Prediction model of the occurrence of asian rust in soybean culture from climate variables and clusterization
| Autor: | Côrtes, Filipe da Silva |
|---|---|
| Přispěvatelé: | Abdalla, Klaus de Oliveira, Wander, Alcido Elenor, Heinemann, Alexandre Bryan |
| Jazyk: | portugalština |
| Rok vydání: | 2022 |
| Předmět: | |
| Zdroj: | Biblioteca Digital de Teses e Dissertações da UFG Universidade Federal de Goiás (UFG) instacron:UFG |
| Popis: | A ferrugem asiática é uma doença com impacto significativo na cultura de soja do Brasil. Apesar da grande relevância econômica da soja para o agronegócio brasileiro, são poucos os estudos sobre as condições que provocam a doença. Este trabalho objetivou a criação de um modelo preditivo considerando a influência de variáveis climáticas (temperatura, precipitação, umidade e radiação solar), embasados em um conjunto de dados de ocorrência da ferrugem, por meio da técnica de indução de árvores de decisão e regressão logística. O modelo foi criado com dados da ocorrência da doença nas cidades de Cristalina, Jataí e Rio Verde - GO nas safras de 2004/05 a 2016/17. Para cada registro de ocorrência (detecção), foi gerado um correspondente de “não ocorrência” sendo esse o trigésimo dia anterior ao dia da detecção, assumindo-se que nesta data não haveria presença de inóculo no campo. O conjunto de treinamento para a modelagem possui 10 variáveis totalizando 393 registros. O modelo preditivo foi proposto a partir da comparação de melhor desempenho entre os algoritmos de árvore de decisão e regressão logística. Após os resultados de acurácia obtidos (árvore de decisão 77,88%, contra 56,53% do algoritmo regressão logística), utilizamos o algoritmo de clusterização para agrupar os dados na fase de preparação de dados novamente comparamos o resultado entre árvore de decisão e regressão logística. Com o apoio da clusterização obtivemos a acurácia média na faixa entre 99 e 100% para árvore de decisão e 66,75 e 100% para regressão logística. Asian rust is a disease with a significant impact on soybean in Brazil. Despite the great economic relevance of soybeans for Brazilian agribusiness, there are few studies on the conditions that cause the disease. This work aimed to create a predictive model considering the influence of climatic variables (temperature, precipitation, humidity and solar radiation), based on a dataset of rust occurrence, using the decision tree induction technique and logistic regression . The model was created with data on the occurrence of the disease in the cities of Cristalina, Jataí and Rio Verde - GO in the harvests from 2004/05 to 2016/17. For each occurrence record (detection), a corresponding “non-occurrence” was generated, this being the thirtieth day prior to the day of detection, assuming that on this date there would be no inoculum present in the field. The training set for the modeling has 10 variables totaling 393 records. The predictive model was proposed from the comparison of the best performance between the decision tree and logistic regression algorithms. After the accuracy results obtained (decision tree 77.88%, against 56.53% of the logistic regression algorithm), we used the clustering algorithm to group the data in the data preparation phase, again comparing the result between decision tree and logistic regression. With the support of clustering, we obtained the average accuracy in the range between 99 and 100% for decision tree and 66.75 and 100% for logistic regression. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|