TREINAMENTO E TESTE DE MODELOS AGROMETEOROLÓGICOS BASEADOS EM MACHINE LEARNING PARA PREVISÃO DA CERCOSPORIOSE DE MILHO (Cercospora zeae-maydis)

• Processo: 23/04344-8
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de novembro de 2023
• Data de Término da vigência: 28 de fevereiro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Probabilidade e Estatística Aplicadas
• Pesquisador responsável: Glauco de Souza Rolim
• Beneficiário: Rafael Fausto de Lima
• Instituição Sede: Faculdade de Ciências Agrárias e Veterinárias (FCAV). Universidade Estadual Paulista (UNESP). Campus de Jaboticabal. Jaboticabal , SP, Brasil
• Assunto(s): Inteligência artificial Python
• Palavra(s)-Chave do Pesquisador: Agrometeorology | artificial intelligence | Crop disease model | Early Warning System | Micrometeorology | python | Modelagem aplicada a engenharia agronomica

Resumo

As doenças do milho provocam grandes perdas em lavouras de todo o mundo e a cercosporiose pode reduzir em até 60% a produtividade. A quantidade de dados utilizados para modelagem agrometeorológica de doenças nos cultivos agrícolas é escasso. Nesse projeto para previsão de cercoporiose em milho estarão disponíveis 24 anos de dados de experimentos realizados pela Agência Paulista de Tecnologia dos Agronegócios (APTA), parceira neste projeto, permitindo o treinamento e teste de modelos de machine learning para a previsão da doença, permitindo uma antecipação mínima em dias para tomadas de decisões para controlar a cercosporiose em áreas comerciais. As localidades utilizadas serão: Capão Bonito, Cândido Mota, Palmital e Pedrinhas Paulista com experimentos conduzidos no período de 1998 a 2022 no Estado de São Paulo. Os dados meteorolólogicos para o mesmo período serão coletados através da plataforma NASA/POWER. Os componentes relacionados às características edáficas serão obtidos através da plataforma SOILGRIDS-ISRIC. Na primeira parte do projeto os híbridos de milho serão classificados em grupos de suscetibilidade à doença: suscetíveis, medianamente suscetíveis e tolerantes. Serão realizadas análises de correlação para verificar a influência da doença no desenvolvimento do cultivo. Na modelagem para previsão da doença, serão utilizados diferentes algoritmos de aprendizagem de máquina, implementados ambiente de programação Python. As variáveis meteorológicas serão selecionadas 20 dias antes do florescimento do cultivo, afim de representar o período de incubação e início dos primeiros sintomas da doença. Os modelos serão avaliados pela a acurácia, precisão e tendência, comparando os dados observados em campo com os dados previstos.