Previsão de doença em café utilizando inteligência artificial a partir de dados meteorológicos do sistema Nasa-Power
Carregando...
Data
2024-01-25
Autores
Orientador
Rolim, Glauco de Souza
Coorientador
La Scala Júnior, Newton
Pós-graduação
Agronomia (Produção Vegetal) - FCAV 33004102001P4
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Tese de doutorado
Direito de acesso
Acesso restrito
Resumo
Resumo (português)
O café é uma das commodities mais valiosas do mercado mundial e a bebida mais consumida no mundo. Um dos principais fatores que afetam a produtividade da cultura está relacionado a incidência de doenças, as quais podem ser responsáveis por prejuízos de até 50% na produção. Apesar de muitas doenças fúngicas serem fortemente controladas pelas condições climáticas, prever ou estimar o nível de incidência de doenças em relação à variabilidade climática e às mudanças climáticas em plantios comerciais é problemático devido à falta de dados climáticos locais, principalmente de dados climáticos horários. O objetivo deste trabalho é calibrar e avaliar três modelos de aprendizado de máquina para a estimativa da duração do período de molhamento foliar (DPM) e para a previsão da ferrugem-do-cafeeiro, a partir de dados meteorológicos da plataforma NASA-POWER. Os dados diários da plataforma NASA-POWER foram derivados em dados horários e utilizados para realizar a estimativa da DPM por meio dos modelos Random Forest (RF), Multilayer Perceptron (MLP) e Support Vector Machine (SVM). Posteriormente e, utilizando as mesmas máquinas de aprendizado, foram utilizados os dados estimados da DPM, dados meteorológicos da NASA-POWER e dados da incidência da ferrugem-do-cafeeiro em Minas Gerais obtidos através da Fundação Procafé para realizar a previsão da doença. Os resultados indicaram que, para a estimativa da DPM, os modelos são sensíveis aos locais de estudo, sendo os modelos realizados para os locais situados no Sul do estado de Minas Gerias com melhor desempenho do que os situados na região do Triângulo Mineiro e que, de todos os métodos testados, o modelo MLP apresentou melhor desempenho, com alta precisão (R² médio = 0,98) e baixos erros (RMSE médio = 27,6 minutos e MAE médio = 19,8 minutos). Para a previsão da ferrugem-do-cafeeiro, considerando as lavouras de alta carga de frutos, o modelo SVM apresentou o melhor desempenho para a região do Triângulo Mineiro (R² = 0,59 e RMSE = 20,15%) e o modelo MLP o melhor desempenho para os locais da região Sul do estado de Minas Gerais (R² = 0,57 e RMSE = 21,58%). Já para as lavouras de baixa carga de frutos, o desempenho foi satisfatório para locais específicos como Patrocínio-MG, com precisão de 0,72 e acurácia de 14,28%, mostrando que os modelos de aprendizado de máquina não foram generalistas.
Resumo (inglês)
Coffee is one of the most valuable commodities in the global market and the most consumed beverage in the world. One of the main factors affecting crop productivity is related to the incidence of diseases, which can be responsible for up to 50% losses in production. Although many fungal diseases are strongly controlled by climatic conditions, predicting or estimating the level of disease incidence in relation to climate variability and climate change in commercial plantations is problematic due to the lack of local climate data, especially hourly climate data. The objective of this work is to calibrate and evaluate three machine learning models for estimating the Leaf Wetness Duration (LWD) and for predicting Coffee Leaf Rust (CLR), using meteorological data from the NASA-POWER platform. Daily data from the NASA-POWER platform were derived into hourly data and used to estimate the LWD using the Random Forest (RF), Multilayer Perceptron (MLP), and Support Vector Machine (SVM) models. Subsequently, and using the same machines learning, the estimated LWD data, NASA-POWER meteorological data, and coffee rust incidence data in Minas Gerais obtained through the Procafé Foundation were used to predict the disease. The results indicated that for the LWD estimation, the models are sensitive to the study locations, with models for locations in the southern state of Minas Gerais performing better than those in the Triângulo Mineiro region. Of all the methods tested, the MLP model showed the best performance, with high accuracy (average R² = 0.98) and low errors (average RMSE = 27.6 minutes and average MAE = 19.8 minutes). For CLR prediction, considering high fruit load crops, the SVM model showed the best performance for the Triângulo Mineiro region (R² = 0.59 and RMSE = 20.15%) and the MLP model the best performance for locations in the southern state of Minas Gerais (R² = 0.57 and RMSE = 21.58%). For low fruit load crops, the performance was satisfactory for specific locations such as Patrocínio-MG, with an accuracy of 0.72 and precision of 14.28%, showing that the machine learning models were not generalists.
Descrição
Palavras-chave
Idioma
Português
Como citar
SILVA, K. A. - Previsão de doença em café utilizando inteligência artificial a partir de dados meteorológicos do sistema Nasa-Power. - 2024, 81f - Tese (Doutorado em Agronomia) - Universidade Estadual Paulista, Jaboticabal, 2024.