Predição de surtos de pragas: comparando métodos de aprendizado de máquina e zona de alerta

• Processo: 20/06147-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de novembro de 2020
• Data de Término da vigência: 31 de outubro de 2021
• Área de conhecimento: Interdisciplinar
• Pesquisador responsável: Wesley Augusto Conde Godoy
• Beneficiário: Gabriel Rodrigues Palma
• Instituição Sede: Escola Superior de Agricultura Luiz de Queiroz (ESALQ). Universidade de São Paulo (USP). Piracicaba , SP, Brasil
• Empresa: Universidade de São Paulo (USP). Escola Superior de Agricultura Luiz de Queiroz (ESALQ)
• Vinculado ao auxílio: 18/02317-5 - Centro de Excelência em Controle Biológico, AP.PCPE
• Assunto(s): Aprendizado computacional Análise de séries temporais Tomada de decisão Controle de pragas Predição Redes neurais convolucionais Manejo integrado de pragas
• Palavra(s)-Chave do Pesquisador: machine learning | Mathematical Modelling | Pest management | Pest outbreaks | Statistics | Pest outbreaks prediction

Resumo

Em séries temporais de populações de insetos, geralmente é comum observar picos e quedas no tamanho da população, que geralmente podem se tornar recorrentes. Às vezes, isso é caracterizado por um amplo espectro de características, resultando em surtos abruptos de população por várias razões. Para esses casos, é particularmente importante a realização de análises para projetar o risco de ocorrência desses níveis populacionais, a fim de aplicar medidas para evitar eventos indesejáveis. Os períodos anteriores aos surtos podem ser caracterizados como "zonas de alerta", que podem conter padrões ecológicos recorrentes úteis para previsões. A detecção de zonas de alerta pode resultar em diagnósticos populacionais importantes para a tomada de decisão sobre controle em sistemas altamente oscilatórios que geralmente ocorrem em insetos, especialmente pragas. Há alguns anos, foi proposta nova metodologia para realizar análise de padrões visando o controle de populações, o intitulado Procedimento Zona de Alerta (PZA). A essência dessa ideia é absolutamente compatível com a previsão de surtos de insetos, mas para isso abordagens adicionais precisam ser inseridas, testadas e implementadas, permitindo melhorar o poder preditivo do sistema. Neste estudo, busca-se a inserção de módulos computacionais voltados para a previsão e classificação de cenários associados a surtos populacionais, por meio de algoritmos de Aprendizado de Máquina (AM), aplicados em muitos domínios da ciência, com o objetivo de entender como os algoritmos podem "aprender" tarefas desta natureza. Para o contexto de surto, em geral, diversos métodos têm sido desenvolvidos para aprimorar previsões, tais como Redes Neurais Recorrentes, Florestas Aleatórias, Máquinas de Vetor de Suporte, dentre outros. Os resultados gerados por estes métodos são promissores no auxílio à previsão de surtos de pragas. Portanto, tem a finalidade de inserir novas ferramentas analíticas e preditivas para auxiliar o manejo de pragas, em especial com a combinação entre algoritmos de aprendizado de máquina e funções probabilísticas. O projeto tem natureza interdisciplinar e dois objetivos específicos: (1) aperfeiçoar o método PZA e (2) comparar o poder preditivo de surtos de pragas do PZA aprimorado com diferentes métodos de AM.

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

PALMA, GABRIEL R.; GODOY, WESLEY A. C.; ENGEL, EDUARDO; LAU, DOUGLAS; GALVAN, EDGAR; MASON, OLIVER; MARKHAM, CHARLES; MORAL, RAFAEL A.. Pattern-based prediction of population outbreaks. ECOLOGICAL INFORMATICS, v. 77, p. 10-pg., 2023-11-01. (19/14805-7, 20/06147-7)