@Article{GirolamoNetoRodrMeir:2014:MoPrFe,
               author = "Girolamo Neto, Cesare Di and Rodrigues, Luiz Henrique Antunes and 
                         Meira, Carlos Alberto Alves",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)}",
                title = "Modelos de predi{\c{c}}{\~a}o da ferrugem do cafeeiro (Hemileia 
                         vastatrix Berkeley \& Broome) por t{\'e}cnicas de 
                         minera{\c{c}}{\~a}o de dados",
              journal = "Coffee Science",
                 year = "2014",
               volume = "9",
               number = "3",
                pages = "408--418",
             keywords = "Alerta de doen{\c{c}}as, florestas aleat{\'o}rias, m{\'a}quinas 
                         de vetores suporte, redes neurais artificiais, {\'a}rvores de 
                         decis{\~a}o.",
             abstract = "A ferrugem {\'e} a principal doen{\c{c}}a do cafeeiro, podendo 
                         gerar perdas significativas na produ{\c{c}}{\~a}o, caso medidas 
                         de controle n{\~a}o sejam adotadas. Modelos de alerta de 
                         doen{\c{c}}as agr{\'{\i}}colas s{\~a}o capazes de gerar 
                         informa{\c{c}}{\~o}es para aplica{\c{c}}{\~o}es de defensivos 
                         somente quando necess{\'a}rio, reduzindo gastos por parte do 
                         produtor e impactos ambientais. Objetivou-se, neste trabalho, 
                         desenvolver, comparar e selecionar modelos de alerta baseados em 
                         t{\'e}cnicas de minera{\c{c}}{\~a}o de dados para a 
                         predi{\c{c}}{\~a}o da ferrugem do cafeeiro, em anos de alta e 
                         baixa carga pendente de frutos. Foram utilizados dados obtidos em 
                         lavouras de caf{\'e} em produ{\c{c}}{\~a}o, ao longo de 13 anos 
                         (1998-2011). Vinte e tr{\^e}s atributos foram considerados como 
                         vari{\'a}veis independentes (preditoras) e, como vari{\'a}vel 
                         dependente, a taxa de progresso mensal da ferrugem do cafeeiro, 
                         obtida a partir de dados de incid{\^e}ncia da doen{\c{c}}a. Os 
                         atributos mais importantes do conjunto de dados foram filtrados 
                         por m{\'e}todos de sele{\c{c}}{\~a}o de atributos e a modelagem 
                         foi realizada por meio de quatro t{\'e}cnicas de 
                         minera{\c{c}}{\~a}o de dados: m{\'a}quinas de vetores suporte, 
                         redes neurais artificiais, {\'a}rvores de decis{\~a}o e 
                         florestas aleat{\'o}rias. Para anos de alta e baixa carga 
                         pendente de frutos, as melhores taxas de acerto foram 85,3% e 
                         88,9%, respectivamente. Outras medidas de desempenho como 
                         sensitividade e especificidade tamb{\'e}m apresentaram valores 
                         altos e equilibrados. Os modelos desenvolvidos neste trabalho 
                         fornecem melhores subs{\'{\i}}dios para o monitoramento da 
                         doen{\c{c}}a, em anos de alta carga pendente de frutos do que 
                         outros modelos existentes, al{\'e}m de prover uma possibilidade 
                         de monitoramento, em anos de baixa carga pendente de frutos. 
                         Coffee rust can cause severe yield losses if control measures are 
                         not taken. Warning models are capable of generating useful 
                         information regarding to the application of fungicides, decreasing 
                         economic losses and environmental impacts. The aim of this study 
                         was to develop, compare and select warning models developed by 
                         data mining techniques in order to predict the coffee rust in 
                         years of high and low fruit load. For 13 years (1998-2011), data 
                         was collected from an automatic weather station. The independent 
                         variables were 23, obtained from the weather station, and the 
                         dependent variable was the monthly progress rate for the coffee 
                         rust, which was generated by the values of disease incidence. The 
                         most important features were refined by feature selection 
                         techniques, and the modeling was performed using four data mining 
                         techniques: support vector machines, artificial neural networks, 
                         decision trees and random forests. For high fruit load years the 
                         best accuracy was 85.3% and for low fruit load years it was 88.9%. 
                         Other performance measures like recall and specificity also had 
                         high and balanced values. The warning models developed on this 
                         study provide further information for monitoring the disease on 
                         high fruit load years than other models previously developed, and 
                         also provide a possibility for the monitoring on years of low 
                         fruit load.",
                 issn = "1984-3909 and 1809-6875",
                label = "lattes: 5156610731557884 1 GirolamoNetoRodrMeir:2014:MoPrFe",
             language = "pt",
           targetfile = "687-4265-1-PB.pdf",
                  url = "http://www.coffeescience.ufla.br/index.php/Coffeescience/article/view/687/pdf_107",
        urlaccessdate = "27 abr. 2024"
}