Diferenciação de variedades de macieira por espectroscopia hiperespectral foliar e modelagem supervisionada

DOI: 10.52945/rac.v39i.2404
Publicado 26-10-2026

Autores

Resumo

A rastreabilidade varietal na cultura da macieira é estratégica para certificação de origem e proteção de cultivares, porém ainda depende de métodos laboratoriais onerosos e destrutivos. O objetivo do estudo foi determinar a viabilidade da espectroscopia hiperespectral foliar, integrada a modelos supervisionados de aprendizado de máquina, como ferramenta complementar à identificação varietal de macieira. Foram analisadas 540 folhas coletadas em pomar homogêneo de seis variedades de macieira (Fuji, Gala, Gala Gui, Galídia, Luiza e Isadora), totalizando 1.620 leituras espectrais obtidas com FieldSpec® 4 e Plant Probe. Após filtragem de regiões com baixa relação sinal-ruído, aplicaram-se pré-processamentos espectrais, redução dimensional por ACP e classificação por Support Vector Classification (kernel RBF), com validação cruzada estratificada e validação independente (hold-out, 20%). A PERMANOVA indicou efeito significativo da variedade na assinatura espectral global (p = 0,001). O melhor pipeline (CR + DER + MSC + ACP + SVC) apresentou f1-macro médio de 0,74 na validação cruzada. No conjunto independente, a acurácia global foi 0,67. Fuji apresentou 100% de acerto e Luiza 83%, enquanto clones do grupo Gala mostraram maior confusão (44–56%), refletindo elevada proximidade genética. A importância espectral concentrou-se nas regiões VIS, red-edge e NIR inicial, associadas a pigmentos foliares e estrutura do mesófilo, com baixa contribuição do SWIR. Os resultados demonstraram que diferenças ópticas foliares permitem discriminar cultivares, sobretudo com genealogias distintas, confirmando o potencial da abordagem como prova de conceito. Entretanto, a acurácia ainda é limitada para a certificação e rastreabilidade comercial, especialmente na separação de clones e mutantes somáticos próximos.

Biografia do Autor

  • Elisângela Benedet da Silva

    Doutora em Ciência do Solo (UFRGS). Mestrado em Engenharia Civil (UFSC). Pesquisadora na Empresa Agropecuária Catarinense - Epagri, no Centro de Informações de Recursos Ambientais e de Hidrometeorologia. E-mail. elisangelasilva@epagri.sc. gov.br

    • Conceptualization
    • Data Curation
    • Formal Analysis
    • Funding Acquisition
    • Investigation
    • Methodology
    • Resources
    • Software
    • Supervision
    • Validation
    • Visualization
    • Writing – Original Draft Preparation
    • Writing – Review & Editing
    Interesses conflitantes

    Os autores declaram não haver conflitos de interesses neste trabalho.

     

  • Gabriel Berenhauser Leite

    Doutor em Fisiologia Vegetal (UBP-França). Mestrado em Agronomia (UFPel). Pesquisador na Empresa Agropecuária Catarinense - Epagri, no Centro de Informações de Recursos Ambientais e de Hidrometeorologia. E-mail. gabriel@epagri.sc. gov.br

     

     

    • Conceptualization
    • Investigation
    • Project Administration
    • Writing – Original Draft Preparation
    • Writing – Review & Editing
    • Validation
    Interesses conflitantes

    Os autores declaram não haver conflitos de interesses neste trabalho.

  • Marcus Vinícius Kvitschal

    Doutor em Genética e Melhoramento (UEM). Mestrado em Agronomia (UEM). Pesquisador na Empresa Agropecuária Catarinense - Epagri, na Estação Experimental de Caçador. E-mail. marcusvinicius@epagri.sc. gov.br

    • Conceptualization
    • Investigation
    • Writing – Review & Editing
    Interesses conflitantes

    Os autores declaram não haver conflitos de interesses neste trabalho.

  • Valeria Pohlmann

    Doutora em Agronomia (UFPel). Mestrado em Agronomia (UFSM). Pesquisadora na Empresa Agropecuária Catarinense - Epagri, no Centro de Informações de Recursos Ambientais e de Hidrometeorologia. E-mail. valeriapohlmann@epagri.sc. gov.br

    • Investigation
    • Writing – Review & Editing
    Interesses conflitantes

    Os autores declaram não haver conflitos de interesses neste trabalho.

  • Cristina Pandolfo

    Doutora em Recursos Genéticos (UFSC). Mestrado em Fitotecnia (UFRGS). Pesquisadora na Empresa Agropecuária Catarinense - Epagri, no Centro de Informações de Recursos Ambientais e de Hidrometeorologia. E-mail. cristina@epagri.sc. gov.br

    • Funding Acquisition
    • Resources
    • Writing – Review & Editing
    Interesses conflitantes

    Os autores declaram não haver conflitos de interesses neste trabalho.

Referências

ANALYTICAL SPECTRAL DEVICES INC. ASD Accessories User Manual. Document 600544. Boulder, CO: ASD Inc., 2007.

ARRUDA, D.C.; DUCATI, J.R.; HOFF, Rosemary; BELLOLI, T.F.; THUM, A.B. Proximal hyperspectral analysis in grape leaves for region and variety identification. Ciência Rural, v. 53, n.12, e20220313, 2023. Disponível em: https://doi: https://10.1590/0103-8478cr20220313. Acesso em: 15 maio 2025.

BLACKBURN, G.A. Hyperspectral remote sensing of plant pigments. Journal of Experimental Botany, Oxford, v.58, n. 4, p. 855–867, 2007. Disponível em: http://doi.org/10.1093/jxb/erl123. Acesso em: 14 ago. 2025.

CARTER, G.A.; KNAPP, A.K. Leaf optical properties in higher plants: linking spectral characteristics to stress and chlorophyll concentration. American Journal of Botany, v.88, n.4, p. 677–684, 2001. Disponível em: https://doi.org/10.2307/2657068. Acesso em: 13 jul. 2025.

CRUZ, J.; GERGOV, G.; TARAPOULOUZI, M.; KIRILOVA, E.; KOSTADINOVA, O.; NIKOLOVA, K. Classification of apple varieties by VIS-NIR diffuse reflectance spectroscopy and chemometrics. Bulgarian Chemical Communications, v.56, p.106-115, 2024. Disponível em: https://10.34049/bcc.56.D.S1P38. Acesso em: 10 jun. 2025.

CUSHNAHAN, T.A.; GRAFTON, M.C.E.; PEARSON, D.; RAMILAN, T. Hyperspectral data can differentiate species and cultivars of C3 and C4 Turf despite measurable diurnal variation. Remote Sensing, v.16, p.3142, 2024. Disponível em: https://doi.org/10.3390/rs16173142. Acesso em: 14 jul. 2025.

DENARDI, F.; KVITSCHAL, M.V.; HAWERROTH, M.C.; PETRI, J.L. Cultivares de macieira desenvolvidos pela Epagri. Florianópolis: Epagri, 2023. 97p. (Epagri. Boletim Técnico, 211).

FALCIONI, R.; GONÇALVES, J.V.F.; OLIVEIRA, K.M.D.; ANTUNES, W.C.; NANNI, M. R. VIS-NIR-SWIR hyperspectroscopy combined with data mining and machine learning for classification of predicted chemometrics of green lettuce. Remote Sensing, v. 14, p. 6330, 2022. Disponível em: https://doi.org/10.3390/rs14246330. Acesso em: 24 out. 2024.

FALCIONI, R.; ANTUNES, W.C.; DEMATTÊ, J.A.M.; NANNI, M.R. Reflectance spectroscopy for the classification and prediction of pigments in agronomic crops. Plants, v.12, p.2347, 2023. Disponível em: https://doi.org/10.3390/plants12122347. Acesso em: 24 out. 2024.

FAORO, I.D. (org.). Características agronômicas de cultivares de macieira. Florianópolis, SC: Epagri, 2025. 211p. Disponível em: https:////publicacoes.epagri.sc.gov.br/livros/article/view/2200. Acesso em: 24 out. 2025.

GREWAL, R.; KASANA, S.S.; KASANA, G. Machine learning and deep learning techniques for spectral spatial classification of hyperspectral images: A comprehensive survey. Electronics, v.12, p. 488, 2023. Disponível em: https://doi.org/10.3390/electronics12020488. Acesso em: 28 jan. 2025.

HENNESSY, A.; CLARKE, K.; LEWIS, M. Hyperspectral classification of plants: A review of waveband selection generalisability. Remote Sens., v.12, p.113, 2020. Disponível em: http://doi:10.3390/rs12010113. Acesso em: 12 jan. 2025.

HUANG, Y.; YANG, Y.; SUN, Y.; ZHOU, H.; CHEN, K. Identification of Apple Varieties Using a Multichannel Hyperspectral Imaging System. Sensors, 20, 5120, 2020. Disponível em: https://doi:10.3390/s20185120. Acesso em: 15 maio 2023.

KVITSCHAL, M.V.; DENARDI, F.; HAWERROTH, M.C.; PETRI, J.L. Cultivares de macieira desenvolvidos pela Epagri. Florianópolis, 2023. 97p. (Epagri. Boletim Técnico, 211).

LI, J. Genetic diversity and conservation strategies of apple germplasm resources. Tree Genetics and Molecular Breeding, v.14, 1-7, 2025. Disponível em: https://doi.org/10.5376/tgmb.2024.14.0001. Acesso em: 10 mar. 2026.

LI, Y.; XU, X.; WU, W.; ZHU, Y.; GAO, L.; JIANG, X.; MENG, Y.; Yang, G.J.; XUE, H. Hyperspectral estimation of chlorophyll content in grapevine based on feature selection and GA-BP. Scientific Reports, v.15, p.8029, 2025. Disponível em: https://doi.org/10.1038/s41598-024-84977-x. Acesso em: 01 fev. 2026.

LIU, W.; CHEN, Z.; JIANG, S.; WANG, Y.; FANG, H.; ZHANG, Z.; CHEN, X.; WANG, N.. Research Progress on Genetic Basis of Fruit Quality Traits in Apple (Malus × domestica). Front. Plant Sci. 13:918202, 2022. Disponível em: https://doi.org/10.3390/plants12122347. Acesso em: 15 fev. 2023.

MIRZAEI, M.; MAROFI, S.; ABBASI, M.; SOLGI, E.; KARIMI, R.; VERRELST, J. Scenario-based discrimination of common grapevine varieties using in-field hyperspectral data in the western of Iran. International Journal of Applied Earth Observation and Geoinformation, v.80, p.26-37, 2019. Disponível em: https://doi: https://10.1016/j.jag.2019.04.002 . Acesso em: 15 maio 2023.

PASQUINI, C. Near infrared spectroscopy: fundamentals, practical aspects and analytical applications. Journal of the Brazilian Chemical Society, São Paulo, v. 14, p. 198-219, 2003. Disponível em: https://doi.org/10.1590/S0103-50532003000200006. Acesso em: 25 jun. 2024.

RINNAN, Å.; van den BERG, F.; ENGELSEN, S.B. Review of the most common pre-processing techniques for near-infrared spectra. Trends in Analytical Chemistry, Amsterdam, v. 28, p. 1201, 2009. Disponível em: https://doi.org/10.1016/j.trac.2009.07.007. Acesso em: 19 mar. 2017.

ROCCHINI, D.; SANTOS, M.J.; USTIN, S.L.; FÉRET, J-B.; ASNER, G.P.; BEIERKUHNLEIN, C.; DALPONTE, M.; FEILHAUER, H.; FOODY, G.M.; GELLER, G.N.; GILLESPIE, T.W.; HE, K.S.; KLEIJN, D.; LEITÃO, P.J.; MALAVASI, M.; MOUDRÝ, V.; MÜLLEROVÁ, Ja; NAGENDRA, H.; NORMAND, S.; RICOTTA, C.; SCHAEPMAN, M.E.; SCHMIDTLEIN, S.; SKIDMORE, A.K.; ŠÍMOVÁ, P.; TORRESANI, M.; TOWNSEND, P.A.; TURNER, W.; VIHERVAARA, P.; WEGMANN, M.; LENOIR, J. The spectral species concept in living color. Journal of Geophysical Research, Biogeosciences, 127, e2022JG007026, 2022. Disponível em:https://doi. org/10.1029/2022JG007026. Acesso em: 28 jan. 2025.

SAVITZKY, A.; GOLAY, M.J. E. Smoothing and differentiation of data by simplified least squares procedures. Analytical Chemistry, v. 36, n. 8, p.1627–1639, 1964. Disponível em: https://doi.org/10.1021/ac60214a047. Acesso em: 19 mar. 2017.

SEVINDIK, E.; YANGILAR, F.; ATASAGUN, B.; SOFYALIOĞLU, E.; ŞIMŞEK, S.A.; ÇAYIR, M.E.; VIVODÍK, M. Genetic diversity and structure analysis of 'Ak Sakı' and 'Kara Sakı' apple cultivars growing in Erzincan/Türkiye. Biologica Nyssana, 15, p.61-68, 2024. Disponível em: https://doi.org/10.5281/zenodo.14258237. Acesso em: 29 jan. 2026.

SOUZA, R.P; BRIGHENTI, A.F.; GOULART JUNIOR, R. Análise da evolução da produção de maçã em Santa Catarina no período de 2014 a 2021. Agropecuária Catarinense, Florianópolis, v.37, n.3, p. 40-45, 2024. Disponível em: http://doi: https://doi.org/10.52945/rac.v37i3.1801. Acesso em: 01 jun. 2026.

SU, W-H. Advanced Machine Learning in Point Spectroscopy, RGB- and Hyperspectral-Imaging for Automatic Discriminations of Crops and Weeds: A Review. Smart cities, v.3, p.767-792, 2020. Disponível em: http://doi.org/10.3390/smartcities3030039. Acesso em: 01 abr. 2025.

YAMASHITA, H.; SONOBE, R.; HIRONO, Y..; MORITA, A.; IKKA, T. Dissection of hyperspectral reflectance to estimate nitrogen and chlorophyll contents in tea leaves based on machine learning algorithms. Scientific Reports, v.10, p.17360, 2020. Disponível em: https://doi.org/10.1038/s41598-020-73745-2. Acesso em: 29 jun. 2025.

YAMASHITA, H.; SONOBE, R.; HIRONO, Y..; MORITA, A.; IKKA, T. Potential of spectroscopic analyses for non-destructive estimation of tea quality-related metabolites in fresh new leaves. Scientific Reports, v.11, p.4169, 2021. Disponível em: https://doi.org/10.1038/s41598-021-83847-0. Acesso em: 29 jun. 2025.

ZHANG, J.; WANG, C.; YUAN, L.; LIU, P.; ZHANG, Y.; WU, K.. Construction of a plant spectral library based on an optimised feature selection method. Biosystems Engineering, v.195, p.1–16, 2020. Disponível em: https://doi.org/10.1016/j.biosystemseng.2020.04.008. Acesso em: 13 jul. 2025.

ZHANG, C.; VALENTE, J.; KOOISTRA, L.; GUO, L.; Wang, W. Orchard management with small unmanned aerial vehicles: a survey of sensing and analysis approaches. Precision Agriculture, v.22, p.2007–2052, 2021. Disponível em: https://doi.org/10.1007/s11119-021-09813-y. Acesso em: 03 set. 2025.

ZHANG, Y.; Li, X.; WANG, C.; ZHANG, R.; JIN, L.; HE, Z.; TIAN, S.; WU, K.; WANG, F. PROSPECT-PMP+: Simultaneous Retrievals of Chlorophyll a and b, Carotenoids and Anthocyanins in the Leaf Optical Properties Model. Sensors, v.22, p.3025, 2022. Disponível em: https://doi.org/10.3390/s22083025. Acesso em: 03 set. 2025.

Métricas

50
Visualizações
19
Downloads

Palavras-chave

  • Aprendizado de máquina
  • Assinatura espectral
  • Rastreabilidade varietal
  • Reflectância foliar
  • variedades de maçã