Modelagem agrometeorológica utilizando aprendizado de máquina para prever a mancha branca do milho

Abstract

O milho (Zea mays L.) é uma das culturas mais importantes em todo o mundo devido à sua contribuição para a segurança alimentar e sua relevância econômica, particularmente em regiões tropicais e subtropicais. No entanto, a produção de milho é influenciada por diversos fatores bióticos e abióticos, entre os quais as doenças foliares representam uma das principais limitações para o rendimento e a qualidade dos grãos. A mancha foliar de Phaeosphaeria, ou Mancha Branca do Milho (MWS), é uma das doenças foliares mais importantes, e sua severidade é fortemente modulada por condições agrometeorológicas. Nesse contexto, a compreensão dos fatores ambientais que influenciam o desenvolvimento da doença é essencial para aprimorar as estratégias de predição e manejo. O objetivo deste estudo foi avaliar as relações entre variáveis ​​agrometeorológicas e a severidade da MWS, desenvolvendo um modelo preditivo baseado em aprendizado de máquina por meio da integração de variáveis ​​ambientais e relacionadas à cultura. Dados de severidade da doença, coletados entre 1998 e 2022 nos principais municípios produtores de milho do estado de São Paulo, Brasil, foram combinados com dados meteorológicos diários obtidos do banco de dados POWER da NASA. Foram realizadas análises de correlação para identificar associações entre a severidade da doença e variáveis ​​ambientais, e um modelo de regressão linear foi ajustado para estimar a relação entre a severidade e a produtividade. Em seguida, quatro algoritmos de aprendizado de máquina (Random Forest, Support Vector Regression, Multilayer Perceptron e XGBoost) foram avaliados juntamente com a Regressão Linear Múltipla como modelo de referência, utilizando variáveis ​​agrometeorológicas agregadas em janelas temporais ao longo do ciclo da cultura, juntamente com variáveis ​​específicas da cultura, como tipo de híbrido, graus-dia de crescimento até o florescimento e nível de resistência da cultivar. Os resultados indicaram que a produtividade do milho diminuiu em aproximadamente 45,7 kg ha⁻¹ (≈1%) para cada aumento de 1% na severidade da doença. Níveis mais elevados de severidade foram associados à umidade relativa acima de 55%, umidade do solo superior a 0,3, temperaturas médias entre 15-22 °C, temperaturas máximas entre 20-30 °C, amplitude térmica diurna de 8-16 °C e velocidades do vento inferiores a 3 m s⁻¹. Os modelos de aprendizado de máquina superaram consistentemente a abordagem linear, com o XGBoost alcançando o melhor desempenho preditivo (RMSE = 0,519; R² ajustado = 0,805 no conjunto de dados de teste). A resistência da cultivar foi identificada como o preditor mais influente, seguida por variáveis ​​relacionadas à disponibilidade de água durante os estágios vegetativo avançado e reprodutivo inicial. No geral, esses resultados fornecem suporte quantitativo para o risco de proteção de plantas e estabelecem uma base para o desenvolvimento de ferramentas de apoio à decisão com o objetivo de aprimorar o manejo sustentável de doenças do milho em condições de variabilidade climática.

Maize (Zea mays L.) is one of the most important crops worldwide due to its contribution to food security and its economic relevance, particularly in tropical and subtropical regions. However, maize production is influenced by diverse biotic and abiotic factors, among which foliar diseases represent a major constraint on grain yield and quality. Phaeosphaeria leaf spot or Maize White Spot (MWS) is one of the most important foliar diseases, and its severity is strongly modulated by agrometeorological conditions. In this context, understanding the environmental factors that influence disease development is essential for improving prediction and management strategies. The objective of this study was to evaluate the relationships between agrometeorological variables and MWS severity and developed a machine learning-based predictive framework through the integration of environmental and crop-related variables. Disease severity data collected between 1998 and 2022 from major maize-producing municipalities in São Paulo State, Brazil, were combined with daily meteorological data obtained from the NASA POWER dataset. Correlation analyses were conducted to identify associations between disease severity and environmental variables, and a linear regression model was fitted to estimate the relationship between severity and yield. Then, four machine learning algorithms (Random Forest, Support Vector Regression, Multilayer Perceptron, and XGBoost) were evaluated alongside Multiple Linear Regression as a reference model, using agrometeorological variables aggregated over temporal windows throughout the crop cycle, together with crop-specific variables such as hybrid type, growing degree days to flowering, and cultivar resistance level. The results indicated that maize yield decreased by approximately 45.7 kg ha-1 (≈1%) for each 1% increase in disease severity. Higher severity levels were associated with relative humidity above 55%, soil moisture greater than 0.3, mean temperatures between 15-22 °C, maximum temperatures between 20-30 °C, diurnal temperature ranges of 8-16 °C, and wind speeds below 3 m s-1. Machine learning models consistently outperformed the linear approach, with XGBoost achieving the best predictive performance (RMSE = 0.519; adjusted R2 = 0.805 in the test dataset). Cultivar resistance was identified as the most influential predictor, followed by variables related to water availability during advanced vegetative and early reproductive stages. Overall, these findings provide quantitative support for plant protection risk and establish a foundation for the development of decision-support tools aimed at improving sustainable maize disease management under conditions of climate variability.