Utilizando Aprendizado de Máquina Explicável para Previsão de Severidade de Ferrugem Asiática da Soja
Resumo
A ferrugem asiática é uma doença causada pelo fungo Phakopsora pachyrhizi; tendo a soja como um de seus hospedeiros, e seu aparecimento dependente de múltiplas variáveis do ambiente. Este trabalho propõe o uso de modelos de aprendizado de máquina estado-da-arte para prever a severidade da ferrugem asiática em lavouras de soja. Combinamos dados geológicos e meteorológicos com bases de dados sobre culturas de soja para obter um conjunto de dados que permita explorar melhor as capacidades dos modelos. Em particular, nos concentramos em modelos explicáveis. O conjunto de dados, em combinação com os modelos, permitiu atingir boa acurácia para previsão da severidade da ferrugem para várias plantações em várias cidades brasileiras.
Referências
Barro, J. P. and et. al. (2021). Performance of dual and triple fungicide premixes for managing soybean rust across years and regions in brazil: A meta-analysis. Plant Pathology, 70(8):1920–1935.
Bortolomedi, A. C. (2022). Qual a importância da soja? [link].
Breiman, L. (2001). Random forests. Mach. Learn., 45(1):5–32.
Cavanagh, H., Mosbach, A., Scalliet, G., Lind, R., and Endres, R. G. (2021). Physics-informed deep learning characterizes morphodynamics of asian soybean rust disease. Nature Communications, 12(1):6424.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. CoRR, abs/1603.02754.
Chung, Y., Kraska, T., Polyzotis, N., Tae, K. H., and Whang, S. E. (2019). Automated data slicing for model validation:a big data ai integration approach.
Del Ponte, E. M., Godoy, C. V., Canteri, M. G., Reis, E. M., and Yang, X. (2006). Models and applications for risk assessment and prediction of asian soybean rust epidemics. Fitopatologia Brasileira, 31(6):533–544.
Dorogush, A. V., Ershov, V., and Gulin, A. (2018). Catboost: gradient boosting with categorical features support. CoRR, abs/1810.11363.
Embrapa (2023). Custo ferrugem, informações sobre a ocorrência da ferrugem-asiática e perdas pela doença nas safras de soja. Disponível em: [link].
Fundação ABC (2023). Monitoramento de doenças. [link].
Godoy, C. V. (2022). Eficiência de fungicidas para o controle da ferrugem-asiática da soja, phakopsora pachyrhizi, na safra 2021/2022: resultados sumarizados dos ensaios cooperativos.
IBGE (2023). Instituto brasileiro de geografia e estatística - IBGE. [link].
Piva, A. (2022). Valor da soja brasileira bate recorde em 2022. [link].
Saldanha, R., Akbarinia, R., Valduriez, P., Pedroso, M., Ribeiro, V., Cardoso, C., Pena, E., and Porto, F. (2023). brclimr: Fetch Zonal Statistics of Weather Indicators for Brazilian Municipalities. [link].
Wang, H., Raj, B., and Xing, E. P. (2017). On the origin of deep learning. CoRR, abs/1702.07800.
Zagui, N. L. S., Krindges, A., Lotufo, A. D. P., and Minussi, C. R. (2022). Spatio-temporal modeling and simulation of asian soybean rust based on fuzzy system. Sensors, 22(2).
Bortolomedi, A. C. (2022). Qual a importância da soja? [link].
Breiman, L. (2001). Random forests. Mach. Learn., 45(1):5–32.
Cavanagh, H., Mosbach, A., Scalliet, G., Lind, R., and Endres, R. G. (2021). Physics-informed deep learning characterizes morphodynamics of asian soybean rust disease. Nature Communications, 12(1):6424.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. CoRR, abs/1603.02754.
Chung, Y., Kraska, T., Polyzotis, N., Tae, K. H., and Whang, S. E. (2019). Automated data slicing for model validation:a big data ai integration approach.
Del Ponte, E. M., Godoy, C. V., Canteri, M. G., Reis, E. M., and Yang, X. (2006). Models and applications for risk assessment and prediction of asian soybean rust epidemics. Fitopatologia Brasileira, 31(6):533–544.
Dorogush, A. V., Ershov, V., and Gulin, A. (2018). Catboost: gradient boosting with categorical features support. CoRR, abs/1810.11363.
Embrapa (2023). Custo ferrugem, informações sobre a ocorrência da ferrugem-asiática e perdas pela doença nas safras de soja. Disponível em: [link].
Fundação ABC (2023). Monitoramento de doenças. [link].
Godoy, C. V. (2022). Eficiência de fungicidas para o controle da ferrugem-asiática da soja, phakopsora pachyrhizi, na safra 2021/2022: resultados sumarizados dos ensaios cooperativos.
IBGE (2023). Instituto brasileiro de geografia e estatística - IBGE. [link].
Piva, A. (2022). Valor da soja brasileira bate recorde em 2022. [link].
Saldanha, R., Akbarinia, R., Valduriez, P., Pedroso, M., Ribeiro, V., Cardoso, C., Pena, E., and Porto, F. (2023). brclimr: Fetch Zonal Statistics of Weather Indicators for Brazilian Municipalities. [link].
Wang, H., Raj, B., and Xing, E. P. (2017). On the origin of deep learning. CoRR, abs/1702.07800.
Zagui, N. L. S., Krindges, A., Lotufo, A. D. P., and Minussi, C. R. (2022). Spatio-temporal modeling and simulation of asian soybean rust based on fuzzy system. Sensors, 22(2).
Publicado
08/11/2023
Como Citar
DANIEL, Christofer; MATURANA, Guilherme; PENA, Eduardo H. M..
Utilizando Aprendizado de Máquina Explicável para Previsão de Severidade de Ferrugem Asiática da Soja. In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA (SBIAGRO), 14. , 2023, Natal/RN.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 16-23.
ISSN 2177-9724.
DOI: https://doi.org/10.5753/sbiagro.2023.26536.
