Warning models for coffee rust (Hemileia vastatrix Berkeley & Broome) by data mining techniques

Authors

  • Cesare Girolamo Neto Universidade Estadual de Campinas
  • Luiz Henrique Antunes Rodrigues Universidade Estadual de Campinas
  • Carlos Alberto Alves Meira Embrapa Informática Agropecuária

DOI:

https://doi.org/10.25186/cs.v9i3.687

Keywords:

Predictive models, random forest, support vector machines, artificial neural networks, decision trees

Abstract

Coffee 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.

Author Biographies

Cesare Girolamo Neto, Universidade Estadual de Campinas

Possui graduação em Engenharia Agrícola pela Universidade Estadual de Campinas (2010). Realizou Iniciação Científica na área de Simulação Numérica e Pré-Processamento de Protudos Agrícolas. Aluno de mestrado da Faculdade de Engenharia Agrícola da UNICAMP na área de mineração de dados.

Luiz Henrique Antunes Rodrigues, Universidade Estadual de Campinas

Formado em Engenharia Agrícola pela Universidade Estadual de Campinas (1984), Mestrado em Engenharia Elétrica pela Universidade Estadual de Campinas (1989) na área de Automação e Controle. Doutorado Sistemas de Suporte à Decisão, Universidade de Cranfield (1995), no Silsoe College. Atualmente é Professor Livre-Docente da Faculdade de Engenharia Agrícola da Universidade Estadual de Campinas (UNICAMP). Tem experiência na área de Sistemas Inteligentes Aplicados à Agiricultura, atuando principalmente nos temas Sistemas de Suporte à Decisão, Mineração de Dados e Sistemas Especialistas. Foi membro do NATI (Núcleo de Assessores de Tecnologia e Inovação) do CNPq (Conselho Nacional de Desenvolvimento Científico e Tecnológico), do Conselho de Orientação do Grupo Gestor de Educação à Distância da UNICAMP e do Conselho do InovaSoft (Centro de Inovação em Software da Unicamp).

Carlos Alberto Alves Meira, Embrapa Informática Agropecuária

Doutor em Engenharia Agrícola pela Unicamp (2008), Mestre em Ciências de Computação e Matemática Computacional pela USP e Licenciado em Matemática pela Unesp. É Pesquisador da Embrapa - Empresa Brasileira de Pesquisa Agropecuária desde 1994, onde participa e coordena projetos de pesquisa, desenvolvimento e inovação em tecnologia da informação e informática para a agropecuária. Está credenciado como Professor Visitante no programa de pós-graduação da Faculdade de Engenharia Agrícola da Unicamp, na área de Planejamento e Desenvolvimento Rural Sustentável e no tema Sistemas Inteligentes para a Agropecuária. Tem experiência na área de Ciência da Computação, com ênfase em Inteligência Computacional, atuando principalmente nos seguintes temas: descoberta de conhecimento em bases de dados (KDD), mineração de dados ("data mining"), sistemas de suporte à decisão e modelagem e alerta de doenças de plantas, em especial culturas agrícolas.

References

ALVES, M. C. et al. A Soft Computing Approach For Epidemiological Studies of Coffee And Soybean Rusts. International Journal of Digital Content Technology and its Applications, v.4, n.1, p.149-154, fev. 2010.

BATCHELOR, W.D.; YANG, X.B; TSCHANZ, A.T. Development of a neural network for soybean rust epidemics. Transactions of the American Society of Agricultural Engineers, v.40, n.1, p.247-252, 1997.

BATISTA, G. E. A. P. A.; PRATI, R. C.; MONARD, M. C. A study of the behavior of several methods for balancing machine learning training data. SIGKDD Explorations, New York, v.6, n.1, p.20-29, jun. 2004.

BREIMAN, L. Random forests. Machine Learning Journal. Hingham, v.45, p.5-32, jan. 2001.

CHALFOUN, S. M. Doenças do cafeeiro: importância, identificação e métodos de controle. Lavras: UFLA/FAEPE. 1997.

CHANG, C-C.; LIN, C-J. LIBSVM: A library for support vector machines. ACM Transactions on Intelligent Systems and Technology. v.2, n.3, Art. 27 - 27p., abr. 2011.

CINTRA, M. E. et al. The use of fuzzy decision trees for coffee rust warning in Brazilian crops. In: International Conference on Intelligent Systems Design and Applications, 11, 2011, Córdoba. Proceedings... Córdoba: IEEE, 2011, p. 1347-1352.

FAWCETT, T. An introduction to ROC analysis. Pattern Recognition Letters. New York, v.27, n.8, p.861-874, jun., 2006.

FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to knowledge discovery in databases. AI Magazine, v.17, n.3, p.37-54, jul. 1996.

HALL, M. A. et al. The WEKA Data Mining Software: An Update; SIGKDD Explorations, New York, v.11, n.1, p. 10-18, jun. 2009.

HAN, J.; KAMBER, M.; PEI, J. Data mining: concepts and techniques. 3ed. San Francisco: Morgan Kaufmann Publishers, 2011. 703 p.

HARDWICK, N. V. Disease forecasting. In: COOKE, B. M.; JONES, D. G.; KAYE, B. The epidemiology of plant diseases. 2aed. Holanda:Springer, 2006. p. 239-267.

HAYKIN, S. Neural Networks and Learning Machines. 3ed., Englewood Cliffs: Prentice-Hall. 2009. 936 p.

KUSHALAPPA, A. C.; AKUTSU, M.; LUDWIG, A. Application of survival ratio for monocyclic process of Hemileia vastatrix in predicting coffee rust infection rates. Phytopathology. St. Paul, v.73, n.1, p.96‑103, 1983.

KUSHALAPPA, A. C.; ESKES, A. B. Advances in coffee rust research. Annual Review of Phytopathology, v. 27, p.503‑531, set. 1989.

LEE, M. C.; TO, C. Comparison of Support Vector Machine and Back Propagation Neural Network in Evaluating the Enterprise Financial Distress. International Journal of Artificial Intelligence & Applications, v.1, p. 31-43, 2010.

LUACES, O. et al. Using nondeterministic learners to alert on coffee rust disease. Expert systems with applications, v.38, n.11, p.14276-14283, jan. 2011.

MEIRA, C. A. A.; RODRIGUES, L. H. A.; MORAES, S. A. Análise da epidemia da ferrugem do cafeeiro com árvore de decisão. Tropical Plant Pathology. v.33, n.2, p.114-124, mar./abr. 2008.

MEIRA, C. A. A.; RODRIGUES, L. H. A.; MORAES, S. A. Modelos de alerta para o controle da ferrugem-do-cafeeiro em lavouras com alta carga pendente. Pesquisa Agropecuária Brasileira. v.44, n.3, p.233-242, mar. 2009.

MOLINEROS, J. E. et al. Modeling epidemics of fusarium head blight: trials and tribulations. Phytopathology, v.95, n.6, p.S71, 2005.

MORAES, S. A. et al. Período de incubação de Hemileia vastatrix Berk. e Br. em três regiões do Estado de SP. Summa Phytopathologica. Piracicaba, v.2, n.1, p.32‑38, 1976.

PAUL, P. A.; MUNKVOLD, G. P. A model-based approach to preplanting risk assessment for gray leaf spot of maize. Phytopathology, v.94, n.12, p. 1350‑1357, 2004.

PAUL, P. A.; MUNKVOLD, G. P. Regression and artificial neural network modeling for the prediction of gray leaf spot of maize. Phytopathology, v.95, n.4, p. 388‑396, 2005.

PÉRES-ARIZA, C. B.; NICHOLSON, A. E.; FLORES, M. J. Prediction of Coffee Rust Disease Using Bayesian Networks. In: European Workshop on Probabilistic Graphical Models, 6, 2012, Granada. Proceedings... Granada: PGM, 2012. p. 259-266.

PINTO, A. C. S. et al. Descrição da epidemia da ferrugem do cafeeiro com redes neuronais. Fitopatologia Brasileira, Brasília, v.27, n.5, p.517-524, set./out., 2002.

PRATI, R. C.; BATISTA; G. E. A. P. A.; MONARD, M. C. Curvas ROC para avaliação de classificadores. Revista IEEE América Latina. v.6, n.2, p.215-222, jun. 2008.

SOUZA, V. C. O. et al. Técnicas de extração de conhecimento aplicadas a modelagem de ocorrência da cercosporiose (Cercospora coffeicola Berkeley & Cooke) em cafeeiros na região sul de minas gerais. Coffee Science, Lavras, v.8, n.1, p.91-100, jan./mar. 2013.

USDA. United States Department Of Agriculture. Disponível em: <http://www.fas.usda.gov/psdonline/circulars/coffee.pdf>, Acesso em: 15 fev. 2013.

WITTEN, I. H.; FRANK, E.; HALL, M. A. Data mining: practical machine learning tools and techniques. 3aed. San Francisco: Morgan Kaufmann, 2011. 629 p.

ZAMBOLIM, L. et al. Epidemiologia e controle integrado da ferrugem-do-cafeeiro. In: ZAMBOLIM, L. O estado da arte de tecnologias na produção de café. Viçosa: Suprema Gráfica e Editora, 2002. p. 369‑449.

Published

2014-07-16

How to Cite

GIROLAMO NETO, C.; RODRIGUES, L. H. A.; MEIRA, C. A. A. Warning models for coffee rust (Hemileia vastatrix Berkeley & Broome) by data mining techniques. Coffee Science - ISSN 1984-3909, v. 9, n. 3, p. 408-418, 16 Jul. 2014.

Issue

Vol. 9 No. 3 (2014)

Section

Articles

Os direitos autorais dos artigos publicados nesta revista pertencem aos autores, com os primeiros direitos de publicação pertencentes à revista. Como os artigos aparecem nesta revista com acesso aberto, eles podem ser usados ​​livremente, com as devidas atribuições, em aplicativos educacionais e não comerciais.