Modelos agrometeorológicos-espectrais baseados em inteligência artificial para estimativa da severidade da cercosporiose no cafeeiro.

Abstract

A produção de café é considerada uma atividade extremamente importante para a economia brasileira, sendo uma das bebidas mais consumidas pela população mundial, perdendo somente para a água. O padrão de qualidade do café é diretamente ligado ao clima, influenciando na produtividade da cultura e na incidência e severidade de doenças, como a cercosporiose. Este trabalho tem o objetivo de realizar a estimativa da severidade da cercosporiose para as cidades de Mococa, Franca, Marilia, Garça, Ourinhos, Avaré, São João da Boa Vista e Varginha, com base em modelos agrometeorológicos-espectrais, do período de 2015 a 2022. Os dados meteorológicos estudados incluem precipitação, umidade relativa, temperatura (média, máxima e mínima), velocidade do vento, saldo de radiação umidade do solo e temperatura no ponto de orvalho, os quais foram obtidos a partir da plataforma NASA-POWER. Os índices de NDVI e EVI foram obtidos através da plataforma SATveg, fornecida pela Embrapa. Os dados sobre a severidade da doença cercosporiose foram extraídos do sistema da Fundação Procafé. Os modelos de estimativas utilizados são Regressão Linear Múltipla (RLM), Árvore de decisão (AD) e Random Forest (RF). Os Resultados confirmam o impacto do clima sobre a severidade da cercosporiose no cafeeiro, e mostram que modelos de estimativa como Random Forest e Árvore de Decisão tem um desempenho maior se comparado à Regressão Linear Múltipla.

Coffee production is considered an extremely important activity for the Brazilian economy and is one of the most consumed beverages worldwide, second only to water. The quality of coffee is directly related to the climate, which influences both the productivity of the crop and the incidence and severity of diseases such as cercospora leaf spot. This study aims to estimate the severity of cercospora leaf spot for the cities of Mococa, Franca, Marilia, Garça, Ourinhos, Avaré, São João da Boa Vista, and Varginha, using agrometeorological-spectral models from 2015 to 2022. The meteorological data studied include precipitation, relative humidity, temperature (mean, maximum, and minimum), wind speed, radiation balance, soil moisture, and dew point temperature, all of which were obtained from the NASA-POWER platform. NDVI and EVI indices were acquired through the SATveg platform provided by Embrapa. Data on the severity of cercospora leaf spot were extracted from the Fundação Procafé system. The estimation models used are Multiple Linear Regression (MLR), Decision Tree (DT), and Random Forest (RF). The results confirm the impact of climate on the severity of cercospora leaf spot in coffee and show that estimation models such as Random Forest and Decision Tree perform better compared to Multiple Linear Regression.