Sistema Especialista com Redes Bayesianas para Apoio à Decisão na Aplicação de Fungicidas na Soja

• Carolinne Victória Santos Oliveira IFPR
• Gregory Vinícius Conor Figueiredo IFPR

DOI: https://doi.org/10.5753/latinoware.2025.16499

Resumo

A ferrugem asiática (Phakopsora pachyrhizi) é uma das principais doenças que comprometem a produtividade da soja no Brasil. Entre suas estratégias de manejo, a aplicação de fungicidas ao longo do ciclo é uma das medidas mais utilizadas no controle. Este trabalho apresenta o desenvolvimento de um sistema especialista baseado em redes bayesianas para apoiar a tomada de decisão quanto à necessidade de aplicação de fungicidas. O modelo foi implementado em Python, utilizando a biblioteca PyMC para inferência probabilística, com interface interativa construída em Flask. Testes com amostras aleatórias e evidências fornecidas por usuários demonstraram que o sistema responde de forma coerente às variações nas entradas, ajustando a inferência final conforme as dependências entre variáveis. Os resultados evidenciam a viabilidade e a utilidade de sistemas baseados em redes bayesianas como ferramenta de apoio à decisão em cenários de incerteza na agricultura.

Palavras-chave: ferrugem asiática, redes bayesianas, sistemas especialistas

Referências

C. Daniel, G. Maturana, and E. H. M. Pena, “Utilizando aprendizado de máquina explicável para previsão de severidade de ferrugem asiática da soja,” in Anais do 14º Congresso Brasileiro de Agroinformática (SBIAGRO). Natal/RN: Sociedade Brasileira de Computação, 2023, pp. 16–23.

D. T. Muhamediyeva, L. U. Safarova, and R. F. Ruzikulov, “Expert systems for diagnostics of infectious diseases in cattle,” in BIO Web of Conferences, vol. 71, 2023, p. 01073. [Online]. Available: [link]

G. Sottocornola, S. Baric, F. Stella, and M. Zanker, “Development of a knowledge-based expert system for diagnosing post-harvest diseases of apple,” Agriculture, vol. 13, no. 1, p. 177, 2023. [Online]. Available: [link]

H. J. Mayfield et al., “Designing an expert-led bayesian network to understand interactions between policy instruments for adoption of eco-friendly farming practices,” Environmental Science and Policy, vol. 141, pp. 11–22, Mar. 2023. [Online]. Available: [link]

G. V. C. Figueiredo, “Modelo probabilístico bayesiano para simular o conhecimento de especialistas no controle da ferrugem asiática da soja no estado do paraná,” Dissertação (Mestrado em Computação Aplicada), Universidade Estadual de Ponta Grossa, Ponta Grossa, 2014.

W. K. Hastings, “Monte carlo sampling methods using markov chains and their applications,” Biometrika, vol. 57, pp. 97–109, 1970.

N. Chopin and O. Papaspiliopoulos, An introduction to sequential Monte Carlo. Cham: Springer International Publishing, 2020.

O. Abril-Pla et al., “Pymc: a modern, and comprehensive probabilistic programming framework in python,” PeerJ Computer Science, vol. 9, no. 15, p. e1516, Sep. 2023. [Online]. Available: [link]