As pragas e doenças no cafeeiro, ocasionadas por bicho-mineiro-do-cafeeiro, broca-do-café, ferrugem-do-cafeeiro e cercosporiose, chegam a atingir até 50% de uma lavoura cafeeira, podendo causar grandes prejuízos aos cafeicultores. Sendo assim, os sistemas inteligentes são de suma importância para predizer esses danos ao cafeeiro e também auxiliar os cafeicultores na tomada de decisão. Este trabalho propõe o uso de redes neurais artificiais do tipo Multilayer Perceptron (MLP) e árvores de decisão para o desenvolvimento de sistemas inteligentes para prever a taxa de ocorrência de pragas e incidência de doenças no cafeeiro. Utilizou-se um método de regressão linear no intuito de compará-lo com os modelos de sistemas inteligentes por meio de métricas estatísticas. Foram utilizados dados meteorológicos, tais como: temperaturas mínima e máxima, precipitação pluviométrica, umidade relativa do ar, incidência de raios solares e a quantidade de dias sem chuva na região como variáveis de entrada dos modelos. O valor dos dados referentes às pragas e doenças foram coletados no Campo Experimental da EPAMIG de São Sebastião do Paraíso, no sul de Minas Gerais. Foram empregadas as métricas estatísticas Root Mean Square Error (RMSE) e o Coeficiente de Determinação (R 2 ) para verificar o quão os modelos propostos estão predizendo as manifestações de pragas e doenças adequadamente. As redes neurais MLP apresentaram os melhores resultados para os modelos de doenças e pragas com um RMSE na faixa de 0,0220 a 0,1569 e um R 2 que variou entre 0,7552 a 0,9803. Os valores para os modelos de árvores de decisão ficou em um intervalo para RMSE e R 2 entre 0,0477 a 0,2900 e 0,2059 a 0,8752, respectivamente. Os resultados dos modelos aplicando regressão linear múltipla variou entre 0,0633 a 0,3154 e 0,1045 a 0,4822 para as métricas RMSE e R 2 , respectivamente. Uma das vantagens de se utilizarem redes neurais artificiais do tipo MLP é a alta capacidade de aprender e generalizar após o treinamento do algoritmo, isto ficou evidente neste trabalho. Por fim, desenvolveu-se um aplicativo para smartphones embarcado com um modelo de sistema inteligente com o objetivo de predizer e informar o cafeicultor em tomadas de decisões no que refere-se a doenças e pragas.
The pests and diseases in the coffee tree, caused by the coffee miner bug, coffee borer, coffee rust and cercosporiosis, reach up to 50% of a coffee crop, which can cause great damage to coffee growers. Thus, intelligent systems are of paramount importance to predict these damages to the coffee tree and also assist coffee farmers in decision making. This work proposes the use of artificial neural networks of the type Multi-layer Perceptron (MLP) and decision trees for the development of intelligent systems to predict the rate of occurrence of pests and incidence of diseases in the crop. A linear regression method was used in order to compare it with models of intelligent systems by means of statistical metrics. Meteorological data were used, such as: minimum and maximum temperatures, rainfall, relative air humidity, incidence of sunlight and the number of days without rain in the region as input variables for the models. The value of data relating to pests and diseases were collected at the EPAMIG Experimental Camp in São Sebastião do Paraíso, in the south of Minas Gerais. Statistical metrics Root Mean Square Error (RMSE) and the Termination Coefficient (R 2 ) were used to verify how the proposed models are adequately predicting pest and disease manifestations. The MLP neural networks showed the best results for disease and pest models with an RMSE in the range of 0.0220 to 0.1569 and an R 2 that varied between 0.7552 to 0.9803. The values for the decision tree models were a range for RMSE and R 2 between 0.0477 to 0.2900 and 0.2059 to 0.8752, respectively. The results of the models applying multiple linear regression varied between 0.0633 to 0.3154 and 0.1045 to 0.4822 for the metrics RMSE and R 2 , respectively. One of the advantages of using artificial neural networks of the MLP type is the high capacity to learn and generalize after training the algorithm, this was evident in this work. Finally, an application was developed for textit smartphones embedded with an intelligent system model with the aim of predicting and informing the coffeegrower in decision making regarding diseases and pests.
