1. RI UFLA
  2. Revistas UFLA
  3. Coffee Science
Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/13565
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorGirolamo Neto, Cesare-
dc.contributor.authorRodrigues, Luiz Henrique Antunes-
dc.contributor.authorMeira, Carlos Alberto Alves-
dc.creatorGirolamo Neto, Cesare-
dc.creatorRodrigues, Luiz Henrique Antunes-
dc.creatorMeira, Carlos Alberto Alves-
dc.date2014-07-16-
dc.date.accessioned2017-08-01T20:06:04Z-
dc.date.available2017-08-01T20:06:04Z-
dc.date.issued2017-08-01-
dc.identifierhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/view/687-
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/13565-
dc.descriptionCoffee rust can cause severe yield losses if control measures are not taken. Warning models are capable of generating useful information regarding to the application of fungicides, decreasing economic losses and environmental impacts. The aim of this study was to develop, compare and select warning models developed by data mining techniques in order to predict the coffee rust in years of high and low fruit load. For 13 years (1998-2011), data was collected from an automatic weather station. The independent variables were 23, obtained from the weather station, and the dependent variable was the monthly progress rate for the coffee rust, which was generated by the values of disease incidence. The most important features were refined by feature selection techniques, and the modeling was performed using four data mining techniques: support vector machines, artificial neural networks, decision trees and random forests. For high fruit load years the best accuracy was 85.3% and for low fruit load years it was 88.9%. Other performance measures like recall and specificity also had high and balanced values. The warning models developed on this study provide further information for monitoring the disease on high fruit load years than other models previously developed, and also provide a possibility for the monitoring on years of low fruit load.-
dc.descriptionA ferrugem é a principal doença do cafeeiro, podendo gerar perdas significativas na produção caso medidas de controle não sejam adotadas. Modelos de alerta de doenças agrícolas são capazes de gerar informações para aplicações de defensivos somente quando necessário, reduzindo gastos por parte do produtor e impactos ambientais. Este trabalho teve como objetivo desenvolver, comparar e selecionar modelos de alerta baseados em técnicas de mineração de dados para a predição da ferrugem do cafeeiro em anos de alta e baixa carga pendente de frutos. Foram utilizados dados obtidos em lavouras de café em produção ao longo de 13 anos (1998-2011). Vinte e três atributos foram considerados como variáveis independentes (preditoras) e, como variável dependente, a taxa de progresso mensal da ferrugem do cafeeiro, obtida a partir de dados de incidência da doença. Os atributos mais importantes do conjunto de dados foram filtrados por métodos de seleção de atributos e a modelagem foi realizada por meio de quatro técnicas de mineração de dados: máquinas de vetores suporte, redes neurais artificiais, árvores de decisão e florestas aleatórias. Para anos de alta e baixa carga pendente de frutos, as melhores taxas de acerto foram 85,3% e 88,9%, respectivamente. Outras medidas de desempenho como sensitividade e especificidade também apresentaram valores altos e equilibrados. Os modelos desenvolvidos neste trabalho fornecem melhores subsídios para o monitoramento da doença em anos de alta carga pendente de frutos do que outros modelos existentes, além de prover uma possibilidade de monitoramento em anos de baixa carga pendente de frutos. -
dc.descriptionRedes neurais artificiais-
dc.formatapplication/pdf-
dc.languagepor-
dc.relationhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/view/687/pdf_107-
dc.relationhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/downloadSuppFile/687/621-
dc.relationhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/downloadSuppFile/687/622-
dc.relationhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/downloadSuppFile/687/623-
dc.relationhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/downloadSuppFile/687/624-
dc.relationhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/downloadSuppFile/687/625-
dc.relationhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/downloadSuppFile/687/626-
dc.relationhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/downloadSuppFile/687/627-
dc.relationhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/downloadSuppFile/687/628-
dc.relationhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/downloadSuppFile/687/629-
dc.relationhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/downloadSuppFile/687/630-
dc.relationhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/downloadSuppFile/687/631-
dc.relationhttp://www.coffeescience.ufla.br/index.php/Coffeescience/article/downloadSuppFile/687/632-
dc.rightsAttribution 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.sourceCoffee Science; v. 9, n. 3 (2014); 408-418-
dc.sourceCoffee Science; v. 9, n. 3 (2014); 408-418-
dc.sourceCoffee Science; v. 9, n. 3 (2014); 408-418-
dc.source1984-3909-
dc.source1809-6875-
dc.subjectPredictive models-
dc.subjectRandom forest-
dc.subjectSupport vector machines-
dc.subjectArtificial neural networks-
dc.subjectDecision trees-
dc.subjectAlerta de doenças-
dc.subjectFlorestas aleatórias-
dc.subjectMáquinas de vetores suporte-
dc.subjectRedes neurais artificiais-
dc.subjectÁrvores de decisão-
dc.titleModelos de predição da ferrugem do cafeeiro (Hemileia vastatrix Berkeley & Broome) por técnicas de mineração de dados-
dc.title.alternativeWarning models for coffee rust (Hemileia vastatrix Berkeley & Broome) by data mining techniques-
dc.typeinfo:eu-repo/semantics/article-
dc.typeinfo:eu-repo/semantics/publishedVersion-
Aparece nas coleções:Coffee Science

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
ARTIGO_Modelos de predição da ferrugem do cafeeiro (Hemileia vastatrix Berkeley & Broome) por técnicas de mineração de dados.pdf1,15 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


Este item está licenciada sob uma Licença Creative Commons Creative Commons