Modelos agrometeorológicos para previsão de pragas e doenças em Coffea arabica L. em Minas Gerais

Carregando...
Imagem de Miniatura

Data

2019-08-30

Autores

Aparecido, Lucas Eduardo de Oliveira [UNESP]

Título da Revista

ISSN da Revista

Título de Volume

Editor

Universidade Estadual Paulista (Unesp)

Resumo

O café é a bebida mais consumida no mundo e uma das principais causas para a redução da produtividade e qualidade são os problemas fitossanitários. A estratégia mais comum de controle dessas doenças e pragas é a aplicação de fungicidas e inseticidas foliares, dependendo da intensidade dos mesmos na região. Esse método tradicional pode ser melhorado utilizando de sistemas de alertas por meio de modelos de estimativas dos índices de doenças e pragas. Este trabalho tem como OBJETIVOS: A) Calibrar as variáveis meteorológicas: temperatura do ar e precipitação pluviométrica do sistema ECMWF em relação aos dados de reais de superfície mensurados pelo sistema nacional de meteorologia (INMET) para o estado de Minas Gerais; B) Avaliar quais os elementos meteorológicos exercem maior influência nas principais pragas (broca e bicho-mineiro) e doenças (ferrugem e cercosporiose) do cafeeiro arábica nas principais localidades cafeeiras do Sul de Minas Gerais e do Cerrado Mineiro; C) Desenvolver modelos agrometeorológicos para previsão de pragas e doenças em função das variáveis meteorológicas usando algoritmos de machine learning e procurando uma antecipação temporal suficiente para tomada de decisões. MATERIAL E MÉTODOS: Para o objetivo “A” foram utilizados dados climáticos mensais de temperatura do ar (T, ºC) e precipitação pluviométrica (P, mm) provenientes do ECMWF e do INMET no período de 1979 a 2017. A evapotranspiração potencial foi estimada por Thornthwaite (1948) e balanço hídrico por Thornthwaite e Mather (1955). As comparações entre o ECMWF e INMET foram realizadas pelos índices: acurácia (mean absolute percentage error, MAPE, e root mean squared error, RMSE) e precisão (coeficiente de determinação ajustado, R2adj). Para o objetivo “B” foram utilizados dados climáticos e fitossanitários de Boa Esperança, Carmo de Minas, Muzambinho e Varginha, situadas na região Sul de Minas (SOMG) e as localidades de Araxá, Araguari e Patrocínio situadas na região do Cerrado Mineiro (CEMG). Foram simulados a tendência de progresso das doenças e pragas ao longo de tempo usando modelos não lineares em função do índice térmico acumulado. Também foi estimada dos níveis de infestação de pragas e severidade de doenças usando regressão linear múltipla. A variável dependente foi os níveis de doenças e pragas e as variáveis independentes: graus dias (DD) acumulado, enfolhamento do café estimado por DD e número de nós estimado por DD. Para o objetivo “C” foram utilizados dados climáticos e fitossanitários da SOMG e CEMG. Os algoritmos calibrados e testados para a previsão das doenças e pragas do café foram 1) Regressão linear múltipla, 2) K-Neighbors, 3) Random Forest e 4) Redes Neurais. RESULTADOS E DISCUSSÃO: Os maiores desvios entre PINMET e PECMWF foram de 75 mm mo-1 e ocorreram no verão. O cafeeiro implantado no CEMG tem maiores índices de doenças e pragas em relação ao café do SOMG. O algoritmo random forest foi mais acurado na previsão da ferrugem, cercospora, bicho-mineiro e broca-do-cafeeiro em ambas as regiões. CONCLUSÃO: As variáveis climáticas oriundas do ECMWF são acuradas e podem modelar o balanço hídrico climatológico. É possível simular a tendência e ainda prever os índices de pragas e doenças do café usando como variáveis regressoras os dados climáticos e metodologia o machine learning.
Coffee is the most consumed beverage in the world, but phytosanitary problems are amongst the main causes of reduced productivity and quality. The application of foliar fungicides and insecticides is the most common strategy for controlling these diseases and pests, depending on their intensity in a region. This traditional method can be improved by using alert systems with models of disease and pest indices. This work has as OBJECTIVES: A) To calibrate the meteorological variables: air temperature and rainfall of the European Center for Medium Range Weather Forecast (ECMWF) in relation to the real surface data measured by the national meteorological system (INMET) for the state of Minas Gerais; B) To evaluate which meteorological elements, and at what time, have a greater influence on the main pests (coffee borer and coffee miner) and diseases (coffee rust and cercosporiosis) of Coffee arabica in the main coffee regions of the South of Minas Gerais and Cerrado Mineiro; C) To develop agrometeorological models for pest and disease prediction in function of the meteorological variables of the South of Minas Gerais and Cerrado Mineiro using algorithms of machine learning with sufficient temporal anticipation for decision making. MATERIAL AND METHODS: To achieve goal "A" we used monthly climatic data (T, ºC) and rainfall (P, mm) from the ECMWF and INMET from 1979 to 2015. Potential evapotranspiration was estimated by Thornthwaite (1948) and water balance by Thornthwaite and Mather (1955). The comparisons between the ECMWF and INMET were performed by the indexes: mean absolute percentage error (MAPE) and precision mean (R2adj). To achieve the goal "B" we use climatic and phytosanitary data of Boa esperança, Carmo de Minas, Muzambinho and Varginha, located in the South of Mines (SOMG) and the Araxá, Araguari and Patrocínio located in the Cerrado Mineiro region (CEMG). We simulate the trend of disease and pest progression over time using nonlinear models as a function of the accumulated thermal index. And we estimated levels of pest infestation and disease severity using multiple linear regression. The dependent variable was the levels of diseases and pests and the independent variables: cumulative days (DD), coffee leafage estimated by DD and number of nodes estimated by DD. To achieve the "C" objective we use the climatic and phytosanitary data of SOMG and CEMG. The algorithms calibrated and tested for the prediction of coffee pests and diseases were: 1) Multiple linear regression, 2) K-Neighbors Regressor, 3) Random Forest Regressor and 4) Artificial Neural Networks. The best models were selected using the MAPE, Willmott's 'd', RMSE and R² adj. RESULTS AND DISCUSSION: The largest deviations between PINMET and PECMWF were 75 mm mo-1 and occurred in the summer. The coffee plant implanted in CEMG has higher rates of diseases and pests in relation to SOMG coffee. The random forest algorithm was more accurate in the prediction of coffee rust, cercospora, coffee miner and coffee borer in both regions. CONCLUSION: The climatic variables from the ECMWF are accurate and can be used in modeling the climatological water balance. It is possible to simulate the trend and to predict coffee pests and diseases using as regressive variables the climatic data and machine learning methodology.

Descrição

Palavras-chave

Fitopatologia, Modelagem, Aprendizado máquina, Big data, Plant pathology, Modelling, Machine learning

Como citar