INTELIGÊNCIA ARTIFICIAL PARA DETECÇÃO, MONITORAMENTO E PREVISÃO DE DOENÇAS DE PLANTAS: AVANÇOS, DESAFIOS E LACUNAS FUTURAS
Resumo
As doenças de plantas constituem um dos principais fatores limitantes da produtividade agrícola global, ocasionando perdas significativas e comprometendo a segurança alimentar. A crescente complexidade dos sistemas produtivos e as limitações dos métodos tradicionais de diagnóstico, baseados majoritariamente na avaliação visual e em análises laboratoriais, têm impulsionado a incorporação da inteligência artificial (IA) na fitopatologia. Nesse contexto, o presente estudo teve como objetivo sintetizar os avanços, desafios e lacunas relacionadas à aplicação da IA na detecção, monitoramento e previsão de doenças de plantas. Trata-se de uma revisão integrativa da literatura, conduzida a partir de buscas sistemáticas em bases científicas nacionais e internacionais, contemplando estudos que abordaram técnicas de machine learning, deep learning e modelos híbridos aplicados à fitopatologia. Foram analisadas abordagens baseadas em imagens RGB, dados multiespectrais e hiperespectrais, integração com veículos aéreos não tripulados (UAVs) e modelos preditivos fundamentados em variáveis climáticas. Os resultados evidenciam que redes neurais convolucionais e arquiteturas temporais, como LSTM, ampliaram substancialmente a acurácia diagnóstica e o potencial preditivo dos sistemas, especialmente quando integradas a dados ambientais. Entretanto, persistem desafios relacionados à generalização dos modelos, escassez de bases de dados representativas, variabilidade de campo e elevado custo computacional. Conclui-se que a IA representa ferramenta estratégica para a transição de uma fitopatologia reativa para uma abordagem preditiva e de suporte à decisão. Todavia, sua consolidação em condições reais de cultivo depende de validação agronômica robusta, padronização metodológica e integração multidisciplinar, visando sistemas mais precisos, sustentáveis e aplicáveis à agricultura de precisão.
Biografia do Autor
Engenheiro Agrônomo (UFPI) e Mestre em Agronomia/Fitotecnia (UFC). Docente na Escola Família Agrícola de Jaguaré (MEPES) e possui experiência em ensino, pesquisa e extensão nas Ciências Agrárias.
Engenheiro Agrônomo (UFERSA), Mestre em Fitotecnia (UFRRJ). Fiscal Estadual Agropecuário no Instituto de Defesa Agropecuária e Florestal do Espírito Santo (IDAF), com experiência em Entomologia e Apicultura.
Engenheira Agrônoma (UFPB), Mestre em Agronomia (UFPB) e Doutora em Agronomia (UNESP/FCAV). Docente da Universidade Federal do Piauí (UFPI), atuando em Fitotecnia, Nutrição de Plantas e Olericultura.
Engenheira Florestal (UFCG), Mestre em Manejo de Solo e Água (UFPB) e Doutora em Agronomia (UFPB). Professora Adjunta da Universidade Federal do Piauí (UFPI/) com atuação em Solos, Recuperação de Áreas Degradadas e Educação Ambiental.
Referências
ALBIERO, D.; GARCIA, A. P.; UMEZU, C. K.; DE PAULO, R. L. Swarm robots in mechanized agricultural operations: a review about challenges for research. Computers and Electronics in Agriculture, v. 193, p. 106608, 2022. DOI: https://doi.org/10.1016/j.compag.2021.106608
AMPATZIDIS, Y.; DE BELLIS, L.; LUVISI, A. iPathology: robotic applications and management of plants and plant diseases. Sustainability, v. 9, n. 6, p. 1010, 2017. Disponível em: DOI: https://doi.org/10.3390/su9061010 DOI: https://doi.org/10.3390/su9061010
APPELTANS, S.; PIETERS, J. G.; MOUAZEN, A. M. Potential of laboratory hyperspectral data for in-field detection of Phytophthora infestans on potato. Precision Agriculture, v. 23, n. 3, p. 876–893, 2022. DOI: https://doi.org/10.1007/s11119-021-09865-0
BARRETO, A.; ISPIZUA YAMATI, F. R.; VARRELMANN, M.; PAULUS, S.; MAHLEIN, A. K. Disease incidence and severity of cercospora leaf spot in sugar beet assessed by multispectral unmanned aerial images and machine learning. Plant Disease, v. 107, n. 1, p. 188–200, 2023. DOI: https://doi.org/10.1094/PDIS-12-21-2734-RE
BOHNENKAMP, D.; BEHMANN, J.; PAULUS, S.; STEINER, U.; MAHLEIN, A. K. A hyperspectral library of foliar diseases of wheat. Phytopathology, v. 111, n. 9, p. 1583–1593, 2021. DOI: https://doi.org/10.1094/PHYTO-09-19-0335-R
BRYNJOLFSSON, E.; MITCHELL, T. What can machine learning do? Workforce implications. Science, v. 358, n. 6370, p. 1530–1534, 2017. DOI: https://doi.org/10.1126/science.aap8062
CHEN, R. J.; DING, T.; LU, M. Y.; WILLIAMSON, D. F.; JAUME, G.; SONG, A. H.; MAHMOOD, F. Towards a general-purpose foundation model for computational pathology. Nature Medicine, v. 30, n. 3, p. 850–862, 2024. DOI: https://doi.org/10.1038/s41591-024-02857-3
DAYANG, P.; MELI, A. S. K. Evaluation of image segmentation algorithms for plant disease detection. International Journal of Image, Graphics and Signal Processing, v. 12, n. 5, p. 14, 2021. DOI: https://doi.org/10.5815/ijigsp.2021.05.02
DUO, R.; WU, C.; YOSHINAGA, T.; ZHANG, J.; JI, Y. SDN-based handover scheme in Cellular/IEEE 802.11p hybrid vehicular networks. Sensors, v. 20, n. 4, p. 1082, 2020 DOI: https://doi.org/10.3390/s20041082 DOI: https://doi.org/10.3390/s20041082
EMMI, L.; GONZÁLEZ-DE-SOTO, M.; PAJARES, G.; GONZÁLEZ-DE-SANTOS, P. New trends in robotics for agriculture: integration and assessment of a real fleet of robots. The Scientific World Journal, v. 2014, p. 1–21, 2014. DOI: https://doi.org/10.1155/2014/404059
FERENTINOS, K. P. Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, v. 145, p. 311–318, 2018. DOI: https://doi.org/10.1016/j.compag.2018.01.009
GARRETT, K. A.; BEBBER, D. P.; ETHERINGTON, B. A.; GOLD, K. M.; PLEX SULÁ, A. I.; SELVARAJ, M. G. Climate change effects on pathogen emergence: artificial intelligence to translate big data for mitigation. Annual Review of Phytopathology, v. 60, p. 357–378, 2022 DOI: https://doi.org/10.1146/annurev-phyto-021021-042636 DOI: https://doi.org/10.1146/annurev-phyto-021021-042636
GONZÁLEZ-RODRÍGUEZ, V. E.; IZQUIERDO-BUENO, I.; CANTORAL, J. M.; CARBÚ, M.; GARRIDO, C. Artificial intelligence: a promising tool for application in phytopathology. Horticulturae, v. 10, n. 3, p. 197, 2024 DOI: https://doi.org/10.3390/horticulturae10030197 DOI: https://doi.org/10.3390/horticulturae10030197
HAMANN, H.; WAHBY, M.; SCHMICKL, T.; ZAHADAT, P.; HOFSTADLER, D.; STOY, K.; WOJTASZEK, P. Flora robotica: mixed societies of symbiotic robot-plant bio-hybrids. In: IEEE Symposium Series on Computational Intelligence, 2015, Cape Town. Anais […]. Cape Town: IEEE, 2015. p. 1102–1109. DOI: https://doi.org/10.1109/SSCI.2015.158
HASSAN, S. M.; MAJI, A. K. Plant disease identification using a novel convolutional neural network. IEEE Access, v. 10, p. 5390–5401, 2022. DOI: https://doi.org/10.1109/ACCESS.2022.3141371
KIM, Kwang-Hyung; LEE, Junhyuk. Smart plant disease management using agrometeorological big data. Research in Plant Disease, v. 26, n. 3, p. 121–133, 2020 DOI: https://doi.org/10.5423/RPD.2020.26.3.121 DOI: https://doi.org/10.5423/RPD.2020.26.3.121
LI, W.; ZHOU, B.; ZHOU, Y.; JIANG, C.; RUAN, M.; KE, T.; WANG, H.; LV, C. Grape disease detection using transformer-based integration of vision and environmental sensing. Agronomy, v. 15, p. 831, 2025 DOI: https://doi.org/10.3390/agronomy15040831 DOI: https://doi.org/10.3390/agronomy15040831
LI, Y.; CHAO, X. Toward sustainability: trade-off between data quality and quantity in crop pest recognition. Frontiers in Plant Science, v. 12, p. 811241, 2021. DOI: https://doi.org/10.3389/fpls.2021.811241
LIU, F.; LI, J.; WANG, L. PI-LSTM: Physics-Informed Long Short-Term Memory Network for Structural Response Modeling. Eng. Struct. 2023, 292, 116500 DOI: https://doi.org/10.1016/j.engstruct.2023.116500
LUCAS, J. A.; HAWKINS, N. J.; FRAAIJE, B. A. The evolution of fungicide resistance. Advances in Applied Microbiology, v. 90, p. 29–92, 2015. DOI: https://doi.org/10.1016/bs.aambs.2014.09.001
MAHLEIN, A. K. Plant disease detection by imaging sensors: parallels and specific demands for precision agriculture and plant phenotyping. Plant Disease, v. 100, n. 2, p. 241–251, 2016. DOI: https://doi.org/10.1094/PDIS-03-15-0340-FE
MARELLA, V. C.; ERUKUDE, S. T.; VELURU, S. R. Towards a new era of sustainable agriculture: AI applications and case studies in crop management. International Journal of Computer Applications, v. 187, n. 18, p. 15–20, 2025. DOI: https://doi.org/10.5120/ijca2025925294
MEHEDI, M. H. K.; NAWER, N.; AHMED, S.; KHAN, M. S. I.; HASIB, K. M.; MRIDHA, M.; ALAM, M. G. R.; NGUYEN, T. T. PLD-Det: plant leaf disease detection in real time using an end-to-end neural network approach based on improved YOLOv7. Neural Computing and Applications, v. 36, p. 21885–21898, 2024 DOI: https://doi.org/10.1007/s00521-024-10409-6 DOI: https://doi.org/10.1007/s00521-024-10409-6
MOHANTY, S. P.; HUGHES, D. P.; SALATHÉ, M. Using deep learning for image-based plant disease detection. Frontiers in Plant Science, v. 7, p. 1419, 2016. DOI: https://doi.org/10.3389/fpls.2016.01419
NYAWOSE, T.; MASWANGANYI, R. C.; KHUMALO, P. A review on the detection of plant disease using machine learning and deep learning approaches. Journal of Imaging, v. 11, n. 10, p. 326, 2025 DOI: https://doi.org/10.3390/jimaging11100326 DOI: https://doi.org/10.3390/jimaging11100326
OERKE, E. C. Crop losses to pests. Journal of Agricultural Science, v. 144, p. 31–43, 2005. DOI: https://doi.org/10.1017/S0021859605005708
OTERO, M.; VELASQUEZ, L. F.; BASILE, B.; ONRUBIA, J. R.; PUJOL, A. J.; PIJUAN, J. Data driven predictive models based on artificial intelligence to anticipate the presence of Plasmopara viticola and Uncinula necator in southern European winegrowing regions. Frontiers in Artificial Intelligence and Applications, v. 356, p. 164–167, 2022. DOI: https://doi.org/10.3233/FAIA220333
PETHYBRIDGE, S. J.; NELSON, S. C. Leaf Doctor: a new portable application for quantifying plant disease severity. Plant Disease, v. 99, n. 10, p. 1310–1316, 2015. DOI: https://doi.org/10.1094/PDIS-03-15-0319-RE
SAVARY, S.; WILLOCQUET, L.; PETHYBRIDGE, S. J.; ESKER, P.; MCROBERTS, N.; NELSON, A. The global burden of pathogens and pests on major food crops. Nature Ecology & Evolution, v. 3, p. 430–439, 2019. DOI: https://doi.org/10.1038/s41559-018-0793-y
SHI, W.; CAO, J.; ZHANG, Q.; LI, Y.; XU, L. Edge computing: vision and challenges. IEEE Internet of Things Journal, v. 3, n. 5, p. 637–646, 2016 DOI: https://doi.org/10.1109/JIOT.2016.2579198 DOI: https://doi.org/10.1109/JIOT.2016.2579198
SINGH, A.; GANAPATHYSUBRAMANIAN, B.; SINGH, A. K.; SARKAR, S. Machine learning for high-throughput stress phenotyping in plants. Trends in Plant Science, v. 21, p. 110–124, 2016. DOI: https://doi.org/10.1016/j.tplants.2015.10.015
SOUZA, M. T.; SILVA, M. D.; CARVALHO, R. Revisão integrativa: o que é e como fazer. Einstein (São Paulo), v. 8, n. 1, p. 102–106, 2010. DOI: https://doi.org/10.1590/s1679-45082010rw1134
TEGHIPCO, A.; NEWMAN-NORLUND, R.; FRIDRIKSSON, J.; RORDEN, C.; BONILHA, L. Distinct brain morphometry patterns revealed by deep learning improve prediction of post-stroke aphasia severity. Communications Medicine, v. 4, n. 1, p. 115, 2024. DOI: https://doi.org/10.1038/s43856-024-00541-8
TSAFTARIS, S. A.; MINERVINI, M.; SCHARR, H. Machine learning for plant phenotyping needs image processing. Trends in Plant Science, v. 21, n. 12, p. 989–991, 2016. DOI: https://doi.org/10.1016/j.tplants.2016.10.002
VISHNOI, V. K.; KUMAR, K.; KUMAR, B. A comprehensive study of feature extraction techniques for plant leaf disease detection. Multimedia Tools and Applications, v. 81, n. 1, p. 367–419, 2022. DOI: https://doi.org/10.1007/s11042-021-11375-0
ZARCO-TEJADA, P. J.; POBLETE, T.; CAMINO, C.; GONZÁLEZ-DUGO, V.; CALDERÓN, R.; HORNERO, A.; NAVAS-CORTES, J. A. Divergent abiotic spectral pathways unravel pathogen stress signals across species. Nature Communications, v. 12, n. 1, p. 6088, 2021. DOI: https://doi.org/10.1038/s41467-021-26335-3
Licença
Copyright (c) 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.