiental. As descobertas do estudo abrem caminho para ferramentas de monitorização de nitrogénio escaláveis, económicas e transferíveis, críticas para a agricultura sustentável.
