The identification of pathogens in agricultural production areas is a tool that helps in localized control and its dissemination, reducing the cost of control and in a less aggressive way to the environment. The objective of this work was to evaluate the use of images obtained by RPA to identify spots in soybean (Glycine max) crops caused by soil borne pathogens in two harvests in the region of Ponta Grossa and one harvest in Wenceslau Braz, State of Paraná. Within the two study sites, an area of 4 hectares was selected to carry out the data collection in the field, where they were divided into 80 sample grids, measuring 500m2 each sample grid with the dimensioning of 20 x 25 m. The RPA used was Inspire 2 from DJI with the Sentera Double 4K camera (multispectral). The identification of symptoms of stain in soybean crops, caused by the soil borne pathogens, identification of pathogens, plant height, population, and yield in kg ha-1 were evaluated in the field in Weka and SynthesisFS software. The verification of the best algorithm was based on the highest correlation coefficient index in relation to the attribute of plants with and without pathogens, using the Shapiro-Wilk normality test to verify if the data that were worked were parametric or not, in according to results of the analyses. For the non-parametric values, the Wilcoxon test was used to verify the difference between the populations of the quadrants with and without soil pathogens and, for the parametric data, the Student's T test was used. The pathogens found in the areas during the two seasons, in the two study sites, were Fusarium spp, Macrophomina phaseolina and Phomopsis spp. Which affected productivity. The algorithms showed the importance of using the reflectance values of the bands in the two study sites with emphasis on the NDVI and NDRE indices. It was possible to generate a classification model with the J48 algorithm, based on trees, with cross- validation of 5 folds with hit rates above 80% in both places, considered efficient to identify the ruffles caused by soil borne pathogens in the soybean crop.A identificação de patógenos em áreas de produção agrícola é uma ferramenta que auxilia no controle localizado e na sua disseminação, diminuindo o custo do controle e de forma menos agressiva ao meio ambiente. O trabalho teve como objetivo avaliar o uso de imagens obtidas por RPA para identificação de manchas em lavouras de soja (Glycine max) ocasionadas por patógenos de solo em duas safras na região de Ponta Grossa e uma safra em Wenceslau Braz, Estado do Paraná. Nos dois locais de estudo foi selecionado área de 4 hectares para realização da coleta de dados a campo, onde foram divididas em 80 grades amostrais, mensurando 500 m2 cada grade amostral com o dimensionamento de 20 x 25 m. O RPA utilizado foi Inspire 2 da Dji com a câmera Sentera Double 4K (multiespectral). Foram avaliados a campo a identificação de sintomas de mancha em lavoura de soja, ocasionadas por patógeno de solo, a identificação dos patógenos, altura de planta, população e produtividade em kg ha-1 . Foram processados os algoritmos de machine learning no software Weka e SynthesisFS. A verificação do melhor algoritmo foi pelo maior índice de coeficiente de correlação em relação ao atributo de plantas com patógenos e sem patógenos, utilizando-se o teste de normalidade de Shapiro-Wilk para verificar se os dados que foram trabalhados eram paramétricos ou não, de acordo com os resultados das análises. Para os valores não paramétricos foi utilizado o teste de Wilcoxon para verificar a diferença entre as populações dos quadrantes com e sem patógenos de solo e, para os dados paramétricos foi utilizado o test T de Student. Os patógenos encontrados nas áreas durante as duas safras, nos dois locais de estudo, foram Furarium spp, Macrophomina phaseolina e Phomopsis spp, que afetaram a produtividade. Os algoritmos mostraram a importância do uso dos valores de reflectância das bandas nos dois locais de estudo com ênfase nos índices de NDVI e NDRE. Foi possível geral um modelo de classificação com algoritmo J48, baseado em árvores, com validação cruzada 5 folds com índices de acerto acima de 80% nos dois locais, considerado eficiente para identificar as reboleiras ocasionadas pelos patógenos de solo na cultura da soja.