APRENDIZADO DE MÁQUINA INFORMADO PELA FISIOLOGIA PARA PREDIÇÃO DE NITROGÊNIO FOLIAR EM ARROZ USANDO DADOS HIPERESPECTRAIS E SIMULAÇÃO MULTIESPECTRAIS

O monitoramento do nitrogênio foliar é essencial para o manejo nutricional em sistemas agrícolas, especialmente no cultivo de arroz, devido à forte relação entre a disponibilidade de nitrogênio, a produtividade e a eficiência fotossintética. Neste estudo, propôs-se uma abordagem de aprendizado de máquina informada por fisiologia para predizer o teor de nitrogênio foliar utilizando dados hiperespectrais e variáveis ​​fisiológicas. Experimentos de campo foram conduzidos em lavouras de arroz submetidas a diferentes níveis de fertilização nitrogenada, nos quais foram foliar  para o desenvolvimento e validação do modelo. Os dados espectrais originais, variando de 400 a 1000 nm, foram reamostrados em uma grade espectral padronizada contendo 271 bandas e utilizados para simular sensores multiespectrais com larguras de banda variando de 6 a 120 nm. Índices espectrais foram gerados e submetidos a um pipeline de pré-processamento composto por suavização de Savitzky Golay , normalização por Variável Normal Padronizada (SNV), remoção de colinearidade e padronização de dados. A variável fisiológica SPAD foi integrada ao modelo sem transformação espectral, atuando como uma ponte biológica entre as assinaturas espectrais e o teor de nitrogênio foliar. A estratégia de modelagem adotou uma abordagem de empilhamento fisiológico em dois níveis, na qual modelos de aprendizado de máquina foram inicialmente treinados para predizer os valores de SPAD, que foram posteriormente incorporados como uma variável explicativa adicional para a estimativa de nitrogênio foliar. Os modelos Random Forest, XGBoost, Regressão Linear e Regressão Ridge foram avaliados utilizando validação cruzada aninhada. O XGBoost obteve o melhor desempenho, com valores de R² acima de 0,97, valores de RMSE abaixo de 0,85 e valores de MAE próximos a 0,45. A abordagem proposta demonstrou alto potencial para o desenvolvimento de sensores multiespectrais otimizados para aplicações em agricultura de precisão.