Orientadores: Luiz Henrique Antunes Rodrigues, Carlos Alberto Alves Meira

Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola

Resumo: A ferrugem (causada pelo fungo Hemileia vastatrix Berk. e Br.) é a principal doença do cafeeiro. As perdas da produção causadas por esta doença podem chegar a 50%, caso nenhuma medida de controle seja adotada. O controle da ferrugem pode ser feito com fungicidas, entretanto métodos...

Resumo: A ferrugem (causada pelo fungo Hemileia vastatrix Berk. e Br.) é a principal doença do cafeeiro. As perdas da produção causadas por esta doença podem chegar a 50%, caso nenhuma medida de controle seja adotada. O controle da ferrugem pode ser feito com fungicidas, entretanto métodos tradicionais de controle podem levar a aplicações desnecessárias, as quais são responsáveis por gerar gastos excessivos por parte do produtor, na compra e mão de obra para sua aplicação, além de causar impactos ambientais. Ferramentas como modelos de predição, ou alerta, podem ser utilizadas para antecipar quando uma doença de planta pode ocorrer, sendo que uma predição correta evita aplicações desnecessárias de fungicidas. Neste sentido, modelos de alerta para a ferrugem do cafeeiro foram construídos por outros autores, entretanto, após o seu desenvolvimento, estes modelos não foram avaliados com dados externos ao conjunto de treinamento. Estes modelos passaram por um processo de validação neste trabalho e o resultado mostrou um desempenho abaixo do esperado, evidenciando a necessidade de se criarem novos modelos de alerta, com poder de predição maior do que os existentes. O processo de descoberta de conhecimento em bases de dados foi realizado com o objetivo de gerar estes novos modelos de alerta, utilizando técnicas de mineração de dados como: redes neurais artificiais, máquinas de vetores suporte, florestas aleatórias e árvores de decisão. Dados meteorológicos e de espaçamento da lavoura foram às variáveis independentes do conjunto de dados. Os modelos de alerta foram desenvolvidos considerando taxa de progresso da ferrugem como atributo dependente, ou atributo meta, a qual consiste no aumento da incidência entre dois meses subsequentes. Este atributo foi de origem binária, seguindo os limites de 5 e 10 pontos percentuais - p.p. (classe '1' para taxas maiores ou iguais ao limite; classe '0', caso contrário). Foram desenvolvidos modelos de alerta para a cidade de Varginha e para a região Sul de Minas (com adição das cidades de Boa Esperança e Carmo de Minas), para dados entre 1998 e 2011. Os modelos são específicos para lavouras com alta carga pendente ou para lavouras com baixa carga, dado ao café ser uma cultura bianual. Os modelos para a cidade de Varginha obtiveram, no geral, melhor desempenho do que aqueles contendo dados das 3 cidades juntas. Para alta carga pendente de frutos, a taxa de acerto por validação cruzada, foi superior a 85%, considerando o alerta a partir de 5 p.p. Considerando o alerta a partir de 10 p.p., a taxa de acerto se aproximou dos 90%. Já para lavouras com baixa carga pendente, os modelos considerando o alerta a partir de 5 p.p. também chegaram a taxas de acerto próximas a 90%. Houve ainda equilíbrio entre outras medidas de desempenho importantes, como sensitividade, especificidade e confiabilidade positiva ou negativa em todos os modelos. Os modelos mais bem avaliados mostraram ter desempenho superior aos modelos desenvolvidos por outros autores e têm potencial para servir como apoio na tomada de decisão referente à adoção de medidas de controle da ferrugem do cafeeiro

Abstract: Coffee rust (infection by the fungus Hemileia vastatrix Berk. e Br.) can cause up to 50% of yield losses, in the case no protective measures are taken. This disease can be controlled through fungicide applications, however, traditional control methods can lead to unnecessary use of these...

Abstract: Coffee rust (infection by the fungus Hemileia vastatrix Berk. e Br.) can cause up to 50% of yield losses, in the case no protective measures are taken. This disease can be controlled through fungicide applications, however, traditional control methods can lead to unnecessary use of these products, which cause, not only economic losses for the producer, on buying and applying the fungicides, but also major environmental impacts. Tools like warning models can be used to predict when a plant disease may occur and a correct prediction might avoid unnecessary fungicide applications. According to this, some authors developed warning models for coffee rust, nevertheless, after their development, these models were not evaluated by a test set, besides the one used to create it. A Validation procedure was performed over these models, showing that their performance was way low than expected, highlighting the need for new warning models, with better performance than those previously developed. The Knowledge Discovery in Database process was performed intending to develop new warning models by using four data mining techniques: Neural Networks, Support Vector Machines, Random Forests and Decision Trees. Meteorological and crop spacing data were designed as the independent variables. The dependent variable was labeled as the monthly progress rate of coffee rust, which consists on the increase of the incidence levels between two months in a row. It was mapped as a binary attribute, following the limits of five and ten percentage points (p.p.), considering the increase of the infection rate (class '1' for progress rate over or equal the limit, or class '0' otherwise). Models were developed considering 13 years (1998 - 2011) of incoming data for the city of Varginha - Minas Gerais - Brazil and for the South Minas Gerais region (by adding data from two more cities, Boa Esperança and Carmo de Minas). The models developed are specific for high or low fruit loads. Warning models for Varginha obtained, usually, better performance than those developed with data from the three cities. For high fruit load, the accuracy by cross validation was higher than 85%, considering the warning over 5 p.p. Considering the warning over 10 p.p., the accuracy was close to 90%. For low fruit load, the models considering warning over 5 p.p. also obtained accuracy close to 90%. Other important performance measures, such as sensitivity (recall) and specificity, also obtained good values for all of these models. The warning models developed on this study obtained better performance than others previously developed, and have a great potential to be used in decision-making systems, providing further information regarding the correct use of fungicides on controlling the coffee rust