@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"
}