Modeling of coffee ripeness and beverage quality using proximal and remote sensing

Abstract

Coffee is one of the most valuable agricultural commodities, whose price setting and export potential are defined according to its beverage quality. In turn, the beverage quality results from the interaction of different factors from the fruit ripeness degree at harvest to the post-harvest practices. Traditionally, the fruit ripeness is evaluated through manual samplings in the field, whereas the beverage quality is assessed trough sensory analysis by trained tasters. These methods are time-consuming, not representative of the entire production area, and in the case of beverage quality assessment, they are subjective due to the personal influence of the taster. On the other hand, the advent of aerial remote sensing through the Unmanned Aerial Vehicles (UAV), as well as spectroscopy associated with chemometrics and statistical modeling techniques, are presented as a fast and accurate approach for monitoring the spatio-temporal variability of the fruit ripeness and predicting beverage quality. In this sense, the general objective of this thesis, structured in the form of chapters, including the introduction and general conclusions, consisted of modeling the fruit ripeness and beverage quality of Arabica coffee using proximal and remote sensing. In the second chapter, a vegetation index (VI) for monitoring the coffee ripeness using aerial images was developed. For doing that, an experiment was set up in five Arabica coffee fields in Paula Cândido, Minas Gerais state, Brazil. During the coffee ripeness stage in the 2018-2019 season, four flights were carried out to acquire spectral information on the crop canopy using two UAVs, one equipped with a five- band multispectral camera (RGB, RedEdge, and NIR) and another with an RGB camera. For validation purposes, manual counts of the percentage of unripe fruits were performed using irregular sampling grids on each data collection. After image processing, the coffee ripeness index (CRI) and five other VIs (MCARI1, NDVI, NDRE, GNDVI, and GRRI) were obtained. The CRI was developed by combining reflectance from the red band and from a ground-based red target placed on the study area. In general, the CRI showed a higher sensitivity to discriminate between coffee plants ready for harvest from not-ready for harvest regarding the fruit ripeness. Furthermore, the highest R 2 and lowest RMSE values for estimating the coffee ripeness were also presented by the CRI (R 2 : 0.70; 12.42%), whereas the other VIs showed R 2 and RMSE values ranging from 0.22 to 0.67 and from 13.28 to 16.50%, respectively. In the third chapter, two models for the prediction of fruit ripeness using spectral and textural variables were developed and the best variables for the development of spatio-temporal variability maps of fruit ripeness were determined. For that, the fruit ripeness data obtained from six coffee fields (including those described in the second chapter) in the 2018-2019 and 2020-2021 seasons and aerial images of seven flights performed in both seasons were used for data modeling. Through the images, 12 spectral and 64 textural variables composed of bands and VIs were obtained. The performance of the Random Forest algorithm using spectral and textural variables (R²: 0.71 and RMSE: 11.47%) was higher than the model based solely on spectral variables (R²: 0.67 and RMSE: 12.09%). Finally, in both scenarios, the most important variables in the prediction models were the VIs CRI and MCARI1 and the red and NIR bands. Lastly, in the fourth chapter, a method was developed for predicting the coffee beverage quality based on NIR spectroscopy of coffee samples, as well as for classifying the beverage final quality using different variables obtained from the UAV images. Initially, an experiment was set up in the 2020-2021 season in seven coffee fields in the municipalities of Paula Cândido and Araponga. During the harvesting, 13 flights were performed using a UAV equipped with an RGB camera. Then, different spectral, climatic, and terrain variables were obtained from the orthomosaics. For validation purposes, the harvested coffee was processed and subjected to sensory analysis. Next, NIR spectra (1000- 2450 nm) were obtained from 180 samples of roasted and ground coffee. The prediction of the beverage quality attributes based on the NIR spectra was performed using Partial Least Squares (PLS) regression and the combination of PLS with the variable selection algorithm (OPS – Ordered Predictors Selection). Overall, the best predictions were obtained for the aftertaste, overall perception, body, and balance quality attributes using the PLS-OPS models, whose coefficient of correlation (r P ) and the root-mean-square-error of the prediction (RMSE P ) ranged from 0.78 to 0.82 and from 0.15 to 0.13, respectively. In the second analysis, the variables extracted from the UAV images were used as input for developing classification models for the beverage final quality. The results were not satisfactory. Thus, the use of UAV images for beverage quality assessment still needs to be further explored in future studies. Keywords: Digital agriculture. UAV. Coffee fruit ripeness. Sensory analysis. NIR spectroscopy.

O café é uma das commodities agrícolas mais valiosas, cujo valor de mercado e potencial de exportação dependem da qualidade da bebida. Por sua vez, a qualidade da bebida resulta da interação de diferentes fatores desde a maturação dos frutos na colheita até as práticas pós- colheita. Tradicionalmente, a maturação dos frutos é avaliada por meio de amostragens manuais em campo, enquanto a qualidade da bebida é avaliada por meio de análise sensorial com provadores treinados. Esses métodos são demorados, não representativos de toda a área de cultivo e no caso da avaliação de qualidade são subjetivos devido a influência pessoal do provador. Por outro lado, o advento do sensoriamento remoto aéreo por meio dos Veículos Aéreos não Tripulados (VANT), bem como da espectroscopia associada a quimiometria e as técnicas de modelagem estatística apresentam-se como uma abordagem rápida e precisa para monitorar a variabilidade espaço-temporal da maturação e predizer a qualidade da bebida. Neste sentido, o objetivo geral dessa tese, estruturada na forma de capítulos, incluindo a introdução e conclusão geral, consistiu na modelagem da maturação e qualidade da bebida do café arábica usando sensoriamento remoto e proximal. No segundo capítulo, desenvolveu-se um índice de vegetação (IV) para monitoramento da maturação do café usando imagens aéreas. Para tal, foi montado um experimento em cinco talhões de café Arábica em Paula Cândido, Minas Gerais, Brasil. Durante a fase de maturação do café na safra 2018-2019, foram realizados quatro voos para aquisição de informações espectrais do dossel da lavoura utilizando dois VANTs, um equipado com uma câmera multiespectral de cinco bandas (RGB, RedEdge e NIR) e outro com câmera RGB. Para fins de validação, foram realizadas contagens manuais da porcentagem de frutos verdes usando grades de amostragem irregulares em cada coleta. Após o processamento das imagens, foram obtidos o índice de maturação do café (CRI – Coffee Ripeness Index) e outros cinco IVs (MCARI1, NDVI, NDRE, GNDVI e GRRI). O CRI foi desenvolvido combinando a refletância na banda do vermelho com a refletância dessa mesma banda extraída de um alvo vermelho incluído na área imageada. De maneira geral, o CRI mostrou maior sensibilidade em discriminar plantas de café aptas para colheita daquelas não aptas com relação a maturação. Além disso, os maiores valores de R 2 e menor valor da raiz do erro quadrático médio (RMSE) para estimar a maturação do café também foram apresentados pelo CRI (R 2 : 0,70; 12,42%), enquanto nos demais IVs os valores de R 2 e RMSE variaram de 0,22 a 0,67 e de 13,28 a 16,50%, respectivamente. No terceiro capítulo, foram desenvolvidos dois modelos para a predição da maturação dos frutos usando variáveis espectrais e texturais e determinadas as melhores variáveis para o desenvolvimento de mapas de variabilidade espaço-temporal da maturação. Para tanto, dados de maturação obtidos de seis lavouras de café (incluindo aquelas descritas no segundo capítulo) nas safras 2018-2019 e 2020-2021 e imagens aéreas de sete voos realizados em ambas as safras foram utilizados para a modelagem. Por meio das imagens, foram obtidas 12 variáveis espectrais e 64 texturais compostas por bandas e IVs. O desempenho do algoritmo Random Forest utilizando variáveis espectrais e texturais (R²: 0,71 e RMSE: 11,47%) foi superior ao modelo baseado apenas nas variáveis espectrais (R²: 0,67 e RMSE: 12,09%). Por fim, em ambos os cenários, as variáveis que apresentaram maior importância nos modelos de predição foram os IVs CRI e MCARI1 e as bandas do vermelho e do NIR. Finalmente, no quarto capítulo, desenvolveu-se um método para predição da qualidade da bebida do café com base em espectroscopia do NIR de amostras de café, bem como para a classificação da qualidade final da bebida usando diferentes variáveis obtidas a partir de imagens de VANT. Inicialmente, foi montado um experimento na safra 2020-2021 em sete talhões de café nos municípios de Paula Cândido e Araponga. Durante a colheita do café foram realizados 13 voos usando um VANT equipado com uma câmera RGB. Em seguida, diferentes variáveis espectrais, climáticas e de terreno foram obtidas a partir dos ortomosaicos. Para fins de validação, o café colhido foi processado e submetido à análise sensorial. Na sequência, foram obtidos espectros do NIR (1000-2450 nm) de 180 amostras de café torrado e moído. A predição dos atributos de qualidade baseada nos espectros do NIR foi realizada usando regressão de mínimos quadrados parcial (PLS – Partial Least Squares) e a combinação do PLS com o algoritmo de seleção de variáveis (OPS – Ordered Predictors Selection). Em geral, as melhores predições foram obtidas para a finalização, percepção geral, corpo e equilíbrio usando o PLS- OPS, cujo coeficiente de correlação de predição (r P ) e RMSE da predição (RMSE P ) variaram de 0,78 a 0,82 e de 0,15 a 0,13, respectivamente. Na segunda análise, as variáveis extraídas das imagens foram usadas no desenvolvimento de modelos de classificação da qualidade da bebida. Os resultados não foram satisfatórios. Assim, o uso de imagens obtidas por VANT para classificação da qualidade da bebida ainda precisa ser mais bem explorado em estudos futuros. Palavras-chave: Agricultura digital. VANT. Maturação dos frutos de café. Análise sensorial, Espectroscopia do NIR.