Aplicações de Aprendizado de Máquina e Aprendizado Profundo para Deficiência Nutricional Foliar: Uma Revisão Sistemática

A detecção automática de deficiências nutricionais foliares por meio de visão computacional representa uma alternativa promissora dentro das práticas de agricultura de precisão, reduzindo a dependência de análises laboratoriais e a subjetividade associada à inspeção visual. Esta revisão sistemática mapeia e compara a aplicação de técnicas de aprendizado de máquina (ML) e aprendizado profundo (DL) para diagnóstico nutricional em diferentes culturas, destacando tendências metodológicas, barreiras à adoção de modelos em condições de campo e lacunas existentes na pesquisa. Seguindo as diretrizes PRISMA (PRISMA-P e PRISMA-2020), foram realizadas buscas nas bases de dados Scopus, IEEE Xplore e Web of Science, utilizando um período definido e critérios explícitos de inclusão e exclusão, resultando em 200 artigos incluídos (2012–2026; última busca em 2 de fevereiro de 2026). Os resultados indicam predomínio de abordagens baseadas em DL e imagens RGB, com aplicações concentradas em culturas como arroz e em macronutrientes, principalmente nitrogênio (N), fósforo (P) e potássio (K), e reportam um aumento marcante nas publicações a partir de 2020. Embora muitos estudos relatem alto desempenho, as evidências são em grande parte derivadas de ambientes controlados e conjuntos de dados proprietários, o que limita a comparabilidade, reprodutibilidade e generalização dos modelos para cenários do mundo real. Consequentemente, as principais lacunas de pesquisa incluem validação limitada em condições de campo, identificada como a principal barreira prática; sub-representação de micronutrientes e diagnóstico de múltiplas deficiências; e a necessidade de arquiteturas leves adequadas para implementação em aplicativos móveis e de computação de borda. Conclui-se que as técnicas de ML e DL oferecem alternativas promissoras para o diagnóstico nutricional automatizado; no entanto, avanços na padronização de dados, conjuntos de dados de acesso aberto e validação em condições reais de campo são essenciais para consolidar essas tecnologias em aplicações práticas.