MODELOS COMPUTACIONAIS E ESTATÍSTICOS PARA A PREDIÇÃO DA SEVERIDADE DA MANCHA FOLIAR CAUSADA POR XANTHOMONAS SPP. EM CLONE HÍBRIDO DE EUCALYPTUS GRANDIS X EUCALYPTUS UROPHYLA

Resumo

A mancha foliar bacteriana (MFB) do eucalipto causada por Xanthomonas spp. é uma das principais doenças da eucaliptocultura no Brasil, causando perdas de milhares de reais anualmente. A forma tradicional de quantificação da doença feita por um observador com auxílio de uma escala diagramática está sujeita a diversas fontes de erros, por isso, métodos alternativos utilizando imagens digitais e reflectância foliar espectral vêm surgindo com promessas de alta acurácia e menor termo de avaliação. O presente trabalho teve por objetivo avaliar diversos modelos computacionais baseados em aprendizado de máquinas e modelos estatísticos de regressão linear múltipla para a predição da severidade da MFB do eucalipto. Mudas de clone híbrido de Eucalyptus grandis x Eucalyptus urophylla foram submetidos à inoculação de Xanthomonas spp. A reflectância foliar espectral dessas mudas foram tomadas durante oito dias consecutivos. Os padrões de reflectância foram analisados por 35 modelos baseados em aprendizado de máquina e dois modelos de regressão linear múltipla. Os modelos foram submetidos a 1000 ensaios cada um sendo avaliados pelo coeficiente de correlação para os modelos de aprendizado de máquinas e pelo coeficiente de determinação ajustado para os modelos estatísticos. Os modelos baseados em aprendizado de máquina obtiveram coeficiente de correlação abaixo de 0,35; enquanto os modelos estatísticos resultaram em coeficientes de determinação ajustado acima de 55%. Nenhum dos modelos testados obtiveram resultados considerados elevados, no entanto os modelos baseados em regressão linear múltipla obtiveram valores superiores aos modelos baseados em aprendizado de máquinas.

 Palavras-chave: Aprendizado de máquina. regressão linear múltipla. Máquinas de vetores de suporte.

COMPUTATIONAL AND STATISTICAL MODELS FOR PREDICTION OF SEVERITY OF LEAF SPOT CAUSED BY XANTHOMONAS SPP. IN EUCALYPTUS GRANDIS X E. UROPHYLLA SEEDING

ABSTRACT

 Bacterial leaf spot of eucalyptus caused by Xanthomonas spp. is one of the main disease of eucalyptus crops in Brazil, causing losses annually. Traditional form of quantification of the disease are made by an observer with a diagrammatic scale is subject to several sources of errors. Alternative methods using digitizing images and spectral leaf reflectance promises high accuracy and shorter evaluation time. Present work objectives evaluate several computational models based on machine learning and statistical models of multiple linear regression for the prediction of the severity of the eucalyptus bacterial spot. Hybrid clone seedlings of Eucalyptus grandis x Eucalyptus urophylla were inoculated with Xanthomonas spp. The spectral leaf reflectance of these seedlings were taken during eight consecutive days. The reflectance patterns were analyzed by 35 models based on machine learning and two models of multiple linear regression. Models were submitted to 1000 tests each being evaluated by the correlation coefficient for the machine learning models and by the adjusted determination coefficient for the statistical models. Models based on machine learning obtained correlation coefficient below 0.35; while the statistical models resulted in adjusted determination coefficients upper to 55%. No one models obtained high results, however, the models based on multiple linear regression obtained better values than models based on machine learning.

 Key words: Machine Learning. multiple linear regression. Support vector machines