Aprendizado de máquina aplicado à predição do estado de evolução da Sigatoka Negra
Carregando...
Data
Orientador
Silva, Silvia Helena Modenese Gorla da 
Coorientador
Pós-graduação
Curso de graduação
Registro - FCAVR - Engenharia Agronômica
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso restrito
Resumo
Resumo (português)
A Sigatoka Negra, causada pelo fungo Mycosphaerella fijiensis, representa uma das maiores ameaças à bananicultura, podendo ocasionar perdas de 100 % da produção. A doença foi identificada pela primeira vez em junho de 2004 nos bananais do Vale do Ribeira, e rapidamente espalhou-se para outras regiões produtoras do estado. A doença afeta principalmente as folhas jovens, provocando estrias e, posteriormente, evoluem para manchas necróticas que reduzem a capacidade fotossintética da planta. Em virtude das condições favoráveis à sua disseminação presentes na região, torna-se imprescindível o monitoramento eficaz para o manejo da doença. Este presente trabalho teve por objetivo predizer o Estado da Evolução (EE) da Sigatoka Negra baseado em temperatura, precipitação e umidade relativa, utilizando diferentes intervalos temporais antecedentes à data de avaliação (7, 11 ou 15 dias), além de comparar o desempenho das técnicas de Aprendizado de Máquina - Redes Neurais Artificiais (RNA), Support Vector Machine (SVM) e Random Forest (RF) - para identificar o melhor algoritmo na predição do EE. O experimento foi realizado em um bananal em Pariquera-Açu (SP), caracterizado pelo clima Cfa segundo a classificação de Koppen (clima subtropical úmido, com verões quentes e sem estação definida), através do monitoramento da Sigatoka Negra por meio do método de Estado da Evolução, desenvolvido por Moraes et al., (2005), durante cinco anos, entre 2019 a 2024. Foram utilizados dados climáticos (temperatura mínima e máxima, precipitação e umidade relativa) coletados da estação meteorológica pertencente ao CIIAGRO. As variáveis climáticas foram coletadas considerando 7, 11 e 15 dias antes da data de leitura e aplicou-se aprendizado de máquina com os algoritmos RNA, SVM e RF através do software Weka ®, para identificar o melhor prognóstico da severidade da doença. Os resultados demonstraram correlação moderada entre o EE e variáveis climáticas quinze dias antes da data de leitura, no período de setembro de 2022 a setembro de 2023. O algoritmo SVM (r = 0,71) apresentou desempenho estatisticamente superior comparado às técnicas RNA (r = 0,65) e RF (r = 0,63). Dessa forma, foi possível estimar o EE através da análise de regressão múltipla, sendo definida pelo modelo: 132,5755 + 89,6634tmin - 10,384UR, no qual r = 0,71. Esse valor apresenta-se razoável devido a complexidade e variabilidade dos fatores climáticos envolvidos no desenvolvimento da Sigatoka Negra. Ademais, os fatores interdependentes como variabilidade genética do patógeno, nutrição da planta, microclima e práticas de manejo no campo podem exercer influência significativa sobre a progressão da doença, assim, o que pode limitar a capacidade explicativa do modelo.
Resumo (inglês)
Black Sigatoka, caused by the fungus Mycosphaerella fijiensis, poses one of the greatest threats to banana farming, potentially causing 100% production losses. The disease was first identified in June 2004 in banana plantations in the Ribeira Valley and quickly spread to other banana-growing regions of the state. The disease primarily affects young leaves, causing streaks that later develop into necrotic spots that reduce the plant's photosynthetic capacity. Due to the favorable conditions for its spread in the region, effective monitoring is essential for disease management. This present work aimed to predict the State of Evolution (SE) of Black Sigatoka based on temperature, precipitation and relative humidity, using different time intervals prior to the evaluation date (7, 11 or 15 days), in addition to comparing the performance of Machine Learning techniques - Artificial Neural Networks (ANN), Support Vector Machine (SVM) and Random Forest (RF) - to identify the best algorithm in predicting the SE. The experiment was carried out in a banana plantation in Pariquera-Açu (SP), characterized by the Cfa climate according to the Koppen classification (humid subtropical climate, with hot summers and no defined season), through the monitoring of Black Sigatoka using the State of Evolution method, developed by Moraes et al., (2005), for five years, between 2019 and 2024. Climatic data (minimum and maximum temperature, precipitation and relative humidity) collected from the meteorological station belonging to CIIAGRO were used. Climatic variables were collected 7, 11, and 15 days before the reading date, and machine learning with ANN, SVM, and RF algorithms was applied using Weka® software to identify the best prognosis of disease severity. The results showed a moderate correlation between EE and climatic variables fifteen days before the reading date, from September 2022 to September 2023. The SVM algorithm (r = 0.71) showed statistically superior performance compared to ANN (r = 0.65) and RF (r = 0.63) techniques. Thus, it was possible to estimate EE through multiple regression analysis, defined by the model: 132.5755 + 89.6634tmin - 10.384UR, in which r = 0.71. This value appears reasonable given the complexity and variability of the climatic factors involved in the development of Black Sigatoka. Furthermore, interdependent factors such as pathogen genetic variability, plant nutrition, microclimate, and field management practices can significantly influence disease progression, thus limiting the model's explanatory capacity.
Descrição
Palavras-chave
Mycosphaerella fijiensis, Musa, Doença de plantas, Inteligência artificial, Mycosphaerella fijiensis, Musa, Plant disease, Artificial intelligence
Idioma
Português
Citação
GASPERI, Pedro Andréas Prugger de. Aprendizado de máquina aplicado à predição do estado de evolução da Sigatoka Negra. Orientadora: Silvia Helena Modenese Gorla da Silva. 2025. 36 p. Trabalho de conclusão de curso (Bacharelado em Engenharia Agronômica) - Faculdade de Ciências Agrárias do Vale do Ribeira, Universidade Estadual Paulista (UNESP), Registro, 2025.
