Modelos agrometeorológicos-espectrais baseados em inteligência artificial para estimativa de cercosporiose no cafeeiro

Abstract

O café é uma das bebidas mais consumidas e importantes do mundo. As variáveis climáticas influenciam na sua qualidade, produção e incidência de doenças, como a cercosporiose. O objetivo do trabalho é realizar a estimativa da incidência da cercosporiose para as principais regiões produtoras de café do país, a partir de modelos agrometeorológicos-espectrais que possam ser utilizados em sistemas de alertas fitossanitários. Os dados meteorológicos diários de Franca, Araxá, Patrocínio e Araguari, de 2015 a 2020, como temperatura do ar, precipitação, umidade relativa, velocidade do vento e saldo de radiação foram obtidas a partir da plataforma NASA-POWER. Com base nestes dados foi estimado o balanço hídrico sequencial de Thornthwaite-Mather. Dados de NDVI e EVI forma extraídos da plataforma SATveg (Embrapa). Já os dados de incidência de cercosporiose foram obtidos do acompanhamento mensal do sistema da Fundação Procafé. A estimativa da doença foi realizada usando os modelos de Regressão Linear Múltipla (RLM), redes neurais Multilayer perceptron (MLP) e a máquina de aprendizado Random Forest (RF). A incidência real da doença, dados agrometeorológicos, NDVI e EVI foram as variáveis independentes e a incidência foi a variável dependente. Os resultados confirmaram a influência das variáveis climáticas sobre a incidência da cercosporiose no cafeeiro. Os modelos RLM, MLP, RF, obtiveram RMSEs no período de treinamento iguais a, 12,48; 0,49; 8,0 para carga alta, e 10,6; 2,34; 4,22 cargas baixa respectivamente.

Coffee is one of the most consumed and important beverages in the world. Climatic variables influence its quality, production and incidence of diseases, such as brown eye spot. The objective of this work is to estimate the incidence of brown eye spot for the main coffee producing regions of the country, based on agrometeorological-spectral models that can be used in phytosanitary alert systems. Daily meteorological data for Franca, Araxá, Patrocínio and Araguari, from 2015 to 2020, such as air temperature, precipitation, relative humidity, wind speed and radiation balance were obtained from the NASA-POWER platform. Based on these data, the Thornthwaite-Mather sequential water balance was estimated. NDVI and EVI data were extracted from the SATveg platform (Embrapa). The data on the incidence of brown eye spot disease were obtained from the monthly follow-up of the Procafé Foundation system. Disease estimation was performed using Multiple Linear Regression (MLR) models, Multilayer perceptron (MLP) neural networks, and Random Forest (RF) machine learning. The actual incidence of the disease, agrometeorological data, NDVI and EVI were the independent variables and the incidence was the dependent variable. The results confirmed the influence of climatic variables on the incidence of brown eye spot on coffee plants. The RLM, MLP, RF models obtained RMSEs in the training period equal to, 12.48; 0.49; 8.0 for high load, and 10.6; 2.34; 4.22 loads down respectively.