Uso de redes neurais na previsão de ataque de Chrysodeixes includens em lavouras de soja

Abstract

A determinação de modelos de dinâmica espaço-temporal das pragas nos cultivos possibilita identificação dos períodos e locais com maiores riscos desses organismos causarem danos econômicos. As populações de pragas nos cultivos são reguladas por fatores bióticos e abióticos como as variáveis meteorológicas, planta hospedeira e inimigos naturais. Com isso a utilização de redes neurais artificiais (RNAs) são ferramentas de inteligência artificial que possibilitam a determinação de modelos com alto poder de previsão da dinâmica espaço-temporal das pragas. A soja (Glycine max) é a leguminosa mais cultivada no mundo, e o continente americano é a principal região do mundo onde ela é cultivada. A lagarta falsa medideira Chrysodeixis includens (Lepidoptera: Noctuidae) é uma das pragas mais importantes nos cultivos de soja nas Américas. Assim, o objetivo desse trabalho foi determinar modelo de previsão da intensidade de ataque de C. includens a lavouras de soja usando RNAs. Os dados do trabalho foram coletados durante dois anos em quatro lavouras comerciais de soja no bioma Cerrado em Formoso do Araguaia e Gurupi, TO. Nos cultivos foram monitoradas a cada duas semanas as densidades C. includens e de predadores e variáveis meteorológicas. Foram selecionadas como preditores do modelo variáveis meteorológicas com baixa autocorrelação (< 0,50). Foram construídas 1080 RNAs. O modelo selecionado foi aquele que apresentou maior correlação entre os valores observados e previstos (rv), menor quadrado médio do resíduo (RMSEv) e menor número de neurônios na camada oculta. A RNA selecionada teve quatro preditores significativos (temperatura média do ar, umidade relativa do ar, velocidade dos ventos e idade das plantas), dois neurônios na camada oculta, rv = 0,7167 e RMSEv = 0,2041. A temperatura média do ar e idade das plantas tiveram efeito positivo sobre a intensidade de ataque da praga. Já a umidade relativa do ar e a velocidade dos ventos tiveram efeito negativo sobre o ataque da praga. O modelo foi capaz de prever de forma precisa o ataque de C. includens em diferentes anos e épocas e em períodos com baixas e altas densidades dessa praga. Portanto, o modelo de RNA determinado no trabalho pode ser usado para prever as épocas e locais como maiores riscos de ataque de C. includens aos cultivos de soja como uma possível ferramenta de consulta do produtor.

Palavras-chave: Lagarta falsa medideira. Variáveis meteorológicas. Dinâmica de pragas. Glycine max. Inteligência artificial. Manejo integrado de pragas.

The determination of space-time dynamic models of pests in crops makes it possible to identify the periods and places with the greatest risk of these organisms causing economic damage. Pest populations in crops are regulated by biotic and abiotic factors such as meteorological variables, host plant and natural enemies. Thus, the use of artificial neural networks (ANNs) are artificial intelligence tools that enable the determination of models with high predictive power of the space-time dynamics of pests. Soybean (Glycine max) is the most cultivated legume in the world, and the American continent is the main region in the world where it is cultivated. The bollworm Chrysodeixis includens (Lepidoptera: Noctuidae) is one of the most important pests of soybean crops in the Americas. Thus, the objective of this work was to determine a model for predicting the attack intensity of C. includens on soybean crops using ANNs. The work data were collected during two years in four commercial soybean plantations in the Cerrado biome in Formoso do Araguaia and Gurupi, TO. In the crops, densities of C. includens and predators and meteorological variables were monitored every two weeks. Meteorological variables with low autocorrelation (< 0.50) were selected as model predictors. 1080 ANNs were built. The model selected was the one that presented the highest correlation between the observed and predicted values (rv), the lowest residual mean square (RMSEv) and the lowest number of neurons in the hidden layer. The selected ANN had four significant predictors (mean air temperature, relative air humidity, wind speed and plant age), two neurons in the hidden layer, rv = 0.7167 and RMSEv = 0.2041. Mean air temperature and plant age had a positive effect on pest attack intensity. On the other hand, relative humidity and wind speed had a negative effect on pest attack. The model was able to accurately predict the attack of C. includens in different years and times and in periods with low and high densities of this pest. Therefore, the RNA model determined in the work can be used to predict the times and places with the greatest risk of attack by C. includens to soybean crops as a possible tool for consultation with the producer.

Keywords: False measuring caterpillar. Meteorological variables. Pest dynamics. Glycine max. Artificial intelligence. Integrated pest management.