Desenvolvimento de um sistema inteligente de estimativa da ferrugem asiática da soja por meio de redes neurais artificiais

Jones Wellesley Ferrari (UEPG) E-mail: ugaleto@hotmail.com

Ivo Mário Mathias (UEPG) E-mail: ivomathias@uepg.br Rodrigo Yoiti Tsukahara (Fundação ABC) E-mail: rodrigo@fundacaoabc.org.br

Resumo: Um dos maiores problemas que afetam a produtividade da soja no Brasil e no Mundo é a ocorrência e proliferação da ferrugem asiática, que é fortemente influenciada pelas condições climáticas locais, onde, resultados de literatura especializada indicam tanto a temperatura quanto à duração do período de molhamento foliar (DPMF) como sendo as principais variáveis meteorológicas no processo de infecção do fungo sobre as folhas. Diante deste contexto, está sendo desenvolvido um Sistema de Apoio à Decisão chamado SINSOJA – Sistema Inteligente de Estimativa da Ferrugem Asiática da Soja, baseado em Redes Neurais Artificiais, capaz de estimar por meio de variáveis climáticas, a influência destas, no surgimento e desenvolvimento da ferrugem asiática na cultura da soja da região dos Campos Gerais do Paraná. Palavras-chave: Inteligência Artificial, Sistemas de Apoio a Decisão, Soja.

1. Introdução

A ferrugem asiática da soja (Figura 1), causada pelo fungo Phakopsora pachyrhizi Syd. & P. Syd foi relatada inicialmente no Japão em 1902, se dispersando pelo continente asiático e africano nas décadas seguintes. Na América do Sul a identificação da doença ocorreu em 2001 em áreas de produção de soja safrinha tanto no Paraguai quanto no Brasil (YORINORI et al., 2003), sendo atualmente encontrada nas principais áreas de produção de soja no mundo.

Figura 1 – Ferrugem asiática na soja (Phakopsora pachyrhizi)

Fonte: Ministério da Agricultura (2008)

Uma vez infectadas, as plantas de soja submetidas a condições climáticas favoráveis a doença apresentam um rápido amarelecimento e posterior abscisão das folhas, reduzindo assim a taxa de produção de fotoassimilados e conseqüentemente a produtividade potencial. Reduções na produtividade de soja da ordem de 10 a 40% foram relatadas na Tailândia, 10 a 50% na China, 23 a 90% em Taiwan e perdas de até 70% em áreas não controladas no Brasil (YORINORI et al., 2005).

Em relação às condições de ambiente para desenvolvimento da ferrugem asiática, resultados de literatura especializada indicam tanto a temperatura (entre 15 a 25ºC) quanto à duração do período de molhamento foliar (DPMF) (superior à 10h) como sendo as principais variáveis meteorológicas no processo de infecção do fungo sobre as folhas (MARCHETTI et al., 1976) e (REIS, 2004).

Contudo, o vento tem um fator de contribuição importante para o desenvolvimento da ferrugem tanto quanto a temperatura e a DPMF, pois o mesmo promove a liberação e disseminação do inoculo a longas distâncias da área plantada (TSUKAHARA E KOCHINSKI, 2007a).

Atualmente, o uso de estações agrometeorológicas automáticas de baixo custo possibilitam o monitoramento e armazenamento das variáveis citadas acima e de outras inúmeras variáveis ambientais em escala temporal de alta freqüência, gerando desta forma informações essenciais para a aplicação de técnicas estatísticas que objetivam o reconhecimento de padrões de comportamento destas variáveis para determinado conjunto de informações (TSUKAHARA E KOSHINSKI, 2007b).

O mesmo autor acrescenta que, dada a enorme capacidade de mutação genética natural dos próprios fenômenos biológicos, os genes que conferem resistência das plantas a certas doenças ou pragas tendem a se modificar constantemente, fazendo com que a pesquisa seja obrigada a re-calibrar seus modelos matemáticos que representam as condições climáticas favoráveis ou não, para a ocorrência de determinada doença, demandando disponibilidade de tempo e também de recursos.

Portanto, na tentativa de auxiliar os produtores agrícolas em processos de tomada de decisão e com o objetivo de aumentar a eficiência na utilização de defensivos agrícolas, o uso da informática no desenvolvimento de sistemas de apoio a decisão (SAD) vem gradativamente demonstrando eficiência na diminuição dos impactos ambientais, aumento da produção e rentabilidade aos agricultores. Uma das formas de se alcançar tais resultados é combatendo diretamente as doenças, de modo geral, nas lavouras.

De maneira mais específica, pode-se melhorar as técnicas de amostragem e avaliação de severidade da ferrugem da soja que hoje é baseada em critérios visuais, subjetivos e inerentes a cada avaliador. Para isso, o uso de ferramentas com técnicas de Inteligência Artificial (IA) pode contribuir, de forma mais intensa, das soluções e dos aplicativos, com o objetivo de buscar métodos ou dispositivos computacionais que simulem a capacidade humana de resolver problemas.

Desta forma, as Redes Neurais Artificiais (RNA) correspondem a uma metodologia para solucionar problemas de IA, a partir de técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência, ou seja, aprendendo, errando e fazendo descobertas.

Diante deste contexto, o objetivo desde projeto é desenvolver um Sistema de Apoio à Decisão (SAD) baseado em Redes Neurais Artificiais (RNAs), capaz de estimar por meio de variáveis climáticas, a influência destas, no surgimento e desenvolvimento da ferrugem asiática na cultura da soja da região dos Campos Gerais do Paraná. As informações obtidas pelo SAD são

relevantes aos agricultores e agrônomos, auxiliando-os na tomada de decisão relativa ao momento ideal de aplicação de fungicidas, o que pode resultar em redução de custos de produção, aumento de produtividade, assim como, uma diminuição nos impactos ambientais.

2. Materiais e Métodos

Segundo Haykin (2001), as RNAs são sistemas computacionais que imitam as habilidades do sistema nervoso biológico. Uma rede neural é um processador maciçamente paralelamente distribuído, constituído de unidades de processamento simples, que têm a propensão natural para armazenar conhecimento experimental e torná-lo disponível para o uso. Ela se assemelha ao cérebro em dois aspectos: 1- O conhecimento é adquirido pela rede a partir de seu ambiente através de um processo de aprendizagem. 2- Forças de conexão entre neurônios, conhecidas como pesos sinápticos, são utilizadas para armazenar o conhecimento adquirido.

A Figura 2 exibe uma arquitetura de RNA, constituída de camada de entrada, camadas ocultas ou intermediárias e como resposta a camada de saída.

Figura 2 – Representação de uma RNA em forma de grafo

Fonte: Mathias (2006)

A arquitetura de uma RNA é tipicamente organizada em camadas:

- Camada de entrada: onde os padrões são apresentados à rede;

- Camadas ocultas: onde é feita a maior parte do processamento, são consideradas extratoras de características.

- Camada de saída: onde o resultado final é concluído e apresentado

A propriedade mais importante das redes neurais é a habilidade de aprender a partir de seu ambiente e com isso melhorar seu desempenho, isso é feito através de um processo de aprendizagem, que é um processo iterativo de ajustes aplicado a seus pesos sinápticos, o algoritmo de treinamento. O aprendizado ocorre quando a rede neural atinge uma solução generalizada para uma classe de problemas (MATHIAS, 2006).

O sistema proposto possuirá implementado o algoritmo de treinamento Resilient Propagation (Rprop). Este algoritmo refere-se a métodos de treinamento empregados na arquitetura de redes Perceptron de Múltiplas Camadas (PMC), nas quais os pesos das conexões são ajustados por retropropagação de erro.

A retropropagação de erro é um processo que consiste de dois passos através das diferentes camadas da rede: um passo para frente e outro passo para trás. No passo para frente os pesos sinápticos são invariantes, já no passo para trás, que é propagado em direção contrária do início, os pesos sinápticos são ajustados por uma regra de correção de erro que consiste na diferença entre a resposta real da rede e a resposta desejada (HAYKIN, 2001).

Normalmente uma rede de múltiplas camadas treinada com algoritmos de retropropagação aprende em estágios, partindo da realização de funções de mapeamento razoavelmente simples para funções mais complexas, conforme o treinamento avança (HAYKIN, 2001).

Os dados utilizados neste projeto são fornecidos pela Fundação ABC para Assistência e Divulgação Agropecuária de Castro - PR, sendo compostos por variáveis climáticas coletadas através de Estações Meteorológicas Automáticas (EMA).

Cada EMA é composta por uma plataforma de coleta de dados, conectada a sensores de radiação solar global, temperatura do ar, temperatura do solo, precipitação pluvial, velocidade e direção do vento, umidade relativa do ar, e pressão atmosférica (Figura 3). Essa plataforma de coleta de dados, denominada datalogger foi programada para realização das leituras a cada minuto, e registro dos valores máximos, mínimos e médios dos elementos (sensores) citados anteriormente em intervalos de 60 minutos.

Figura 3 – Estação agrometeorológica automática, modelo Neftis, Castro-PR

Fonte: Tsukahara e Kochinski (2007)

A rede de estações automáticas da Fundação ABC realiza a telemetria através do sistema GPRS (General Packet Radio Service), baseado em uma rede de telefonia móvel. Após recepção dos dados em servidor próprio, os mesmos são validados através de técnicas geoestatísticas e inseridos em freqüência horária e diária em banco de dados Oracle versão 10g Enterprise Edition, para posterior utilização de diversos softwares.

Alem da meteorológia, tem-se a fenologia, ramo da ecologia que estuda os fenômenos periódicos dos seres vivos e suas relações com as condições do ambiente, tais como temperatura, luz, umidade, entre outros (MARTINS, 2006). Considerando o reino vegetal, a interação entre cada fenômeno periódico com as condições de ambiente exige uma resposta fisiológica diferenciada para cada estádio ou fase de desenvolvimento da planta, resultando em alterações morfológicas sobre o volume, peso, forma e estrutura (visíveis ou invisíveis).

Diante da necessidade de descrever e reproduzir com detalhes o ciclo de uma planta de soja, objetivando relacionar seu crescimento com a severidade da ferrugem asiática da soja, adotou-se para todas as avaliações visuais a escala fenológica proposta por Ritchie et al. (1982), conforme Tabela 4. Em posse da escala fenológica da soja, em freqüência semanal, adotou-se o critério de 50% das plantas com as alterações morfológicas descritas na Tabela 1.

Tabela 1 – Localização Escala fenológica da soja

Estádio Descrição I. Fase vegetativa

VC Da emergência a cotilédones abertos. Vl Primeiro nó; folhas unifolioladas abertas. V2 Segundo nó; primeiro trifólio aberto. V3 Terceiro nó; segundo trifólio aberto. Vn Enésimo (último) nó com trifólio aberto, antes da floração. II. Fase Reprodutiva (observação da haste principal)

R1 Início da floração até 50% das plantas com uma flor. R2 Floração plena. Maioria dos racemos com flores abertas. R3 Final da floração. Vagens com até 1,5 cm de comprimento. R4 Maioria das vagens no terço superior com 2 - 4 cm, sem grãos perceptíveis. R5.1 Grãos perceptíveis ao tato a 10% da granação. R5.2 Maioria das vagens com granação de 10%-25%. R5.3 Maioria das vagens entre 25% e 50% de granação. R5.4 Maioria das vagens entre 50% e 75% de granação. R5.5 Maioria das vagens entre 75% e 100% de granação. R6 Vagens com granação de 100% e folhas verdes. R7.1 Início a 50% de amarelecimento de folhas e vagens. R7.2 Entre 51% e 75% de folhas e vagens amarelas. R7.3 Mais de 76% de folhas e vagens amarelas. R8.1 Início a 50% de desfolha. R8.2 Mais de 50% de desfolha à pré-colheita. R9 Ponto de maturação de colheita. Fonte: Tsukahara e Kochinski (2007)

Para a modelagem da base de conhecimento e o reconhecimento dos padrões de comportamento das variáveis agrometeorológicas em relação aos índices de severidade da ferrugem asiática, será adotada a metodologia de Redes Neurais Artificiais.

O projeto de pesquisa proposto será desenvolvido no Laboratório de Informática Aplicado a Agricultura (INFOAGRO), do Departamento de Informática da Universidade Estadual de Ponta Grossa, fazendo uso de um computador HP Compaq dc5750 Microtower, AMD Athlon 64 3500+ 2.19 GHz, com 1024 MB de RAM, em ambiente Windows XP, utilizando a ferramenta de Programação Borland Delphi 2007 (BORLAND, 2008; CANTÚ, 2003).

Para o armazenamento dos dados, será utilizado o Sistema Gerenciador de Banco de Dados (SGBD) Firebird 2.1, por ser um SGBD objeto-relacional confiável de alto desempenho e de licença gratuita (FIREBIRD, 2008).

3. Considerações

Espera-se que os resultados alcançados com este projeto sejam importantes para os agricultores e agrônomos da região dos Campos Gerais, pois estes terão disponível uma ferramenta que dará suporte a decisões, para que os mesmos possam obter uma melhor estratégia na cultura da soja em virtude da estimativa da ferrugem asiática gerada pelo sistema proposto.

É possível que, através do uso de resultados deste projeto, os produtores agrícolas possam tomar decisões que resultem em uma racionalização na aplicação de fungicidas em plantações

de soja, melhorando a qualidade, aumentando a produtividade e contribuindo na proteção do meio ambiente.

Os resultados obtidos neste trabalho poderão servir como embasamento a serem utilizados em projetos vindouros, principalmente aos relacionados à região dos Campos Gerais, e possivelmente em todo o Brasil por se tratar de um software inédito e que não possui similares.

Referências

BORLAND . Disponível em <http://www.codegear.com/products/delphi>. Acesso em: jun. 2008.

CANTÚ, M . Dominando o Delphi 7: a Bíblia, São Paulo, Makron Books, 2003.

FIREBIRD SQL . Disponível em: <http://www.firebirdsql.org/>. Acesso em: jun. 2008.

HAYKIN, S . Redes neurais princípios e prática. Porto Alegre, Bookman, 2001, 900p.

MATHIAS, I. M . Aplicação de redes neurais artificiais na análise de dados de molhamento foliar por orvalho. Tese de Doutorado – Faculdade de Ciências Agronômicas/Universidade Estadual Paulista “Júlio de Mesquita Filho”, UNESP, Botucatu, 2006.

MARCHETTI, M. A., MELCHING, J. S., BROMFIELD, K. R . The effects of temperature and dew period on germination and infection by urediospores of Phakopsora pachyrhizi. Phytopathology 66: 461-463, 1976.

MARTINS, J. A. S. Caracteres epidemiológicos e uso da analise de agrupamento para resistência parcial à ferrugem da soja. Dissertação de Mestrado – Instituto de Ciências Agrárias/Universidade Federal de Uberlândia, UFU, Uberlândia, 2006.

MINISTÉRIO DA AGRICULTURA . Disponível em: <http//:www.agricultura.gov.br>. Acesso em: mai. 2008.

REIS, E. M. Prevenção de Doenças de Plantas. Passo Fundo: Editora UPF, 2004.

TSUKAHARA, R. Y; KOCHINSKI, E. G . Relatório de Pesquisa: Controle da ferrugem da soja através da favorabilidade climática: Arapoti - PR. Castro: Fundação ABC, 2007a. 13p.

TSUKAHARA, R. Y; KOCHINSKI, E. G . Relatório de Pesquisa: Controle da ferrugem da soja através da precipitação: Arapoti - PR. Castro: Fundação ABC, 2007b. 15p.

YORINORI, J. T. et al. Evolução da ferrugem da soja (Phakopsora pachyrhizi) no Brasil, de 2001 a 2003. Fitopatologia Brasileira, v.28, p.S210, 2003 (Suplemento).

YORINORI, J. T. et al. Epidemics of soybean rust (Phakopsora pachyrhizi) in Brazil and Paraguay. Plant Disease, v. 89, p. 675-677, 2005.