Hudson-2018.pdf 1559323691

UNIVERSIDADE ESTADUAL DE MARINGÁ - UEM
CENTRO DE CIÊNCIAS AGRÁRIAS - CCA

DEPARTAMENTO DE AGRONOMIA - DAG
PROGRAMA DE PÓS-GRADUAÇÃO EM AGRONOMIA - PGA
NÚCLEO DE PESQUISA EM BIOTECNOLOGIA APLICADA - NBA
HUDSON SÉRGIO DE SOUZA
SISTEMA DE ANÁLISE TEMPORAL DE DOENÇAS

EM PLANTAS - SiTemp
Maringá-PR
2018

EM PLANTAS – SiTemp
Tese apresentada ao Programa de Pós-

Graduação em Agronomia do Departamento
de Agronomia, Centro de Ciências Agrárias da
Universidade Estadual de Maringá, como
requisito parcial para obtenção do título de
Doutor em Agronomia.
Área de concentração: Proteção de Plantas.
Orientador: Prof. Dr. William Mário de
Carvalho Nunes.
Maringá-PR
2018
Dados Internacionais de Catalogação-na-Publicação (CIP)
(Biblioteca Central - UEM, Maringá – PR., Brasil)
Souza, Hudson Sérgio de
S729s Sistema de análise temporal de doenças em plantas

- Sitemp/ Hudson Sérgio de Souza. –- Maringá, 2018.
77 f. : il., figs. , tabs.
Orientador: Prof. Dr. William Mário de Carvalho

Nunes.
Tese (doutorado) – Universidade Estadual de

Maringá, Centro de Ciências Agrárias, Programa de
Pós-Graduação em Agronomia, Núcleo de Pesquisa em
Biotecnologia Aplicada, 2018.
1. Analise temporal – Doenças de Plantas. 2.

Epidemiologia. 3. Agroinformática. 4. Fitopatologia.
5.Manejo de doenças. 6. Website. I. Nunes, Willian
Mário de Carvalho, orient. II. Universidade Estadual
de Maringá. Centro de Ciências Agrárias. Programa de
Pós-Graduação em Agronomia. Núcleo de Pesquisa em
Biotecnologia Aplicada. III. Título.
CDD 22. ED.632.0285

Jane Lessa Monção CRB9 1173
FOLHA DE APROVAÇÃO

EM PLANTAS - SiTemp
Tese apresentada ao Programa de Pós-Graduação em Agronomia do Departamento de

Agronomia, Centro de Ciências Agrárias da Universidade Estadual de Maringá, como
requisito parcial para obtenção do título de Doutor em Agronomia pela Comissão Julgadora
composta pelos membros:
COMISSÃO JULGADORA
Prof. Dr. Dauri José Tessmann

Universidade Estadual de Maringá
Dr. Julien Gad Levy

Texas A&M University
Profa. Dra. Edilaine Mauricia Gelinski Grabicoski

Profa. Dra. Terezinha Aparecida Guedes

Prof. Dr. William Mário de Carvalho Nunes

Universidade Estadual de Maringá (Orientador)
Aprovado em: 19 de fevereiro de 2018 às 14:00h.

Local de defesa: Anfiteatro II, Bloco J45, Universidade Estadual de Maringá.
Dedico este trabalho primeiramente a Deus
pelo dom da vida.
A minha mãe Dona Helena pelo apoio,
confiança, palavras de conforto e orientação
nas horas certas.
Aos meus irmãos Josias (in memorian),
Marizete, Aparecida e João pelos votos de
confiança em mim depositados.
ii
AGRADECIMENTOS
Agradeço a Deus, por ter me concedido o dom da vida e capacidade de compreensão

sobre minha existência.
A minha família, mãe Dona Helena e irmãos Josias (in memorian), Marizete,
Aparecida e João, por acreditarem em minha capacidade e esforço pessoal em manter o foco
e determinação nos meus objetivos pessoais e em empreendimentos familiares.
Agradecimento especial ao meu orientador Prof. Dr. William Mário de Carvalho

Nunes, que além dos trabalhos cotidianos de me guiar pelos complexos caminhos da pesquisa
científica, se tornou um amigo.
Ao amigo Prof. Dr. Antônio Carlos Andrade Gonçalves, agradeço pelas longas
conversas sobre a vida, pelas trocas de experiências motociclísticas e pelos
compartilhamentos de informações sobre construção civil.
Ao amigo Prof. Dr. Julio Cesar Tocacelli Colella, por abrir as portas da
interdisciplinaridade entre a Informática e a Agronomia, alterando os rumos de minha vida de
forma profissional e pessoal.
Aos companheiros de pesquisa Alexandre, Edilaine, Angélica, Danielle, Takashi,

Anna, Cássio, Fernando e Jhonathas, pelos momentos de auxílio mútuo, alegrias e projetos
futuros que ainda virão.
Ao grupo de pesquisa NBA-UEM, pelo acolhimento e viabilidade no

desenvolvimento do projeto em Agro-Informática.
Aos investidores Coordenação de Aperfeiçoamento de Pessoal de Nível Superior

- Capes e ao Ministério da Educação - MEC, pelo apoio financeiro e incentivo à pesquisa.
E a todos aqueles que de forma direta ou indireta contribuíram para o

desenvolvimento desta pesquisa.
iii
EM PLANTAS - SiTemp
RESUMO
O presente trabalho teve como objetivo descrever as etapas do desenvolvimento do website

Sistema de Análise Temporal de Doenças em Plantas - SiTemp, disponível na URL
[http://sitav.pga.uem.br]. Esta ferramenta web tem como público-alvo o engenheiro agrônomo
por possuir conhecimentos técnico e científico sobre a análise temporal de doenças. As
informações cadastrais e os dados observados em campo ou em laboratório de severidade de
doenças de plantas, são inseridos e armazenados no banco de dados do SiTemp, gerando um
histórico, que, por meio das técnicas de Inteligência Artificial (IA), executa o processamento
dos dados observados sobre os modelos matemáticos Logístico, Monomolecular e Gompertz,
onde será eleito o modelo que apresente a melhor solução para explicar o conjunto de dados,
sendo que por meio do modelo eleito será calculado a análise temporal e a forma da Área
Abaixo da Curva de Progresso da Doença (AACPD). O resultado da análise temporal é
gerado na forma de textos, variáveis, tabelas e gráficos, sendo de competência e
responsabilidade do engenheiro agrônomo analisar as informações, as quais servirão como
base técnica-científica para sua decisão final sobre o manejo da cultura.
Palavras-chave: Web, manejo de doenças, epidemiologia.
iv
SYSTEM OF TEMPORARY ANALYSIS OF PLANT DISEASES - SiTemp
ABSTRACT
The objective of this work was to describe the stages of the development of the SiTemp
website, Plant Disease Temporal Analysis System, available at URL [http://sitav.pga.uem.br].
This web tool is aimed at the agronomist by having technical and scientific knowledge about
the temporal analysis of diseases. The cadastral information and the data observed in the field
or laboratory of disease severity of plants are inserted and stored in the database of SiTemp,
generating a historic of the user, where through Artificial Intelligence (AI) techniques perform
the processing of the observed data on the mathematical models Logistic, Monomolecular and
Gompertz, where the model will be chosen that presents the best solution to explain the data
set, through the chosen model will be calculated the temporal analysis and the shape of the
Area Under the Disease Progression Curve (AACPD). The result of the temporal analysis is
generated in the form of texts, variables, tables and graphs, which is the competence and
responsibility of the agronomist to analyze the information, which served as the technical-
scientific basis for his final decision on crop management.
Keywords: Web, disease management, epidemiology.
v
LISTA DE FIGURAS
REVISÃO BIBLIOGRÁFICA
Figura 1. Esquema do triângulo da doença para a epidemiologia, envolvendo
as três populações: hospedeiro, patógeno e ambiente ……………….…….. 07
Figura 2. Esquema de um patossistema virótico de doença, destacando: patógeno,
ambiente, hospedeiros, homem e tempo…………………………..………... 08
Figura 3. Balanço do processo antagônico infecção e remoção, resultante em
epidemia ou endemia ………………………..……………………………... 09
Figura 4. Simulação da curva de crescimento de capital através de cálculos da
taxa de juros compostos contínuos, taxa de juros compostos descontínuos
e taxa de juntos simples …………………………………………...……… . 13
Figura 5. Gráficos dos modelos de crescimento exponencial e linear (A)
que tendem ao infinito, com os modelos de crescimento logístico
e monomolecular (B) que expressam a epidemia real ………...………….. . 16
Figura 6. Gráfico comparativo entre os modelos de crescimento exponencial e
logístico (A) se confunde com valores abaixo de 5% de doença e, os modelos
de crescimento linear e monomolecular (B) que também se confundem com
valores abaixo de 5% de doença ………………………..………………… . 19
CAPÍTULO 1 – DESENVOLVIMENTO DO WEBSITE SISTEMA DE

ANÁLISE TEMPORAL DE DOENÇAS EM PLANTAS (SITEMP)
Figura 1. Formulário de dados cadastrais de engenheiro agrônomo ………………..... 35
Figura 2. Visualização dos dados cadastrais de consulta do engenheiro agrônomo …. 36
Figura 3. Formulário de cadastro dos dados da propriedade …………...……………. 36
Figura 4. Formulário de cadastro dos dados da cultura ……………………..……….. 37
Figura 5. Formulário de cadastro de informações técnicas da cultura …………..….. . 38
Figura 6. Relatório de resumo dos dados observados …………..……...…………… . 38
Figura 7. Visualização individual do resumo dos dados observados …………...…... . 39
Figura 8. Formulário de entrada dos novos dados observados para gerar
histórico de avaliações ……………………………………..………………. 40
vi
Figura 9. Relatório de histórico dos dados observados em campo inseridos no
website SiTemp …………………………………………………..……….. . 42
Figura 10. Formulário de inserção de dados observados no banco de dados
do SiTemp ……………………………………………………..…….……. . 43
Figura 11. Relatório de utilização do SiTemp ………………….…………….………... 44
CAPÍTULO 2 – USABILIDADE E VALIDAÇÃO DO WEBSITE SITEMP

PARA ANÁLISE TEMPORAL DE DOENÇAS DE PLANTAS
Figura 1 Imagem digitalizada da página de resumo da análise de regressão linear
do patossistema U. scitaminea – cana, destacando o coeficiente de
determinação R2 ………………………………………………….....…….. . 70
Figura 2 Imagem digitalizada da tela da Planilha Eletrônica (2006) demonstrando
o resultado das regressões lineares, referente ao coeficiente de
determinação R2 ……………………………………………..………...….. . 71
Figura 3 Imagem digitalizada da tela de análise de regressão dos modelos da
ferramenta WinEpiModel, destacando a coluna dos valores do
coeficiente de determinação R2 ………...………………………………….. 71
Figura 4 Imagem digitalizada da tela de definição do modelo matemático pelo R2
do website SiTemp ………………………………………………..………. . 71
vii
LISTA DE TABELAS
CAPÍTULO 2 – USABILIDADE E VALIDAÇÃO DO WEBSITE SITEMP

PARA ANÁLISE TEMPORAL DE DOENÇAS DE PLANTAS
Tabela 1 Dados observados de epidemia do patossistema Ustilago
scitamenea – cana, causador da doença do carvão da cana …………......…. 69
Tabela 2 Análise de regressão linear para eleição do modelo matemático que
melhor explica o conjunto de dados observados, por meio do
coeficiente de determinação R2………………………………………....… . 70
Tabela 3 Turmas do curso de graduação em Agronomia da UEM do ano de 2017
que atuaram como avaliadores do website SiTemp ………………….…… . 72
viii
SUMÁRIO
RESUMO ………………………………………………………...…………………… . iv
ABSTRACT …………………………………………………………………….……... v
LISTA DE FIGURAS …………………………………………………...…………….. vi
LISTA DE TABELAS ……………………………………………..…………………. . viii
INTRODUÇÃO GERAL ………………………………………………….………….. 01
REVISÃO BIBLIOGRÁFICA ………….……..……………………..……………….. 03

REFERÊNCIAS ……………….……………………………………………………….. 24
CAPÍTULO 1: DESENVOLVIMENTO DO WEBSITE SISTEMA DE ANÁLISE

TEMPORAL DE DOENÇAS EM PLANTAS (SITEMP) ……………..….....……... 27
RESUMO ………………………………………………………………...……………. . 28
ABSTRACT ……………………………………………………………..……………... 29
1 INTRODUÇÃO …………………………………………………….……………. 30
2 DESENVOLVIMENTO DO SITEMP ……………………………………..…….. 31
2.1 Tecnologias utilizadas para o desenvolvimento do SiTemp …………………….. . 31
2.2 Cadastro de Engenheiro Agrônomo …………………………...…………………. 34
2.3 Cadastro da propriedade ………………………………………….………………. 36
2.4 Cadastro da cultura …………………………………………………...…………. . 37
2.5 Cadastro de informações técnicas da cultura ………………………….…………. 37
2.6 Resumo dos dados observados ………..………………………..…………….…... 38
2.7 Relatório de utilização do SiTemp ……………………………..…………………. 43
2.8 Algoritmos referentes à programação do website SiTemp ………..….…………. . 45
3 CONCLUSÃO ……...………………………………………………….………... 57
REFERÊNCIAS ……………………………………………………….……………….. 58
CAPÍTULO 2: USABILIDADE E VALIDAÇÃO DO WEBSITE SITEMP

PARA ANÁLISE TEMPORAL DE DOENÇAS DE PLANTAS …………..…. 59
RESUMO …………………………………………………………………………...…... 60
ix
ABSTRACT ………………………………………………………………...………….. 61
1 INTRODUÇÃO ……………………………………………………...…………... 62
2 VISUALIZAÇÃO DOS RESULTADOS …………………………...……………. 63
2.1 Visualização da análise temporal da doença – resumido …………….…………... 63
2.2 Visualização da análise temporal da doença – completo ……………...…………. 63
2.3 Processo de utilização do SiTemp ……………….….……………………..……... 68
3 CONCLUSÃO …………….………………………………………….………….. 75
REFERÊNCIAS …………………..……………………..……………………………... 76
CONCLUSÃO GERAL …………….………………………………….…………….. . 77
ANEXOS ………………………………………………………………..…………….. . 78
Anexo 1 - Análise Temporal dos Dados Observados – Resumido
Anexo 2 - Análise Temporal dos Dados Observados - Completo
Anexo 3 - Banco de dados observados fornecidos aos avaliadores do SiTemp
x
INTRODUÇÃO GERAL
Em uma cultura agrícola onde esteja ocorrendo uma doença faz-se necessário, dentre
outras medidas para seu controle, quantificar e avaliar o desenvolvimento da doença. Deste
modo, foi elaborado o Sistema de Treinamento em Acuidade Visual - SiTAV, desenvolvido
devido à necessidade de treinamento da acuidade visual com o auxílio de escalas
diagramáticas para melhor quantificar as doenças de plantas ocorrendo nas culturas agrícolas.
O sistema SiTAV foi projetado para ser acessado via Internet, sendo totalmente independente
das principais plataformas operacionais existentes atualmente (Windows, Mac, Linux,
Android e iOS).
O presente trabalho referente ao desenvolvimento do Sistema de Análise Temporal
de Doenças em Plantas – SiTemp, que por meio dos dados da quantificação de doenças de
plantas coletados em uma cultura agrícola, e utilizando o melhor modelo matemático que
explique estes dados coletados, possa estimar o aumento da severidade da doença de planta na
cultura, deste modo, passando subsídios para que o engenheiro agrônomo tome sua decisão
sobre o manejo adequado a ser adotado.
O problema encontrado foi como realizar a análise temporal de doenças em plantas
com dados observados de forma rápida, interativa e que mantenha o histórico dos dados?
As hipóteses sugeridas para solucionar este problema, são: o uso do banco de dados
para armazenamento e geração do histórico dos dados; aplicar os modelos matemáticos
Logístico, Monomolecular e Gompertz para gerar a análise temporal dos dados observados e
o desenvolvimento de uma ferramenta web, de uso restrito ao engenheiros agrônomos, que
realize o processamento da análise temporal.
Assim, o objetivo do website Sistema de Análise Temporal de Doenças de Plantas
(SiTemp) é realizar a análise temporal dos dados observados, por meio dos modelos
matemáticos, para auxiliar o engenheiro agrônomo em sua tomada de decisões sobre o manejo
da cultura.
O SiTemp encontra-se disponível na URL[http://sitav.pga.uem.br]. É uma ferramenta
web com o público-alvo sendo o engenheiro agrônomo, por possuir conhecimentos técnico-
científicos e atribuição legal para realizar a análise dos resultados gerados sobre o
desenvolvimento temporal da doença. As informações cadastrais e os dados observados em
campo da severidade ou incidência de doenças de plantas são inseridos e armazenados no
banco de dados do SiTemp. Gera-se um histórico onde, através das técnicas de Inteligência
Artificial (IA), executa o processamento dos dados observados usando os modelos
matemáticos Logístico, Monomolecular e de Gompertz. Nesta análise realizada pelo SiTemp
pode-se escolher o modelo que apresente a melhor solução para explicar o conjunto de dados
e através desse modelo escolhido será realizada a análise temporal e a Área Abaixo da Curva
de Progresso da Doença (AACPD). O resultado dessa análise temporal é gerado na forma de
textos, variáveis, tabelas e gráficos, sendo de competência e responsabilidade do engenheiro
agrônomo analisar as informações, as quais servirão como base técnica-científica para sua
decisão final sobre o manejo da cultura.
2
REVISÃO BIBLIOGRÁFICA
3
Dentre as inovações tecnológicas ocorridas nas últimas duas décadas, a área da
fitopatologia vem se beneficiando com a aplicação das técnicas computacionais às suas
atividades cotidianas e repetitivas, antes realizadas manualmente. Atualmente com a maior
aproximação entre as áreas da engenharia agrária e da ciência da computação, estas atividades
podem ser realizadas por softwares customizados para atender a demandas específicas
(Bergamin et al., 2014).
Antes do desenvolvimento de um software, é necessário compreender o escopo de
aplicação do mesmo, neste caso a epidemiologia que estuda o crescimento das doenças de
plantas por meio do acompanhamento das populações de patógenos e seus hospedeiros
O comportamento das doenças de planta que afetam as culturas, pode ser explicado
através de modelos matemáticos descritos pelo fitopatologista Vanderplank (1963), sua obra
tornou-se referência e vem sendo aplicada até os dias de hoje pela comunidade científica
voltada para o estudo de doenças de plantas.
Segundo Vanderplank (1963), a teoria da classificação epidemiológica de doenças de
plantas em uso atualmente se baseia na analogia entre o crescimento de capital e crescimento
da doença, sendo considerados dois tipos de capital: juros simples e juros compostos
A quantificação de doença de plantas na epidemiologia é realizada através do
processo de mensuração tanto da incidência (presença/ausência), quanto da severidade
(proporção do tecido afetado) em folhas e frutos infectados, podendo ser utilizada a escala
diagramática para auxiliar o avaliador (Porcino et al., 2017).
O processo de quantificação de doença de plantas é necessário quando o dano na
colheita está relacionado à existência de doenças, para o levantamento de plantas doentes e
para auxiliar no gerenciamento do manejo da cultura. O método da avaliação visual
tradicional é utilizado para detectar e estimar a quantidade de doença de plantas (Bock et al.,
2011).
Antes de qualquer tipo de análise de doença de planta, temporal ou especial, é
necessário que haja a quantificação desta doença, seja ela na região, na lavoura, na folha, no
fruto, no caule ou na raiz. Quantificar o dano causado à planta é uma ação prioritária para
qualquer metodologia aplicada ao controle de doenças (Hikishima et al., 2010).
Por meio da quantificação de doenças dentro de uma estratégia de manejo, reforça
tanto o aprimoramento da técnica quantitativa, quanto a comparação com os meios de
prevenção de erro na coleta de dados em campo para avaliar a melhor forma de controle, para
4
determinar a curva de progresso de doença e simular os danos que possam vir a ocorrer na
lavoura (Bergamin Filho & Amorim, 1996).
Escala diagramática é a representação gráfica de uma planta, ou partes da planta,
como a folha, o fruto, o caule ou a raiz, onde os sintomas da doença sejam visíveis à visão
humana e apresente níveis diferentes de severidade de doença (Alves, et al., 2012).
A quantificação da doença Cancro Cítrico Asiático em frutos de laranja necessita que
seja confiável, precisa e com base científica conclusiva. A precisão pode ser compreendida
como sendo a proximidade entre o valor real e o valor estimado e a confiabilidade é a relação
entre valores estimados obtidos de diferentes formas, que produzem resultados semelhantes
(Braido et al., 2014).
A representação da severidade de uma doença de planta pode ser representada pela
porcentagem da área superficial da planta que se encontra infectada e, para maior parte das
atividades de pesquisa científica é necessário realizar a estimativa de forma precisa desta
severidade (Braido et al., 2015).
O avaliador pode treinar ou ser auxiliado por uma escala diagramática durante o
processo de avaliação de doenças de planta, onde normalmente as avaliações acontecem
in- loco no campo, não sendo possível a retirada de fruto ou folha para posterior análise no
laboratório.
Assim o treinamento do avaliador na avaliação de doenças em plantas pode ser
realizado com a observação a olho nu de frutos ou folhas, com ou sem o auxílio da escala
diagramática, dependendo do grau de experiência do avaliador, ou ainda através do uso de
softwares específicos de treinamento da acuidade visual na tela do computador, smartphone
ou tablet, que tem como objetivo treinar a precisão e acurácia do avaliador no computador
antes de ir ao campo (Alves et al., 2012).
Conforme Pressman (2006), software legado se refere a programas antigos de
computador, desenvolvidos há décadas atrás, que vêm sendo adaptados continuamente para
atender tanto as alterações de requisitos de negócios, quanto as atualizações das plataformas
de sistemas operacionais. A continuação do uso destes sistemas antigos causam problemas em
grandes empresas por terem um custo financeiro alto para os manter em funcionamento e
integrado aos sistemas recentes, além do problema de não poder evoluir todos os sistemas da
empresa de uma única vez para um estágio mais avançado computacionalmente, porque os
softwares legados não acompanham tamanha evolução.
A utilização de softwares legados específicos para o treinamento da acuidade visual,
como Distrain (Tomerlin, 1998) e o Disease.Pro (Nutter et al., 1989) instalados sobre a
5
plataforma MsDOS de 32 Bits, possibilita a melhoria da subjetividade na estimativa do
avaliador na detecção do nível de severidade encontrado na planta (Nutter & Schultz, 1995).
Uma opção de treinamento da acuidade visual do avaliador é a utilização dos
serviços gratuitos do website Sistema de Treinamento em Acuidade Visual (SiTAV),
hospedado na URL [http://sitav.pga.uem.br], que tem por objetivo realizar o treinamento da
precisão e acurácia do avaliador visando minimizar a subjetividade na estimativa da
severidade das doenças em plantas (Souza, 2014).
O website SiTAV (Souza et al., 2017, submetido), teve como foco o desenvolvimento
de uma ferramenta web, não sendo necessário nenhum tipo de instalação de aplicativo no
computador ou smartphone, independente do sistema operacional rodando nas principais
plataformas (Windows, Linux, Mac, Android, IOs), sendo necessário para utilização somente
um navegador (browser) e acesso à internet.
Estando dominadas e em uso as técnicas de quantificação de doenças em plantas
através da coleta de dados observados no campo ou em laboratório, o próximo passo é realizar
a análise destes dados de forma temporal ou espacial.
A análise temporal dos dados observados pode ser realizada de forma manual, com o
uso de planilhas eletrônicas ou por meio de softwares desenvolvidos para este fim.
Realizar todos os cálculos de uma análise temporal manualmente é uma tarefa árdua
que necessita de muito conhecimento matemático e estatístico, sobre a representação gráfica
dos dados calculados, e além de todo esse conhecimento científico ainda se corre o risco de
erros de cálculos, na escrita ou na plotagem manual dos gráficos.
No caso da utilização de uma planilha eletrônica para calcular a análise temporal dos
dados observados, é necessário que o operador tenha familiaridade com a manipulação da
ferramenta eletrônica, entenda a forma correta de posicionar os dados dentro das linhas e
colunas da planilha eletrônica, capacidade para programar as rotinas estatísticas e plugins,
além de gerar os gráficos resultantes do processamento dos dados.
O website SiTemp foi desenvolvido com o intuito de realizar a análise temporal dos
dados observados, sendo necessário que o engenheiro agrônomo possua um computador
independente do sistema operacional (Windows, Mac, Linux, IOs, Android), com navegador
de página web e acesso à internet. Não é obrigatório que o engenheiro agrônomo saiba
calcular ou plotar todos as análises dos dados coletados em campo e sim é exigido que o
engenheiro agrônomo saiba inserir os dados corretamente, alimentando o sistema com os
dados da propriedade, da cultura, da doença, os dados observados e realizar a análise dos
resultados desses em forma de: textos, variáveis, tabelas e gráficos.
6
Uma vez que o website SiTemp não lhe dirá o que fazer e nem qual o manejo que
deva ser realizado, o engenheiro agrônomo tem que estar ciente de que este software é uma
ferramenta computacional que calcula o estado e tendências possíveis ade qual doença esteja
afetando a cultura, cabe integralmente ao engenheiro agrônomo a responsabilidade de analisar
os resultados obtido com a análise dos dados de campo e definir qual a sua estratégia de
manejo para a cultura em questão.
Dentre as definições disponíveis na literatura, enfatizando que a epidemiologia é uma
ciência de populações, se destaca a definição simples de Vanderplank (1963), onde a
epidemiologia é a ciência de doenças em populações.
Na definição mais completa, que contempla patógenos transmitidos por vetores,
Kranz (1974 apud Bergamin, 2014) define que a epidemiologia é o estudo de populações de
patógenos e de seus vetores em populações de hospedeiros primários e secundários e das
doenças resultantes dessas interações, sob influência do ambiente e a interferência humana.
Em uma visão de valor histórico Zadoks & Schein (1979 apud Bergamin, 2014),
afirmam que a epidemiologia é o estudo de populações de patógenos e de hospedeiros que
leva a algo novo: a doença.
Para a epidemiologia, as populações importantes são aquelas onde se encontram de
um lado o hospedeiro e do outro lado o patógeno. Sendo que o resultado entre o contato
destas duas populações (hospedeiro e patógeno) resulta em uma terceira população,
denominada população de lesões ou de indivíduos doentes (Bergamin et al., 2014).
O ambiente pode interferir no processo de desenvolvimento das três populações
(hospedeiro, patógeno e lesões), porém as três populações também podem influenciar no
ambiente, sobretudo no microclima, Figura 1 (Bergamin et al., 2014).
Figura 1. Esquema do triângulo da doença para a

epidemiologia, envolvendo as três fatores:
hospedeiro, patógeno e ambiente.
Na epidemiologia, por definição, hospedeiro primário se refere a espécie da cultura
7
de interesse econômico e o hospedeiro secundário se refere a espécie que serve de
abrigo/reservatório para o patógeno. A ação de interação do homem aumenta cada vez mais
com todos os fatores envolvidos no ciclo da doença (hospedeiro, patógeno, ambiente), o qual
sofre com o crescimento rápido da população de lesões ou de indivíduos doentes, Figura 2
Figura 2. Esquema de um patossistema virótico de

doença, destacando: patógeno, ambiente,
hospedeiros, homem e tempo.
A epidemiologia é essencialmente uma ciência de estudos de campo. Estudos

epidemiológicos consistem em trabalhos de ensaio de laboratório, montados com o objetivo
de demonstrar e explicar os fatos ocorridos no campo. Basicamente para a epidemiologia a
quantidade de doença no campo é determinada pelo equilíbrio entre os processos opostos de:
infecção e remoção (Madden et al., 2008).
O processo de infecção proporciona o aparecimento de novas infecções, surgimento
de lesões e a própria planta se torna infecciosa. Quando o processo de infecção for mais
intenso que o da remoção, a intensidade da doença aumentará (Bergamin et al., 2014).
Já no processo de remoção, o tecido infeccioso é removido do âmbito epidêmico
quando as lesões, com o passar do tempo, envelhecem e comprometem a formação de novos
esporos. Quando o processo de remoção for mais intenso que o processo de infecção, a
intensidade de doença deixa de aumentar, podendo em alguns casos diminuir se o hospedeiro
gerar novos tecidos sadios de planta (Madden et al., 2008).
O estudo da epidemiologia abrange os dois processos de infecção e de remoção,
levando em conta que a quantidade de doença que aumenta, diminui ou permanece inalterada
em função do tempo, conforme Figura 3.
8
Figura 3. Balanço do processo antagônico infecção e remoção,
resultante em epidemia ou endemia.
Epidemia corresponde ao aumento da taxa de doença em uma população de plantas

em extensão, na intensidade, na incidência/severidade ou na área geográfica tomada pela
doença, assim como:
 Epidemia explosiva é um termo utilizado para identificar a crescente taxa da
doença em intensidade rápida, em relação ao tempo;
 Epidemia tardívaga é um termo utilizado para identificar a crescente taxa da
doença em intensidade lenta, em relação ao tempo;
 Pandemia se refere a um processo de epidemia progressiva ocupando uma área
extremamente grande, com tamanho quase continental;
 A endemia possui um conceito geográfico, representando uma doença que se
encontra constantemente presente em uma área definida, caracterizado por não se
encontrar em expansão, acarretando um equilíbrio quase neutro em relação aos
processos de infecção e remoção, em longo período de tempo. Esse equilíbrio
quase neutro se refere à existência e ao convívio constante existente entre o
hospedeiro e o patógeno em uma determinada área, fato este que define a essência
das doenças endêmicas (Bergamin et al., 2014).
O surto epidêmico se verifica quando uma doença endêmica se torna epidêmica, por
vários fatores, como uma alteração momentânea do microclima, vindo a prejudicar grande
quantidade de indivíduos de forma intensa, uma área definida e em certo tempo. Caso este
fato ocorra constantemente, este fenômeno se denomina epidemia cíclica (Madden et al.,
2008).
A doença pode ser conceituada como sendo a interação entre uma planta e uma
unidade de patógeno infeccioso, o qual resulta no surgimento de lesões, que são os sintomas
típicos da doença em estudo. O ciclo de infecção corresponde ao primeiro contato entre o
9
hospedeiro e o patógeno, finalizando com a morte da lesão. O processo monocíclico se faz
dentro do escopo de tempo de um único ciclo de infecção (Bergamin et al., 2014).
Vanderplank (1963) deu o nome de doença de juros simples ao patógeno que só
completa um ciclo de infecção durante o ciclo de cultivo do hospedeiro, de tal modo que
plantas infectadas no início do ciclo da cultura não servirão de fonte de inóculo para infecções
futuras dentro do mesmo ciclo (Bergamin et al., 2014).
Um exemplo de doença de juros simples é a murcha do tomateiro, causada por
Fusarium oxysporum f. sp. lycopersici, que coloniza o interior do xilema das plantas
infectadas. O inóculo está confinado ao interior da planta e ali permanece até a morte e início
de decomposição dos tecidos do hospedeiro. As plantas doentes não produzem inóculo capaz
de gerar outras plantas doentes no mesmo ciclo da cultura (Madden et al., 2008).
O processo policíclico envolve vários ciclos superpostos de infecção. A epidemia, ou
o policiclo, constitui-se na superposição de ciclos de infecção, dando origem à cadeia de
infecção Gäumann (1950 apud Bergamin, 2014).
Cadeia de infecção implica na ocorrência de diversos ciclos de infecção do patógeno
durante um único ciclo de cultivo do hospedeiro. Doenças que exibem essas características
foram chamadas por Vanderplank (1963) como doenças de juros compostos. As plantas
infectadas no início de seu ciclo servirão de fonte de inóculo do patógeno para posteriores
infecções neste mesmo ciclo (Bergamin et al., 2014).
Um exemplo de doença de juros compostos é a ferrugem do feijoeiro, cujo agente
causal Uromyces appendiculatus, em condições favoráveis, pode produzir uma geração a cada
12 dias (Madden et al., 2008).
A epidemia pode ser representada pela plotagem dos dados de doença pelo tempo,
expressa pela curva de progresso da doença. Podendo caracterizar o triângulo da doença
através da interação entre hospedeiro, patógeno e o ambiente, além disponibilizar informações
consistentes para tratar com a estratégia de controle avaliada, níveis de doenças futuras
previstas e simulações (Bergamin et al., 2014).
A função dos modelos matemáticos de crescimento é descrever uma expressão
matemática eventualmente simples, da relação ocorrida entre a doença e o tempo, tal
expressão pode simplificar a análise dos dados de progressão da doença ao longo do tempo.
Os dados avaliados podem ser obtidos, por exemplo, através de experimentos testando
variedades com níveis distintos de resistência a doença ou produtos químicos (Madden et al.,
2008).
Vanderplank (1963) embasou seus estudos epidemiológicos criando a analogia entre
10
aumento de capital (financeiro) com o aumento de doenças de planta, considerando dois tipos
de aumento de capital: juros simples e juros compostos. Para exemplificar este paradigma,
Vanderplank (1963) utilizou da seguinte analogia: “Capital guardado embaixo do colchão
não cresce”. Transcrevendo este pensamento análogo para termos matemáticos tem-se: o
capital (Ct) no tempo (t) será o mesmo que o capital (C0) no tempo (t0).
Ct = C0 (1)
Desta forma, se diz que o capital teve uma taxa de crescimento nula,
dC / dt = 0 (2)
Hipótese 1 (juros simples): caso o capital seja depositado em um banco, com taxa de
juro anual de 10% e, este valor ganho com os juros for colocado integralmente “embaixo do
colchão” e não faça parte da base de cálculo para render novos juros, este capital irá acumular
valor crescendo a uma taxa de juros constante. Esta simulação representa um crescimento
descontínuo a juros simples, conforme observado nas linhas pontilhadas exemplificado na
(Figura 4) (Bergamin et al., 2014).
Após (t) anos o capital inicial (C0) acrescido da (r) taxa de juros (10% a.a. = 0,1),
incrementou-se para
Ct = C0 (1 + rt) (3)
A taxa média de crescimento corresponde à equação
dC / dt = r (4)
Hipótese 2 (juros compostos): considerando a hipótese anterior, agora o valor dos

juros ganhos será incorporado ao capital e fará parte da base de cálculo para render novos
juros subsequentes e, consequentemente, o valor dos rendimentos será crescente a cada ano, o
que caracteriza um crescimento descontínuo de juros compostos, conforme observado na
linha cheia em forma de escada (Stevenson et al., 2015) (Figura 4).
Após (t) anos, o capital inicial (C0) acrescido da (r) taxa de juros (10% a.a. = 0,1)
incrementou-se para
11
Ct = C0 (1 + r)t (5)
A unidade de tempo (t) exemplificada foi o ano, porém é possível sua adaptação para
mês, dia ou outras unidades (Francl et al., 1997). Caso esta unidade de tempo seja pequena,
pode-se transformar a equação para
Ct = Co * exp(rt) (6)
Na equação “exp” representa “e” base dos logaritmos naturais ou neperiano, que
possui valor aproximado de 2,7182, elevado a uma potência específica. Esta simulação
representa um crescimento contínuo a juros compostos, conforme observado pela linha
contínua da (Figura 4) (Madden et al., 2008). A taxa média de crescimento é expressa pela
equação
dC / dt = rC (7)
Na utilização do logaritmo, com o uso de uma escala logarítmica

ordenada/linear/abscissa Francl et al. (1997) demonstra que a curva de crescimento de capital
refere-se a uma linha reta, tendo a equação como
ln C = rt + ln C0 (8)
correspondente a
r = (1/t) ln (C/C0) (9)
A Figura 4 demonstra o aumento de capital (C) ao longo do tempo (t) em relação aos
diferentes tipos de juros: taxa de juros compostos contínuos (linha cheia contínua); taxa de
juros compostos descontínuos (linha cheia em forma de escada) e a taxa de juros simples
(linha pontilhada em forma de escada).
12
Figura 4. Simulação da curva de crescimento de capital
através de cálculos da taxa de juros compostos
contínuos, taxa de juros compostos descontínuos e
taxa de juntos simples.
Vanderplank (1963) seguiu os mesmos critérios criados com a taxa de juros de

capital, aplicando de forma análoga à taxa de infecção de doenças. Desta forma, a taxa de
juros tornou-se taxa de infecção e a quantidade de capital tornou-se quantidade de doença de
planta. Por fim os cálculos foram divididos em dois grupos: doenças de juros compostos e
doenças de juros simples.
O grupo das doenças de juros compostos é análogo ao crescimento de capital a juros
compostos, onde as plantas infectadas ao longo do ciclo da cultura servirão de fonte de
inóculo para novas infecções ao longo do mesmo ciclo, por exemplo, a doença da ferrugem do
trigo causado pelo fungo Puccinia graminis f. sp. tritici, que pode produzir uma nova geração
de fungos a casa dez dias (Vanderplank, 1963; Madden et al., 2008).
Já o grupo das doenças de juros simples é análogo ao crescimento de capital de juros
simples, onde as plantas infectadas ao longo do ciclo da cultura não servirão como fonte de
inóculo a novas infecções ao longo do mesmo ciclo, por exemplo a murcha do algodoeiro
causado pelo fungo Fusarium oxysporum f. sp. vasinfectum (Teng, 1991). O aumento gradual
de plantas doentes para este tipo de juros, ao longo do ciclo da cultura, a princípio não esta
diretamente relacionado a movimentação do patógeno a partir de plantas doentes em direção a
novos lugares de infecção, mais sim a forma do inóculo original (clamidósporos) existente
anteriormente no solo (Vanderplank, 1963; Madden et al., 2008).
No caso de doença com juro composto, foi considerado que as plantas doentes geram
novas plantas doentes, dentro do mesmo ciclo da cultura (Teng, 1991). A velocidade de
aumento da doença esta condicionada a quantidade de doença existente a cada instante do
13
ciclo da cultura, se existem 10 (dez) plantas doentes originalmente, serão geradas mais 10
novas plantas doentes, assim proporcionalmente se tem um aumento na ordem de 10, 100,
1.000, 10.000, 100.000, 1.000.000 consequentemente (Bergamin et al., 2014).
A expressão matemática do crescimento da doença com juro composto descrita por
Kranz & Rotem (1988), é escrita pela da equação
dx / dt = rx (10)
onde:
dx / dt: velocidade de aumento da doença
r: taxa aparente de infecção
x: quantidade de doença
Esta equação é similar à equação de crescimento contínuo a juros compostos,

substituindo o capital (C) pela doença (x) (Kranz & Rotem, 1988). A integração da expressão
resulta em
x = x0 * exp(rt) (11)
onde:
x0: quantidade de doença no tempo (t0)
t: tempo
A curva descrita ao plotar o resultado desta expressão tem a forma da letra “J”, que
representa uma curva exponencial (Figura 5A).
Para as doenças de juros simples, levando em conta que a planta doente não irá gerar
uma nova planta doente dentro do mesmo ciclo, a velocidade de aumento da doença não está
relacionada com a quantidade de doença em cada instante de tempo do ciclo, portanto este
conceito não se aplica (Francl et al., 1997; Bergamin et al., 2014).
A quantidade de plantas que se tornam doentes (x) está diretamente ligada ao contato
efetivo entre hospedeiro e patógeno (inóculo original), que leva a doença de uma planta a
outra, é descrita por Kranz & Rotem (1988) através da expressão
dx / dt = qr (12)
14
onde:
q: quantidade de inóculo existente
qr: quantidade que representa o um produto
A integração da expressão matemática resulta em
x = x0 + qrt (13)
onde:
x0: quantidade de doença no tempo t0
t: tempo
qrt: produto que representa o contato efetivo no tempo
Ao comparar a plotagem dos dados simulados entre os modelos de crescimento

exponencial, linear, logístico e monomolecular, pode-se afirmar que no início da doença os
modelos se comportam de maneira semelhante, porém há uma tendência com o passar do
tempo com o aumento da quantidade de doença, sendo possível separar os modelos em grupos
(Teng, 1991).
Conforme Kranz & Rotem (1988), o primeiro grupo indica que o crescimento da
doença tende ao infinito, expresso pelos modelos de crescimento exponencial (linha cheia) e
linear (linha pontilhada) na Figura 5A. Os valores utilizados para plotagem da simulação dos
dados foram: modelo de crescimento exponencial (x0=0,001 e r=0,25) e modelo de
crescimento linear (x0=0,001 e qr=0,002).
O segundo grupo indica um crescimento da doença a níveis de epidemia compatível
com realidade de campo, expressa pelos modelos de crescimento logístico (linha cheia) e
monomolecular (linha pontilhada) na Figura 5B. Os valores utilizados para plotagem da
simulação dos dados foram: modelo de crescimento logístico (x 0=0,001 e r=0,25) e modelo de
crescimento monomolecular (x0=0,001 e qr=0,02) (Bergamin et al., 2014).
15
Figura 5. Gráficos dos modelos de crescimento exponencial e linear (A) que tendem ao infinito,
com os modelos de crescimento logístico e monomolecular (B) que expressam a
epidemia real.
Ambos os modelos matemáticos, exponencial e linear (primeiro grupo), possibilitam

que a quantificação da doença de planta cresça até o infinito, porém na natureza nenhum
processo biológico comporta-se nestas condições, por exemplo, bactérias cultivadas em meio
de cultura não conseguem se desenvolver até o infinito porque o meio se esgota (Teng, 1991).
Na prática, a quantidade de doença existente em um cultivo também não pode tender ao
infinito porque seu crescimento é limitado, entre outras causas, pela disponibilidade de tecido
sadio na planta (Madden et al., 2008).
O emprego de um fator de correção, segundo Stevenson et al. (2015), é utilizado para
reduzir a velocidade de crescimento da doença, proporcional com a diminuição da oferta de
tecido sadio da planta. A equação de juro composto pode ser aplicada
dx / dt = rx(1 – x) (14)
onde:
(1 – x): quantidade de tecido sadio
16
ln(x/(1-x)) = ln(x0/(1-x0)) + rt (15)
onde:
t: tempo
(1 – x): quantidade de tecido sadio
Consequentemente o valor da taxa (r) Vanderplank (1963), a chama Taxa Aparente de

Infecção, pode ser expresso pela equação
r = (1/t)*(ln(x/x)) + ln(x0/(1-x0)) (16)
onde:
t: tempo
(1-x0): quantidade de tecido sadio
Segundo Teng (1991), a plotagem dos dados resultantes da integração descreve uma
curva em forma de “S”, conhecida como curva logística, podendo ser linearizada através da
plotagem da ordem da “ln(x/(1-x))” em vez de “x”. O resultado da expressão “ln(x/x)” recebe
o nome de logito de x.
Importante observar que para quantidade baixa de doença na planta, até 5%, a
plotagem dos gráficos logístico e exponencial se confundem, a diferença entre os modelos
torna-se evidente quando o valor da doença (x) aproxima-se de 1,0 (Teng, 1991) (Figura 6A).
O mesmo raciocínio aplica-se à equação
dx / dt = qr(1 – x) (17)
onde:
17
qr: produto que representa o contato efetivo
(1-x): quantidade de tecido sadio
ln(1/(1-x)) = ln(1/(1-x0)) + qrt (18)
onde:
t: tempo
Logo, afirma (Madden et al., 2008), que o produto (qr) que representa a quantidade
de inóculo inicial e taxa de infecção, pode ser expresso pela equação
qr = (1/t) * ( ln(1/(1-x)) – ln(1/(1-x0)) ) (19)
onde:
qr: quantidade de inóculo e taxa de infecção
t: tempo
A plotagem dos dados resultantes da integração descreve uma curva suave,

denominada curva monomolecular, podendo ser linearizada através da plotagem da ordenada
“ln(1/(1-x))” em vez de “x” (Teng, 1991).
Para Teng (1991), a estes modelos também cabe a observação que devido à
quantidade baixa de doença na planta, até 5%, a plotagem dos gráficos linear e
monomolecular se confunde, sendo que a diferença entre os modelos torna-se evidente
quando o valor da doença (x) aproxima-se de 100% (Figura 6B).
Os valores utilizados para plotagem da simulação dos dados na (Figura 6) foram:
Figura 6A modelo de crescimento exponencial e logístico (x0=0,001 e r=0,25) e modelo de
18
crescimento linear e monomolecular (x0=0,001 e qr=0,02).
Figura 6. Gráfico comparativo entre os modelos de crescimento exponencial e logístico (A) se

confunde com valores abaixo de 5% de doença e, os modelos de crescimento linear e
monomolecular (B) que também se confundem com valores abaixo de 5% de doença.
A utilização de modelos matemáticos para explicar o comportamento das doenças

que atacam as culturas, é uma prática comum entre os fitopatologistas, que seguem as
recomendações de Vanderplank (1963), aplicando o modelo logístico para análise do
comportamento para patógenos que se movimentam entre as plantas/lesões e o modelo
matemático monomolecular para análise do comportamento para patógenos que não se
movimentam entre as plantas/lesões, nos dois casos são analisados no mesmo ciclo de cultivo
do hospedeiro (Bergamin et al, 2014).
Outra classificação utilizada é a comparação da doença com a taxa de juros simples e
compostos, conforme o melhor ajuste dos dados experimentais como o modelo matemático
monomolecular ou logístico (Teng, 1991).
O modelo matemático logístico proposto por Verhulst (1838 apud Vogels et.al., 1975
& Bergamin, 2014) é o modelo mais empregado na epidemiologia desde sua descoberta por
Vanderplank (1963).
A equação diferencial do modelo matemático logístico é descrita através da equação
dx/dt = rLx(1-x) (20)
onde:
dx / dt: representa a velocidade do aumento da doença
19
rL: taxa aparente de infecção
(1-x): fator de correção, representa a quantidade de tecido sadio
Esta equação, quando interpretada de forma biológica, compara a velocidade de

aumento da doença (dx/dt) sendo proporcional a quantidade da doença (x) com a quantidade
de tecido sadio disponível (1-x) (Francl et al., 1997; Bergamin et al., 2014).
Conforme Madden et al. (2008), existindo diversas estimativas de (x) com diversos
tempos conhecidos, a taxa de infecção (rL) pode ser calculada com o emprego da regressão
linear, através da equação:
Logito X = ln(x/(1-x)) (21)
A equação matemática do modelo monomolecular define que a velocidade que a

doença aumenta é proporcional ao inóculo inicial e a uma taxa constante q e r,
respectivamente (Bergamin Filho & Amorim, 1996; Bergamin et al., 2014).
dx / dt = rM(1-x) (22)
onde,
rM: taxa de aumento específica para o modelo (rM = qr)
(1-x): representa o tecido sadio
Para Teng (1991), quando há diversas estimativas da doença (x) para diversos tempos
conhecidos rM pode ser calculada via regressão linear através do monito de x em relação ao
tempo, pela equação
Monito X = ln(1/(1-x)) (23)
O modelo matemático de Gompertz teve sua origem no ano de 1825 (Gompertz,

1825 apud Bergamin et al., 2014), e sua equação diferencial pode ser descrita através da
equação
dx / dt = rGx(ln(1) – ln(1-x)) (24)
20
sendo similar a
dx / dt = rGx(-ln(x)) (25)
onde:
rG: taxa específica do modelo
A plotagem do aumento da velocidade da doença (dx / dt) pelo tempo descreve o

incremento crescente até que se atinja o ponto de inflexão, continuando com incrementos
decrescentes que tendem a zero. O ponto de inflexão acontece quando x = 0,37 (1/e),
determinando com que a curva dx/dt ocorra de forma assimétrica, com inclinação para o lado
esquerdo (Bergamin et al., 2014; Stevenson et al., 2015).
x = exp(-(-ln(x)) * exp(-rGt)) (26)
Plotando “x” pelo tempo, resulta em uma curva em forma de “S”. Por sua vez, a
curvatura em forma de “S” do modelo matemático logístico demonstra um crescimento com
maior acentuação no início (Bergamin et al., 2014; Stevenson et al., 2015).
A equação de “x” pode ser linearizada através da equação:
-ln(-ln(x)) = -ln(-ln(x)) + rGt (27)
Conforme Francl et al., (1997) e Bergamin et al. (2014), quando há várias estimativas
de x para tempos diferentes pode-se determinar a taxa de infecção r G através da regressão
linear com o cálculo do gompito pelo tempo, conforme a equação:
Gompito X = -ln(-ln(x))) (28)
A curva de progresso da doença é a melhor representação de epidemia, podendo ser

visualizada através da plotagem dos dados de Tempo (dias) no eixo X e de Severidade (%) no
eixo Y, através da análise dos dados e do gráfico é possível interpretar o efeito ocorrido entre
a interação de patógeno, ambiente e hospedeiro, possibilitando realizar uma estratégia de
controle, avaliar níveis futuros de doença e simulações de tratamento (Gomes et al., 2004).
Um conceito fundamental na análise temporal dentro da epidemiologia se refere à
21
escolha do modelo matemático que melhor representa a curva de progresso de doença
detectado na planta, uma vez que estes dados são atribuídos à análise estatística para definir
possíveis tendências de comportamento (Spósito et al., 2004).
Um modelo matemático de curva de progresso da doença pode colaborar com a
compreensão do processo epidemiológico ocorrido. A curva de progresso da doença pode ser
desenvolvida para qualquer patossistema. De acordo com Bergamin et al. (2014), são:
 Hospedeiro: safra anual ou perene, de origem tropical ou temperada;
 Patógeno: fungo, vírus, bactéria ou outro agente causal;
 Epidemia: com duração curta, média ou longa;
 Área de ocorrência: desde uma parcela experimental pequena, até um continente
inteiro.
As principais características a serem observadas em uma curva de progresso da

doença, conforme Bergamin et al. (2014), são:
 Período inicial da epidemia;
 Quantidade inicial de inóculo (x0);
 Taxa de aumento da doença (r);
 Forma e área observadas na Área Abaixo da Curva de Progresso da Doença
(AACPD);
 Quantidade máxima de doença (xmax);
 Quantidade final de doença (xf);
 Tempo de duranção da epidemia.
A Área Abaixo da Curva de Progresso da Doença (AACPD) possibilita a plotagem

de um gráfico integrando as reações ocorridas entre hospedeiro, o patógeno e o ambiente
(Spósito et al., 2004).
O cálculo da AACPD aplicado às variáveis tempo e severidade compara a quantidade
de severidade identificada na planta ao longo do tempo (Botelho et al., 2005), assim como a
avaliação do efeito ocorrido na planta com variação de maior ou menor dose de produto
químico aplicado à planta (Pozza et al., 2001).
A equação matemática da AACPD descrita por Shaner & Finney (1977) pode ser
expressa por
22
n
AACPD= ∑ [ ( Y i+1 +Y i ) /2 ]∗[ X i+1− X i ] (29)
i=1
onde:
Yi: severidade
Xi: tempo (dias)
n: número total de observações
A equação AACPD foi transcrita por Silveira (2003) através da equação
n
AACPD =∑ ()
i=1
n
AACPD=∑ ( y i+ y i+1) /(2∗d ti ) (30)
i=1
onde:
yi: valor da severidade na i-ésima observação
dti: intervalo entre as avaliações
A técnica utilizada pela estatística para escolha do modelo matemático que melhor se
ajusta ao conjunto dos dados observados é o coeficiente de determinação R 2, sendo calculado
através da regressão linear aplicada aos valores previstos (variável dependente) e aos dados
observados (variável independente), ambos os dados sem o processo de transformação
(Bergamin Filho & Amorim, 1996).
O presente trabalho teve como objetivo descrever as etapas do desenvolvimento do
website Sistema de Análise Temporal de Doenças em Plantas (SiTemp), o qual executa
algoritmos de modelos matemáticos sobre a variável observada em campo/laboratório para
determinar o modelo que melhor explica o conjunto real de dados e assim realizar a simulação
da severidade dos dias futuros da curva de progresso da doença.
23
REFERÊNCIAS
ALVES, Silvio André Meirelles; NUNES, Claudia Cardoso. Metodologia para elaboração de
escalas diagramáticas para avaliação de doenças em plantas. Comunicado técnico 120.
Embrapa. ISSN 1808-6802. Bento Gonçalves-RS, Jul. 2012.
BERGAMIN FILHO, Armando; AMORIM, Lilian; HAU, Bernhard. Análise temporal e

espacial de epidemias. In: ZAMBOLIM, Laércio; JESUS JR, Waldir Cintra de;
RODRIGUES, Fabrício de Ávila. O essencial da fitopatologia: Epidemiologia de doenças de
plantas. ISBN 978-85-60027-37-8, Viçosa-MG: UFV/DFP, 2014, 471p.
BERGAMIN FILHO, Armando; AMORIM, Lilian. Doenças de plantas tropicais:

epidemiologia e controle econômico. São Paulo: Agronômica Ceres, 1996. 299p.
BOCK, Clive H.; NUTTER JR, Forrest W. Detection and measurement of plant disease
symptoms using visible-wavelength photography and image analysis. CAB Reviews:
Perspectives in Agriculture, Veterinary Science, Nutrition and Natural Resources, v.6, v.27,
2011.
BOTELHO, Deila M. Santos; POZZA, Edson A.; POZZA, Adélia A.A.; CARVALHO, Janice
G.; BOTELHO, Cesar E.; SOUZA, Paulo E. Intensidade da cercosporiose em mudas de
cafeeiro em função de fontes e doses de silício. Fitopatologia Brasileira, v.30, n.6, p.582-88,
Nov.-Dez., 2005.
BRAIDO, Ricardo; GONÇALVES-ZULIANI, Aline Maria O.; JANEIRO, Vanderly;

CARVALHO, Sérgio A.; BELASQUE JUNIOR, José; BOCK, Clive. H.; NUNES, William
Mário Carvalho. Development and validation of standard area diagrams as assessment aids for
estimating the severity of citrus canker on unripe oranges. Plant Disease. v.98, p.1543-550,
Nov. 2014.
BRAIDO, Ricardo; GONÇALVES-ZULIANI, Aline Maria O.; NOCCHI, Paula T.R.;

BELASQUE JUNIOR, José; JANEIRO, Vanderly; BOCK, Clive H.; NUNES, William Mário
de Carvalho. A standard area diagram set to aid estimation of the severity of Asiatic citrus
canker on ripe sweet orange fruit. Eur J Plant Pathol. v.141, p.327-337, 2015.
FRANCL, Leonard J.; NEHER, Deborah A. Exercises in plant disease epidemiology.

Minnesota-USA: PAS Press, 1997.
GÄUMANN, Ernst. Principles of plant infection. London: Crosby Lockwood & Sons, 1950,
560p.
GOMES, Andréa M.A.; MICHEREFF, Sami J.; MARINO, Rosa L.R. Elaboração e validação
de escala diagramática para cercosporiose da alface. Summa Phytopathologica, v.30, n.1,
p.38-42, 2004.
HIKISHIMA, Marceli; CANTERI, Marcelo Giovanetti; GODOY, Cláudia V.; KOGA,

Lucimara J.; SILVA, Alexandre J. Quantificação de danos e relações entre severidade,
medidas de refletância e produtividade no patossistema ferrugem asiática da soja. Tropical
Plant Pathology, v.35, n.2, p.96-103, Mar.-Apr. 2010.
24
KRANZ, J. Epidemics of plant diseases: Mathematical analysis and modeling. Berlin:
Spring-Verlag, v.13, 1974, 170p.
KRANZ, Jürgen; ROTEM, Joseph. Experimental techniques in plant disease

edpidemiology. London-Paris: Springer-Verlag, 1988, 299p.
MADDEN, Laurence V.; HUGHES, Gareth; VAN DEN BOSH, Frank. The study of plant
disease epidemics. 2.ed. Minnesota-USA: APS Press, 2008, 421p.
NUTTER JR, F.W.; EGGENBERGER, S.K.; STREIT, A.J. Disease severity assessment
training using DISEASE.PRO. Pages 189-196, 1989 In: Exercises in PlantDisease
Epidemiology, 2nd edition, K. Stevenson and M. Jeger, eds. APS Press, St. Paul, MN. 2013.
NUTTER JR., F.W.; SCHULTZ, P.M. Improving the accuracy and precision of disease
assessments: selection of methods and use of computer-aided training programs. Canadian
Journal of Plant Pathology, v.17, n.1, p.174-84, 1995.
NUTTER JUNIOR, Forrest W.; WORAWITLIKIT, O. Disease.Pro: A computer program for

evaluation improving a person ability to assess disease proportion. Phytopathology, v.79,
n.10, p.1135, 1989.
PORCINO, Mirelly Migue; NASCIMENTO, Luciana Cordeiro; SOUZA, Jean de Oliveira;

SOUZA, Breno Oliveira; NUNES, Marciano Costa. Morphogenetic characterization and
resistance reaction of mandarin orange genotypes to Alternaria alternata f. sp. citri. Summa
Phytopathol. v.43, n.2, Apr./Jun. 2017.
POZZA, Adélia Aziz Alexandre; MARTINEZ, Hermínia Emília Prieto Martinez; CAIXETA,
Sérgio Luiz; CARDOSO, Antônio Américo; ZAMBOLIM, Laércio Zambolim; POZZA,
Edson Ampélio. Influência da nutrição mineral na intensidade da mancha-de-olho-pardo em
mudas de cafeeiro. Pesq. Agropec. Bras., Brasília, v.36, n.1, p.53-60, Jan. 2001.
PRESSMAN, Roger S. Engenharia de software. ISBN 85-86804-57-6, 6.ed. São Paulo:

McGraw-Hill, 2006.
SHANER, Gregory; FINNEY, Robert E. The effect of nitrogen fertilization on the expression
of slow-mildewing resistance in knox wheat. Phytopathology, v.67, p.1051-56, Aug. 1977.
SILVEIRA, Elineide B.; MICHEREFF, Sami J.; MARIANO, Rose L.R. Severidade da
mancha-aquosa em meloeiro sob diferentes condições de molhamento foliar e concentração
de inóculo de Acidovorax avenae subsp. citrulli. Fitopatologia Brasileira, v.28, n.2, p.171-
75, Mar.-Abr. 2003.
SOUZA, Hudson Sérgio de. Sistema de treinamento em acuidade visual - SiTAV. 2014.
148 f. Dissertação (Mestrado em Agronomia) - Universidade Estadual de Maringá (UEM),
Maringá-PR. 2014.
SPÓSITO, Marcel B.; BASSANEZI, Renato B.; AMORIM, Lilian. Resistência à mancha
preta dos citros avaliada por curvas de progresso da doença. Fitopatologia Brasileira, v.29,
n.5, p.532-37, Set.-Out., 2004.
STEVENSON, Katherine; JEGER, Micheal J. Exercises in plant disease. 2.ed. Minnesota-

USA: APS Press, 2015, 276p.
25
TENG, Paul S. Crop loss assessment and pest management. 2.ed. United States American:
APS Press, 1991. 270p.
TOMERLIN, J.R. Distrain: A computer program for training people to estimate disease
severity on cereal leaves. Plant Disease, v.72, n.5, p.455-459, May. 1988.
VANDERPLANK, James Edward. Plant diseases: epidemics and control. ISBN: 978-0-12-
711450-7, New Yourk: Academic Press, January 1, 1963, 349p.
VERHULST, P.F. Notice sur la loi que la population suit dans son accroissement. Coord.
Math. Phys. v.10, p.112-121, 1838.
VOGELS, Maurice; ZOECKLER, Rita; STASIW, Donald M.; CERNY, Lawrence C.

P.F.Verhulst's “notice sur la loi que la populations suit dans son accroissement” from
correspondence mathematique et physique. Ghent, vol. X, 1838. Journal of Biological
Physics. v.3, p.183-192, Dec. 1975.
ZADOKS, J.C.; SCHEIN, R.D. Epidemiology and plant disease management. New York:
Oxford University Press, 1979, 427p.
26
CAPÍTULO 1
DESENVOLVIMENTO DO WEBSITE SISTEMA DE ANÁLISE

TEMPORAL DE DOENÇAS EM PLANTAS (SiTemp)
RESUMO
O presente trabalho visa descrever a elaboração e o desenvolvimento do website Sistema de

Análise Temporal de Doenças em Plantas (SiTemp). A linguagem de programação PHP foi
utilizada como linguagem principal do sistema, a qual é responsável pela visualização do
layout, realizar a interação com usuário, preenchimento dos formulários de cadastro e dados
observados em campo e pela visualização dos resultados processados no formato de texto,
tabelas e gráficos. O processamento dos modelos matemáticos Logístico, Monomolecular e
Gompertz que incidem sobre os dados observados é executado pelo programa estatístico R de
forma online, gerando como resultado as imagens dos gráficos (.jpg), arquivos de criação das
tabelas (.csv) e os arquivos de texto (.xml). O objetivo do sistema é realizar os cálculos de
análise temporal de doenças em plantas de forma rápida e confiável, por meio dos dados
observados em campo/laboratório inseridos no website.
Palavras-chave: Website, modelos matemáticos, análise temporal.
28
ABSTRACT
The present work aims to describing the elaboration and the development of the website
Temporary Analysis System of Plant Diseases (SiTemp). The PHP programming language
was used as the main language of the system, which is responsible for visualizing the layout,
performing user interaction, filling in the registration forms and data observed in the field and
visualizing the results processed in text format, tables and graphics. The mathematical models
Logistic, Monomolecular and Gompertz that focus on the observed data are executed by the
statistical program R in an online way, resulting in graphics images (.jpg), table creation files
(.csv) and text files (.xml). The objective of the system is to carry out the calculations of
temporal analysis of plant diseases in a fast and reliable way, through the data observed in the
field / laboratory inserted in the website.
Keywords: Website, mathematical models, temporal analysis.
29
1 INTRODUÇÃO
O Sistema de Análise Temporal de Doenças em Plantas (SiTemp) está inserido na

homepage do Sistema de Treinamento de Acuidade Visual (SiTAV) acessível através da URL
[http://sitav.pga.uem.br].
O website SiTAV foi constituído com o objetivo de realizar o treinamento do
avaliador buscando sua precisão e acurácia na mensuração visual de doenças de plantas. Este
sistema foi o precursor dos estudos em treinamento, que originou a continuação da pesquisa
com o desenvolvimento do sistema SiTemp que realiza a análise temporal das doenças em
plantas.
O website SiTemp segue o padrão de desenvolvimento do SiTAV, com a linguagem
de programação PHP, HTML, R e dados armazenados no banco de dados MySQL.
Por fatores didáticos, o processamento dos dados do SiTemp foi subdividido em dois:
 Processamento I - utiliza a linguagem de programação PHP (Php, 2017) para
realizar um processamento computacionalmente “normal”, como: os registros de
dados cadastrais do engenheiro agrônomo, propriedade, cultura, informação
técnica da cultura e a renderização dos resultados;
 Processamento II - utiliza a linguagem de programação R (The R Project, 2017)
para realizar um processamento computacionalmente “complexo”, por meio dos
algoritmos que processam os dados observados utilizando os modelos
matemáticos logístico, monomolecular e gompertz (Bergamin et al., 2014); os
resultados dos processamentos são salvos em arquivos de saída (“.csv”, “.jpg” e
“.xml”) em uma pasta temporária, dentro do servidor de hospedagem.
30
2 DESENVOLVIMENTO DO SITEMP
O processo de desenvolvimento do website SiTemp abrange as tecnologias utilizadas

para desenvolvimento do sistema, a criação dos cadastros de engenheiro agrônomo, de
proprietário, de cultura, das informações técnicas da cultura, do resumo dos dados
observados, do relatório de utilização do SiTemp, dos algoritmos que executam os cálculos da
análise temporal sobre os dados observados e o processo de utilização do sistema.
2.1 Tecnologias utilizadas para o desenvolvimento do SiTemp
As linguagens de programação Hypertext Preprocessor/Personal Home Page/Página

Pessoal (PHP) foram utilizadas como linguagem principal para o desenvolvimento do sistema
web SiTemp, devido à característica de ser uma linguagem de script open source de uso geral,
em que seu código fonte é interpretado do lado do servidor, gerando um código dinâmico
World Wide Web/Teia Mundial (WWW) que será interpretado pelo sistema operacional do
lado do cliente (Php, 2017).
A linguagem de programação Hyper Text Markup/Linguagem de Marcação de
Hipertexto (HTML) versão 5.0 trata-se de uma linguagem de marcação usada na criação de
páginas de internet estáticas, utiliza TAGs/etiquetas para formatar textos e gerenciar imagens,
as quais são interpretadas pelo browser/navegador do lado do usuário (Caelum, 2017).
A linguagem de programação e ambiente integrado de cálculos estatísticos e gráficos
R versão 3.4.2 utiliza sessões interativas onde os scripts gerados podem ser utilizados de
forma independente ou empacotados em forma de bibliotecas e disponibilizados para outras
aplicações. A utilização de scripts torna a aplicação mais consistente e confiável por não
possuir um fluxo de trabalho normal por parte do usuário baseado na manipulação da
aplicação via interface gráfica R, que é amplamente utilizado na Estatística para realizar
análises de dados e no desenvolvimento de softwares que necessitam de processamento de
dados específicos (The R Project, 2017).
Para armazenar os dados do website SiTemp foi utilizado o banco de dados MySQL
Community Server v.5.5.46 for Debian GNU/Linux, tendo como principal característica ser
um Data Base Management System/Sistema Gerenciador de Banco de Dados (SGBD), tendo
como interface a linguagem Structures Query Language/Linguagem de Consulta Estruturada
(SQL). Possui uma excelente portabilidade suportando as principais plataformas de sistemas
31
operacionais do mercado (GNU/Linux, Mac e Windows). O MySQL se conecta com as
linguagens de programação através de drivers de comunicação específicos (JDBC, ODBC,
.Net), além dos módulos de interface (PHP, Java, Python, Ruby, Visual Basic, Delphi, C++ e
C#) (Mysql, 2017).
A ferramenta gráfica de desenvolvimento IDE RStudio Desktop v.1.0.44, com
licença de uso open source, é um ambiente gráfico desenvolvido para linguagem de
programação R. Entre as características da ferramenta são: acesso local, destaque de sintaxe,
recuo e escopo, visualização do diretório de trabalho, depurador de erros e lista de pacote a
serem inseridos na ferramenta (RStudio, 2017).
A ferramenta RStudio-Server v.1.0.153 possui licença open source e se trata de uma
versão web da ferramenta desktop RStudio para desenvolvimento de programas com
linguagem de programação R. Suas principais características são: acesso à ferramenta
RStudio via navegador de internet, centraliza hardware de programação em uma só máquina,
possui ferramentas administrativas, autenticação de usuário por login/senha e gerenciamento
de recursos (RStudio-Server, 2017).
O resultado do processamento dos dados do website SiTemp realizados pelo
programa R é disponibilizado por meio de três tipos distintos de arquivos (“.csv”, “.jpg” e
“.xml”), os quais possuem suas características particulares. Todos os arquivos de saída de
resultados de processamento são armazenados em uma pasta do servidor que hospeda o
website SiTemp [~/sitav/sitemp/tmp/]. Para mostrar o resultado do processamento dos dados
ao usuário, estes arquivos são renderizados na página PHP/HTML em ordem hierárquica e
sequencial que faça sentido à análise das informações.
R possui a função “write.table()” para exportação dos dados no formato ASCII,
delimitados por pontuação, espaço ou tabulação. Esta exportação propicia a interação com
outros softwares (The R Manuals, 2017).
A exportação dos dados processados pelo R para um arquivo no formato “.csv”, que
é um formato de arquivo de texto com os dados separados por ponto e vírgula (;), utiliza a
função “write.csv2()”
write.csv2(banco, “~/sitav/siepi/tmp/tb01_dados_observados.csv”, sep=“;”,

row.names=FALSE)
onde:
write.csv2: função R
32
banco: nome do vetor que armazena os dados processados
~/sitav/siepi/tmp/tb01_dados_observados.csv: caminho, nome e extensão do arquivo
sep=“;”: separados de colunas com ponto e vírgula (;)
row.names=FALSE: não exportar o nome das linhas
Para exportar um gráfico plotado no R para uma imagem no formato “.jpg”, foi
utilizada a função “jpeg()” que possui diversas opções de configurações para garantir uma
imagem de alta qualidade (The R Manuals, 2017).
jpeg(filename=“~/sitav/siepi/tmp/gr01_dados_observados”, width = 1200,

height = 1200, units = "px", pointsize = 12, bg = "white", res = 300)
onde:
jpeg(): função de exportação de um gráfico para imagem “.jpg”
filename: caminho, nome e extensão da imagem
width: comprimento da imagem
height: altura da imagem
units: unidade de medida pixels “px”
pointsize: tamanho dos pontos (qualidade imagem)
bg: cor de fundo (background)
res: resolução da imagem (300 dpi)
Os gráficos gerados pelo website SiTemp podem ser salvos diretamente da tela de
resultados do sistema no navegador e salvos no computador local. Como possuem resolução
gráfica de 300 dpi, podem ser utilizados para envio para revistas científicas que exigem boa
qualidade gráfica das imagens (The R Manuals, 2017).
A exportação dos dados numéricos e alfanuméricos resultantes do processamento do
programa R utiliza a função “xmlOutputDOM()” que exporta para o formatado “.xml”, que se
trata de um arquivo de texto subdividido por TAGs (etiquetas), as quais simulam o nome das
variáveis seguido de seus conteúdos (The R Manuals, 2017).
con <- xmlOutputDOM()

con$addTag("modelo", "Modelo Matemático Logístico")
con$addTag("r2", 0.9987465357347568963975)
saveXML(con$value(), file="~/sitav/siepi/tmp/siepi.xml")
33
onde:
xmlOutputDOM(): função de exportação para formato “.xml”
com: variável de uso geral para toda a função
$addTag: comando para capturar nome da variável e seu conteúdo
"modelo": nome da variável
"Modelo Matemático Logístico": conteúdo da variável alfanumerica
0.9987465357347568963975: conteúdo da variável numérica
saveXML: comando para salvar o arquivo “.xml”
con$value(): recebe todos os conteúdos da variável de uso geral
file: caminho, nome e extensão do novo arquivo gerado
Um dos objetivos da Inteligência Artificial (IA) é o desenvolvimento de algoritmos

padronizados que requerem do poder computacional para realizar tarefas cognitivas que
representem o comportamento humano por meio de modelos computadorizados definidos
(Weber et al., 2017). Por padrão, um modelo desenvolvido pela IA pode desempenhar três
tipos de tarefas distintas:
 armazenar conhecimento;
 aplicar o conhecimento armazenado na resolução de problemas;
 adquirir novos conhecimentos por meio de experiências (Weber et al., 2017).
A Aprendizagem de Máquina (AM) trata-se de uma subdivisão dentro da área da

Inteligência Artificial que busca desenvolver algoritmos e metodologias próprias que
possibilitam ao computador aprender, aperfeiçoando o seu desempenho na execução de
tarefas (Weber et al, 2017).
A escolha pelo melhor modelo que explique o conjunto de dados analisados com o
uso da técnica de inteligência artificial é realizada por meio da execução de todos os modelos
matemáticos sobre o conjunto de dados e ao término é eleito o modelo que apresente a melhor
solução para explicar o conjunto de dados, mesmo que não apresentando uma solução ótima
de resolução mas sim a mais aproximada (Weber et al, 2017).
2.2 Cadastro de Engenheiro Agrônomo
Os dados básicos cadastrais do engenheiro agrônomo podem ser editados conforme
34
ilustrado na (Figura 1), como: nome, apelido, crea-uf, crea-número, crea validação, cidade-uf,
ies/propriedade/empresa, categoria, subcategoria, telefone, e-mail, data de nascimento,
facebook e sexo.
As informações do Conselho Regional de Engenharia e Agronomia (CREA) (Figura
1) serão validados de forma manual pelo responsável pelo website SiTemp que possua
permissão “administrador” para tal ação. O intuito desta forma de validação é para que o
website SiTemp seja utilizado apenas por profissionais devidamente credenciados pelo
CREA, ou seja, que sejam agrônomos filiados aos seus devidos Conselhos Regionais e que
saibam alimentar o sistema com os dados observados em campo de forma correta e eficiente,
além de ter conhecimento científico suficiente para analisar os cálculos e gráficos que a
ferramenta SiTemp irá lhe fornecer, como resultado ao processamento dos dados observados
inseridos.
Figura 1. Formulário de dados cadastrais de engenheiro agrônomo
Os dados cadastrais de engenheiro agrônomo podem ser visualizados também na

forma de consulta (Figura 2), onde se destaca os dados do CREA, dados de validação do
CREA e a situação cadastral do usuário (Ativo/Inativo).
35
Figura 2. Visualização dos dados cadastrais de consulta do engenheiro agrônomo.
2.3 Cadastro da propriedade
O cadastro de propriedade (Figura 3) registra as principais informações da

propriedade atendida pelo engenheiro agrônomo, tais como: código do engenheiro agrônomo,
nome do engenheiro agrônomo, propriedade, proprietário, porte da propriedade [pequena (até
5ha), médio (6 a 30ha) e grande (31ha acima)], área da propriedade, cidade/uf, telefone, e-
mail, latitude, longitude, altitude, clima, solo, situação (Ativo/Inativo), observação geral.
Figura 3. Formulário de cadastro dos dados da propriedade.
36
2.4 Cadastro da cultura
O cadastro de cultura (Figura 4) registra as principais informações da cultura da

propriedade atendida pelo engenheiro agrônomo, tais como: código do engenheiro agrônomo,
nome do engenheiro agrônomo, cultura, doença, safra/período, situação cadastral
(Ativo/Inativo) e observação geral.
Figura 4. Formulário de cadastro dos dados da cultura.
2.5 Cadastro de informações técnicas da cultura
O cadastro de informações técnicas da cultura (Figura 5) registra especificamente em

qual lavoura o engenheiro agrônomo está desempenhando suas atividades e coletando os
dados observados em campo.
As informações do engenheiro agrônomo, propriedade e cultura/doença/safra já
foram previamente cadastradas em seus respectivos formulários de cadastro, sendo cadastro
de engenheiro agrônomo, cadastro de propriedade e cadastro de cultura, descritos
anteriormente.
Desta forma, a mescla dos dados gera um resumo único, onde os dados observados
em campo serão adicionados conforme suas coletas.
37
Figura 5. Formulário de cadastro de informações técnicas da cultura.
2.6 Resumo dos dados observados
A finalidade da criação de um resumo para os dados observados em campo, envolve:

mesclar dados da cultura, visualização individual dos dados resumidos e a visualização dos
registros inseridos anteriormente.
Ao mesclar os dados culturais, busca-se unir em um resumo os dados da cultura em
uma propriedade que estão sob a supervisão de um engenheiro agrônomo, por meio do
resumo dos dados: engenheiro agrônomo, propriedade, cidade-uf, proprietário, cultura,
doença, quantificação e safra/período (Figura 6);
Figura 6. Relatório de resumo dos dados observados.
O SiTemp possibilita a visualização individual do resumo dos dados observados de

forma clara. Assim como permite informar no campo Quantidade de Avaliações os novos
dados de avaliação que serão inseridos no SiTemp. Como não há nenhum dado de avaliação
inserido anteriormente, será mostrado a mensagem “Há 0 registro armazenado” e os dois
botões “Análise Temporal dos Dados – Resumido” e “Análise Temporal dos Dados –
38
Completo” encontram-se desabilitados não permitindo ser clicados, seguido com um alerta ao
engenheiro agrônomo na cor vermelha “A Análise Temporal dos Dados só poderá ser
calculada com o número mínimo de 3 (três) avaliações.”, conforme (Figura 7).
Figura 7. Visualização individual do resumo dos dados observados.
Um diferencial do website SiTemp é manter o histórico dos dados observados em

campo/laboratório inseridos anteriormente, por meio do armazenamento no banco de dados
MySQL, desta forma o engenheiro agrônomo não necessitará inserir novamente todos os
dados quando necessitar realizar uma análise temporal dos dados. Esta função garante a
integridade dos dados, agilidade nas análises, minimiza ocorrência de erros de inserção de
dados, permite o acompanhamento do desempenho e acompanhamento do tratamento (Figura
7).
39
A entrada de novos dados de avaliação no website SiTemp é realizada inserindo os
dados de Data no formato (dd/mm/aaaa) e Severidade com a formatação (0.00), após finalizar
a inserção dos dados, deve-se clicar no botão (Salvar) para que os dados sejam gravados no
banco de dados, gerando o histórico dos dados avaliados (Figura 8).
Figura 8. Formulário de entrada dos novos dados observados para gerar

histórico de avaliações.
Os dados armazenados são dispostos em forma de uma tabela de dados, com as

seguintes colunas:
 Avaliação: o número da avaliação realizada para a coleta de dados em campo;
 Data: data da coleta de dados no campo;
 Intervalo de avaliação: este valor é calculado automaticamente pelo algoritmo,
sendo o intervalo de dias corridos entre a data da avaliação atual e a data da última
avaliação. Caso o valor entre as datas esteja correto, o valor resultante será
positivo e o mesmo será apresentado na cor verde, caso contrário, o resultado
entre as datas será negativo e o valor apresentado na cor vermelha. Para
exemplificar uma simulação, um possível erro de digitação por exemplo, a
40
avaliação número 8 (Figura 9) está em destaque demonstrando um possível erro
de digitação, o qual foi inserido a data da avaliação erroneamente de propósito,
dia “22/03/2017” para que o algoritmo pudesse informar ao engenheiro agrônomo
no momento da análise dos dados que a data está errada e, que este fato pode
influenciar no resultado da análise temporal dos dados, assim como no momento
da plotagem dos gráficos. Sendo que, a data correta da avaliação de campo
número 8 é dia “22/04/2017” (Figura 9);
 Dias acumulados: resulta do cálculo da diferença entra a data atual da avaliação e
o dia da primeira avaliação, demonstrando dessa forma a quantidade de dias
corridos a cada avaliação. Caso alguma data de avaliação seja inserida de forma
errônea, este dado influenciará diretamente nos cálculos da análise temporal de
doença e na plotagem dos gráficos;
 Incidência/Severidade: refere-se à média do valor dos dados de
incidência/severidade levantados em campo no momento da avaliação;
 Excluir: opção de exclusão do dado de avaliação do banco de dados do website
SiTemp.
O campo denominado “Simulação dias futuros” (Figura 9) possibilita que o

engenheiro agrônomo informe a quantidade de dias que o website SiTemp deve calcular a
estimativa de dias futuros da curva de progresso da doença. Caso este campo seja deixado
sem preencher, com valor 0 (zero) ou em branco, o algoritmo calcula automaticamente esta
data futura, tomando por base a data de dias acumulados da última avaliação e acrescenta 1/3
à quantidade de dias para realizar o cálculo. Exemplo: o valor da coluna de “Dias
Acumulados” na linha da “Avaliação” número 12 é de 147 dias. Logo, levando em conta que
a variável “dias = 147”, o cálculo resultante para a equação “dias_futuros = dias + (dias
/ 3);” é “dias_futuros = 147 + (147 / 3);” onde “dias_futuros = 196;” ou seja, dias
futuros para a simulação da curva de progresso de doença é de 196 dias.
O botão “Alterar Dados” (Figura 9) permite alterar os dados observados: data e
incidência/severidade.
O botão “Análise Temporal dos Dados – Resumido” (Figura 9) apresenta o resultado
da análise temporal dos dados observados de forma resumida, destacando os principais dados
da análise (Anexo 1).
O botão “Análise Temporal dos Dados – Completo” (Figura 9) apresenta
41
o resultado da análise temporal dos dados observados de forma completa, destacando todos os
dados da análise (Anexo 2).
Figura 9. Relatório de histórico dos dados observados em campo inseridos no

website SiTemp.
O armazenamento de novos dados observados no banco de dados do SiTemp inicia

com a indicação no número de avaliações que serão inseridas no campo “Quantidade de
Avaliações” (Figura 7). Após clicar no botão “Inserir”, abrirá uma nova tela informando o
resumo dos dados observados e os dados de avaliação (data e incidência/severidade) que se
encontram armazenados no banco de dados, disponíveis para edição, assim como dois novos
campos de avaliação em branco para inserção dos valores coletados em campo (Figura 10).
Os campos dos formulários possuem máscaras, ou seja, pré formatação da informação
inserida no campo, assim como o campo Data possui a máscara no formato “dd/mm/aaaa”
dia, mês e ano separados por uma barra “/” e o campo Incidência/Severidade possui a máscara
“0.00” sendo o valor com separação das casas decimais por ponto “.” e duas casas decimais
após o ponto. O programa estatístico R executa os cálculos com a configuração de dados no
formato americano, por isso é necessários tomar medidas para padronização da entrada de
dados pelos engenheiros agrônomos ou aqueles que vierem a utilizar o SiTemp.
42
Figura 10. Formulário de inserção de dados observados no banco
de dados do SiTemp.
2.7 Relatório de utilização do SiTemp
O website SiTemp conta com um sistema de segurança interna que registra todos os
usuários que utilizam o sistema através de um registro de utilização armazenado no banco de
dados do sistema. A visualização a essas informações está restrita aos desenvolvedores do
sistema e que possuam permissões específicas para este fim.
Os dados de registro de utilização armazenados são: acesso, data e hora, ip acesso,
avaliação, engenheiro agrônomo, apelido, número do crea, login, permissão, situação, sitemp,
propriedade, cidade, cultura, doença, safra ou período, tipo de quantificação, modo de
avaliação, tempo, severidade, R2, modelo matemático sugerido (Figura 11).
43
Figura 11. Relatório de utilização do SiTemp.
44
2.8 Algoritmos referentes à programação do website SiTemp
A plotagem do gráfico Dados Observados, Anexo 2 (Figura 1), utiliza o script

executado pelo programa R:
par(mfrow=c(1,1))
plot(banco$severidade ~ banco$tempo, xlab="Tempo", ylab="Severidade",
main="Valores Observados", bty="l", tcl=0.5, lwd="2")
lines(lowess(banco$severidade ~ banco$tempo), col=verde, lwd="3")
O cálculo dos Dados Transformados, Anexo 2 (Tabela 2), foram processados para os
modelos logística, monomolecular e gompertz, conforme demonstrado na sequência.
Os dados observados processados para Transformação Logística são aplicados à
função “LN(B2/(1-B2))” através da equação:
transLogistica = function(l){
b2 <- l / 100 # 3.90 = 0.039
tl <- log(b2/(1-b2))
return(tl)
}
Para a Transformação Monomolecular foi aplicada a função “ LN(1/(1-B2))” através

da equação:
transMonomolecular = function(m){
b2 <- m / 100
tm <- log(1/(1-b2))
return(tm)
}
Na Transformação Gompertz utilizou-se da função “ -LN(-LN(B2))” através da

equação:
transGompertz = function(g){
b2 <- g / 100
tg <- -log(-log(b2))
return(tg)
}
Os gráficos dos Dados Transformados, Anexo 2 (Figura 2), foram plotados pelo
programa R é executado através do scritp,
par(mfrow=c(2,2))
# GRAFICO 1.4 - Logistivo
plot(banco$tempo, banco$Transf.Logistica, xlab="Tempo", ylab="Severidade",
45
main="Transformacao Logistica", lwd="2", bty="l", col=vermelho)
lines(lowess(banco$tempo, banco$Transf.Logistica), col=verde, lwd="1")
# GRAFICO 2.4 - Monomolecular

plot(banco$tempo, banco$Transf.Monomolecular, xlab="Tempo",
ylab="Severidade", main="Transformacao Monomolecular", lwd="2", bty="l",
col=azul)
lines(lowess(banco$tempo, banco$Transf.Monomolecular), col=verde, lwd="1")
# GRAFICO 3.4 - Gompertz

plot(banco$tempo, banco$Transf.Gompertz, xlab="Tempo", ylab="Severidade",
main="Transformacao Gompertz", lwd="2", bty="l", col=amarelo)
lines(lowess(banco$tempo, banco$Transf.Gompertz), col=verde, lwd="1")
# GRAFICO 4.4 - Transf Log/Mono/Gomp

plot(banco$tempo, banco$Transf.Logistica, ylim=c(y_min, y_max), type="l",
xlab="Tempo", ylab="Severidade", main="Transf Log/Mono/Gomp", lwd="3",
bty="l", col=vermelho)
par(new=TRUE)
lines(banco$tempo, banco$Transf.Monomolecular, type="l", lwd="3", bty="l",
col=azul)
par(new=TRUE)
lines(banco$tempo, banco$Transf.Gompertz, type="l", lwd="3", bty="l",
col=amarelo)
O processamento das Equações, Anexo 2 (Tabela 3), executado para os modelos

logístico, monomolecular e gompertz, seguem na sequência.
O processamento dos dados para a Equação Logística, passa por uma regressão linear
dos dados “rls_logistico <- lm(banco$Transf.Logistica ~ banco$tempo) ” onde são
detectados as variáveis interseção (intercept) e a parâmetro ß1. Na sequência é calculado o
LogitoX através da equação “logito_x <- (exp(intersecao) / (exp(intersecao) + 1))”.
Por fim o cálculo da equação logística propriamente dita com a equação “ eql <- 1/(1+
((1/logito)-1)*exp(-variavelX1_logistico*varx1))”.
Para o processamento dos dados para a Equação Monomolecular é aplicada a

regressão linear aos dados “rls_monomolecular <- lm(banco$Transf.Monomolecular ~
banco$tempo)”. Determinadas as variáveis interseção (intercept) e a parâmetro ß1. Calculado

o MonitoX pela equação “monito_x <- ((1 - exp(intersecao)) / -(exp(intersecao))) ”.
Para assim chegar ao cálculo final da equação monomolecular através da função “ eqm <- 1-
(1-(logito)) * exp(-variavelX1_monomolecular*varx1)”.
No processamento dos dados para a Equação Gompertz foi aplicada a regressão

linear aos dados “rls_gompertz <- lm(banco$Transf.Gompertz ~ banco$tempo)”. Detectadas
as variáveis interseção (intercept) e a parâmetro ß1. Calculado o GompitoX pela equação
“monito_x <- exp(-exp(intersecao))”. E por último calculado o valor da equação de
gompertz “eqg <- exp(-(-log(logito) * exp(-variavelX1_gompertz*varx1)))”.
Para a plotagem dos gráficos no modelo padronizado de exibição 4 em 1, ou seja,

quatro gráficos em uma página, cabe enfatizar que a curvatura formada pela plotagem dos
diferentes modelos matemáticos é semelhante, porém a altura dos dados dispostos no eixo Y
46
de Severidade (%) altera, sendo pouco perceptível se observados os 3 (três) gráficos
individualmente, sendo que no gráfico na posição 4 (quatro) onde são plotados os 3 (três)
juntos, é possível perceber melhor a diferença da curvatura e traçado de cada modelo.
A plotagem dos gráficos de Equação, Anexo 2 (Figura 2), pelo programa estatístico R
é executada pelo scritp:
par(mfrow=c(2,2))
plot(banco$tempo, banco$Eq.Logistica, xlab="Tempo", ylab="Severidade",
main="Equacao Logistica", lwd="2", bty="l", col=vermelho)
lines(lowess(banco$tempo, banco$Eq.Logistica), col=verde, lwd="1")

plot(banco$tempo, banco$Eq.Monomolecular, xlab="Tempo", ylab="Severidade",
main="Equacao Monomolecular", lwd="2", bty="l", col=azul)
lines(lowess(banco$tempo, banco$Eq.Monomolecular), col=verde, lwd="1")

plot(banco$tempo, banco$Eq.Gompertz, xlab="Tempo", ylab="Severidade",
main="Equacao Gompertz", lwd="2", bty="l", col=amarelo)
lines(lowess(banco$tempo, banco$Eq.Gompertz), col=verde, lwd="1")

plot(banco$tempo, banco$Eq.Logistica, ylim=c(y_min, y_max), type="l",
xlab="Tempo", ylab="Severidade", main="Equacao Log/Mono/Gomp", lwd="3",
par(new=TRUE)
lines(banco$tempo, banco$Eq.Monomolecular, type="l", lwd="3", bty="l",
col=azul)
par(new=TRUE)
lines(banco$tempo, banco$Eq.Gompertz, type="l", lwd="3", bty="l",
col=amarelo)
O cálculo de execução para a Transformação dos dados observados, Anexo 2 (Tabela

4), destaca o resumo dos dados observados junto aos dados transformados em Logito, Monito
e Gompito.
A transformação dos dados observados para logito é executada por meio do
processamento “banco$Logito <- log(banco$Eq.Logistica/(1-banco$Eq.Logistica))”.
Assim como a transformação dos dados observados para monito utiliza o script
“banco$Monito <- log(1/(1-banco$Eq.Monomolecular))”.
Bem como a transformação dos dados observados para gompito usa o código
“banco$Gompito <- -log(-log(banco$Eq.Gompertz))”.
Desta forma, a plotagem dos gráficos de Transformação, Anexo 2 (Figura 4), é

executada através do código:
par(mfrow=c(2,2))
plot(tempoG, banco$Logito, xlab="Tempo", ylab="Severidade", main="Logito",
lwd="2", bty="l", col=vermelho)
lines(lowess(tempoG, banco$Logito), col=verde, lwd="1")
47
plot(tempoG, banco$Monito, xlab="Tempo", ylab="Severidade", main="Monito",
lwd="2", bty="l", col=azul)
lines(lowess(tempoG, banco$Monito), col=verde, lwd="1")

plot(tempoG, banco$Gompito, xlab="Tempo", ylab="Severidade", main="Gompito",
lwd="2", bty="l", col=amarelo)
lines(lowess(tempoG, banco$Gompito), col=verde, lwd="1")

plot(tempoG, banco$Logito, ylim=c(y_min, y_max), type="l", xlab="Tempo",
ylab="Severidade", main="Logito/Monito/Gompito", lwd="3", bty="l",
col=vermelho)
par(new=TRUE)
lines(tempoG, banco$Monito, type="l", lwd="3", bty="l", col=azul)
lines(tempoG, banco$Gompito, type="l", lwd="3", bty="l", col=amarelo)
O processamento dos dados de Resíduos, Anexo 2 (Tabela 5), traz o resumo dos
dados observados com os dados processados de Resíduos Logístico, Resíduos Monomolecular
e Resíduos Gompertz, através da execução dos scripts.
Para os dados de resíduos logísticos foram utilizados os scripts
“banco$Res.Logistico <- (banco$Transf.Logistica – banco$Logito)”.
O cálculo dos dados de resíduos monomoleculares usa o script

“banco$Res.Monomolecular <- (banco$Transf.Monomolecular – banco$Monito)”.
E os dados de resíduos de gompertz executam o script “ banco$Res.Gompertz <-
(banco$Transf.Gompertz – banco$Gompito)”.
A execução da plotagem dos gráficos de Resíduos, Anexo 2 (Figura 5), se deu

através do código:
par(mfrow=c(2,2))
plot(banco$tempo, banco$Res.Logistico, xlab="Tempo", ylab="Severidade",
main="Residuo Logistico", lwd="2", bty="l", col=vermelho)
lines(lowess(banco$tempo, banco$Res.Logistico), col=verde, lwd="1")

plot(banco$tempo, banco$Res.Monomolecular, xlab="Tempo", ylab="Severidade",
main="Residuo Monomolecular", lwd="2", bty="l", col=azul)
lines(lowess(banco$tempo, banco$Res.Monomolecular), col=verde, lwd="1")

plot(banco$tempo, banco$Res.Gompertz, xlab="Tempo", ylab="Severidade",
main="Residuo Gompertz", lwd="2", bty="l", col=amarelo)
lines(lowess(banco$tempo, banco$Res.Gompertz), col=verde, lwd="1")

plot(banco$tempo, banco$Res.Logistico, type="l", xlab="Tempo",
ylab="Severidade", main="Res. Log/Mon/Gomp", lwd="3", bty="l", col=vermelho)
par(new=TRUE)
lines(banco$tempo, banco$Res.Monomolecular, type="l", lwd="3", bty="l",
col=azul)
lines(banco$tempo, banco$Res.Gompertz, type="l", lwd="3", bty="l",
col=amarelo)
Os cálculos dos dados da Derivada, Anexo 2 (Tabela 6), demostram o resumo dos
48
dados observados junto aos dados calculados da derivada, que são processados pelo programa
R pelo script “der <- c(( (banco$severidade[i+1] - banco$severidade[i]) /
(banco$tempo[i+1] - banco$tempo[i]) ) / 100)”.
A execução do código de plotagem do gráfico de Derivada, Anexo 2 (Figura 6),

utiliza o programa R para geração dos gráficos, através do script:
par(mfrow=c(1,2))
# GRAFICO 1.2 - Observados
plot(banco$tempo, banco$severidade, xlab="Tempo", ylab="Severidade",
main="Dados Observados", lwd="2", bty="l", col=verde)
lines(lowess(banco$tempo, banco$severidade), col=vermelho, lwd="1")
# GRAFICO 2.2 - Derivada
plot(banco$tempo, banco$Derivada, xlab="Tempo", ylab="Severidade",
main="Derivada", lwd="2", bty="l", col=azul)
lines(lowess(banco$tempo, banco$Derivada), col=vermelho, lwd="1")
A execução dos dados da Curva de Progresso de Doenças, Anexo 2 (Tabela 7),

mostra o resumo dos dados observados assim como os valores calculados para Logito, Monito
e Gompito, com a execução dos scripts.
Para o cálculo do Logito foi executado o script de regressão linear “ rls_logistico2
<- lm(banco$Eq.Logistica ~ banco$severidade)”, identificando o valor da interseção
(intercept) pela equação “intersecao_logistico2 <- rls_logistico2$coefficients[1] ” e do
parâmetro β1 “variavelX1_logistico2 <- (rls_logistico2$coefficients[2])*100”, o valor
do R2 pela equação “r2_logistico2 <- summary(rls_logistico2)$r.squared” e do R2
Ajustado “r2_adj_logistico2 <- summary(rls_logistico2)$adj.r.squared”.
Na execução do algoritmo para descobrir os valores de Monito foi usado o código

para regressão linear “rls_monomolecular2 <- lm(banco$Eq.Monomolecular ~
banco$severidade)” com valor da interseção (intercept) “intersecao_monomolecular2 <-
rls_monomolecular2$coefficients[1]”, do parâmetro β1 “variavelX1_monomolecular2 <-
(rls_monomolecular2$coefficients[2])*100”, do R2 monomolecular “r2_monomolecular2 <-
summary(rls_monomolecular2)$r.squared” e por fim o cálculo do R2 monomolecular ajustado

“r2_adj_monomolecular2 <- summary(rls_monomolecular2)$adj.r.squared”.
No cálculo para determinar o Gompito utilizou-se a regressão linear “ rls_gompertz2

<- lm(banco$Eq.Gompertz ~ banco$severidade)” para determinar a interseção (intercept)
“intersecao_gompertz2 <- rls_gompertz2$coefficients[1]”, o valor do parâmetro β1
“variavelX1_gompertz2 <- (rls_gompertz2$coefficients[2])*100 ”, o valor de R2
“r2_gompertz2 <- summary(rls_gompertz2)$r.squared” e o coeficiente de determinação R2
ajustado “r2_adj_gompertz2 <- summary(rls_gompertz2)$adj.r.squared”.
49
O cálculo da equação da curva de progresso logística é executada pela equação “ cpl
<- logito+(varx1*severidade1)”.
Para calcular a equação da curva de progresso monomolecular utiliza-se a equação

“cpm <- logito+(varx1*severidade1)”.
E para calcular a equação da curva de progresso de gompertz, executa o código “ cpg
<- logito+(varx1*severidade1)”.
A execução do código de plotagem do gráfico da Curva de Progresso de Doença,

Anexo 2 (Figura 7), é gerado através do script:
par(mfrow=c(2,2))
plot(banco$tempo, banco$C.P.Logistica, xlab="Tempo", ylab="Severidade",
main="Logito", lwd="2", bty="l", col=vermelho)
lines(lowess(banco$tempo, banco$C.P.Logistica), col=verde, lwd="1")

plot(banco$tempo, banco$C.P.Monomolecular, xlab="Tempo", ylab="Severidade",
main="Monito", lwd="2", bty="l", col=azul)
lines(lowess(banco$tempo, banco$C.P.Monomolecular), col=verde, lwd="1")

plot(banco$tempo, banco$C.P.Gompertz, xlab="Tempo", ylab="Severidade",
main="Gompito", lwd="2", bty="l", col=amarelo)
lines(lowess(banco$tempo, banco$C.P.Gompertz), col=verde, lwd="1")

plot(banco$tempo, banco$C.P.Logistica, ylim=c(y_min, y_max), type="l",
xlab="Tempo", ylab="Severidade", main="Logito/Monito/Gompito", lwd="3",
par(new=TRUE)
lines(banco$tempo, banco$C.P.Monomolecular, type="l", lwd="3", bty="l",
col=azul)
lines(banco$tempo, banco$C.P.Gompertz, type="l", lwd="3", bty="l",
col=amarelo)
Para definir o modelo matemático que melhor explica os dados observados é

utilizada a comparação entre os valores de R 2 dos três modelos Logístico, Monomolecular e
Gompertz, definindo como melhor modelo o que tiver valor do coeficiente de determinação
R2 mais próximo a 100%. Assim para expressar os valores do coeficiente de determinação R2
de todos os modelos, foram calculados os dados da Definição do Modelo Matemático pelo
maior R2, Anexo 2 (Tabela 8), por meio dos valores do coeficiente de determinação R 2
calculados anteriormente “r2_lmg <- c(r2_logistico2, r2_monomolecular2,
r2_gompertz2)”.
Nesta etapa do processamento, o algoritmo do SiTemp aplica a técnica de

inteligência artificial (Weber et al., 2017) automaticamente, executando os três modelos
matemáticos (logístico, monomolecular e gompertz), onde será eleito o modelo que melhor
explica os dados observados.
50
A execução do código de plotagem do gráfico Modelos Matemáticos, Anexo 2
(Figura 8), foi gerada pelo programa R através do script:
par(mfrow=c(1,1))
plot(banco$tempo, (banco$severidade/100), type="n", xlab="Tempo",
ylab="Doenca", main="Observados vs. Modelos Matematicos", col="green",
lwd="3", bty="l")
lines(banco$tempo, (banco$severidade/100), type="l", col="green", lwd="3",
bty="l")
lines(banco$tempo, banco$C.P.Logistica, type="l", col=vermelho, lwd="3")
lines(banco$tempo, banco$C.P.Monomolecular, type="l", col=azul, lwd="3")
lines(banco$tempo, banco$C.P.Gompertz, type="l", col=amarelo, lwd="3")
A execução do código para gerar a Simulação da Curva de Progresso de Doença,

Anexo 2 (Figura 9), realiza a plotagem dos dados de Tempo (dias) no eixo X e Severidade (%)
no eixo Y, tanto dos dados observados como dos dados estimados, conforme o modelo
matemático que melhor explica os dados. Caso o engenheiro agrônomo não informe a
quantidade de dias futuros que deseja visualizar na simulação, o algoritmo da ferramenta
SiTemp automaticamente acrescenta 1/3 a mais da quantidade total de dias dos dados
observados. A plotagem do gráfico é realizada através do código:
par(mfrow=c(1,1))
plot(simulacao[,3], simulacao[,4], type="n", xlab="Tempo",
ylab="Severidade", main="Simulacacao Curva Progresso Doenca", lwd="3",
bty="l")
lines(simulacao[,1], simulacao[,2], type="l", col="green", lwd="3")
par(new=TRUE)
lines(simulacao[,3], simulacao[,4], type="l", lty=3, col=azul, lwd="3")
abline(h=mean(1.0), col="red")
A execução dos dados numéricos descritos pela Regressão, Anexo 2 (Tabela 9), é
composta pelo resumo dos dados observados e pelos resultados dos processamentos para
gerar os dados da Regressão Logística, Regressão Monomolecular e Regressão Gompertz.
O processamento para o cálculo da regressão logística conforme o código
“reg_logistical <- 1/(1+((1/logito)-1)*exp(-variavelX1_logistico*varx1))”.
O cálculo da regressão monomolecular pode ser descrito pela equação

“reg_monomolecular <- 1-(1-(logito)) * exp(-variavelX1_monomolecular*varx1)”.
O script que realiza o processamento para a regressão gompertz pode ser descrito
como “reg_gompertz <- exp(-(-log(logito) * exp(-variavelX1_gompertz*varx1)))”.
A junção dos dados para criação da tabela regressão utiliza o código fonte:
banco_regressao2 <- data.frame(banco_regressao,

"REG.LOGISTICA"=banco$Eq.Logistica,
51
"REG.MONOMOLECULAR"=banco$Eq.Monomolecular,
"REG.GOMPERTZ"=banco$Eq.Gompertz
)
Para executar os dados de Análise de Regressão, Anexo 2 (Tabela 10), foram

agregados os parâmetros (Constante, Coeficiente, R2, QMRES) de todos os modelos
matemáticos, sendo,
### QUADRADO MEDIO DO RESIDUO - QMRES

# QMRES - LOGISTICO
banco_residuos2$res_log2 <- (banco_residuos2$Res.Logistico)^2
banco_residuos2$media_log2 <- mean(banco_residuos2$res_log2)
QMRES_Logistico <- banco_residuos2$media_log2[1]
# QMRES - MONOMOLECULAR
banco_residuos2$res_mon2 <- (banco_residuos2$Res.Monomolecular)^2
banco_residuos2$media_mon2 <- mean(banco_residuos2$res_mon2)
QMRES_Monomolecular <- banco_residuos2$media_mon2[1]
# QMRES - GOMPERTZ
banco_residuos2$res_gom2 <- (banco_residuos2$Res.Gompertz)^2
banco_residuos2$media_gom2 <- mean(banco_residuos2$res_gom2)
QMRES_Gompertz <- banco_residuos2$media_gom2[1]
Modelo <- c("Logistico", "Monomolecular", "Gompertz")

Constante <- c(LogitoX, MonitoX, GompitoX)
Coeficiente <- c(variavelX1_logistico, variavelX1_monomolecular,
variavelX1_gompertz)
R2 <- c(r2_logistico2, r2_monomolecular2, r2_gompertz2)
QMRES <- c(QMRES_Logistico, QMRES_Monomolecular, QMRES_Gompertz)
# MONTAR A TABELA
tab_analise_regressao <- cbind(Modelo, Constante, Coeficiente, R2, QMRES)
print("TABELA DE ANÁLISE DE REGRESSÃO")
tab_analise_regressao
O processamento dos dados de Resíduos pelo Preditos, Anexo 2 (Tabela 11),

referente ao processamento entre os dados observados, resíduos e transformados, está
agrupado sequencialmente de forma a facilitar o entendimento dos dados. Desta forma os
dados estão dispostos na seguinte ordem: avaliação, tempo, severidade, resíduo logístico,
transformado logistístico, resíduo monomolecular, transformado monomolecular, resíduo
gompertz, transformado gompertz. O código fonte utilizado para agrupar os dados foi
banco_residuos_preditos <-
data.frame(
"AVALIACAO"=banco_residuos_preditos$avaliacao,
"TEMPO"=banco_residuos_preditos$tempo,
"SEVERIDADE"=banco_residuos_preditos$severidade,
"RES.LOGISTICO"=banco$Res.Logistico,
"TRANSF.LOGISTICA"=banco$Transf.Logistica,
"RES.MONOMOLECULAR"=banco$Res.Monomolecular,
"TRANSF.MONOMOLECULAR"=banco$Transf.Monomolecular,
"RES.GOMPERTZ"=banco$Res.Gompertz,
"TRANSF.GOMPERTZ"=banco$Transf.Gompertz
)
52
A plotagem dos gráficos de Resíduos pelos Preditos, Anexo 2 (Figura 11), processada
pelo programa R, foi gerada através do script:
par(mfrow=c(2,2))
plot(banco$Res.Logistico ~ banco$Transf.Logistica, ylab="Res.Logistico",
xlab="Transf.Logistica", main="Residuos/Predito Logisticos", lwd="2",
lines(lowess(banco$Res.Logistico ~ banco$Transf.Logistica), col=verde,
lwd="1")

plot(banco$Res.Monomolecular ~ banco$Transf.Monomolecular,
ylab="Res.Monomolecular", xlab="Transf.Monomolecular",
main="Residuos/Predito Monomolecular", lwd="2", bty="l", col=azul)
lines(lowess(banco$Res.Monomolecular ~ banco$Transf.Monomolecular),
col=verde, lwd="1")

plot(banco$Res.Gompertz ~ banco$Transf.Gompertz, ylab="Res.Gompertz",
xlab="Transf.Gompertz", main="Residuos/Predito Gompertz", lwd="2", bty="l",
col=amarelo)
lines(lowess(banco$Res.Gompertz ~ banco$Transf.Gompertz), col=verde,
lwd="1")

plot(banco$Res.Logistico ~ banco$Transf.Logistica, ylim=c(y_min, y_max),
xlim=c(x_min, x_max), type="l", xlab="Transformados", ylab="Residuos",
main="Res/Transf. Log/Mon/Gomp", lwd="3", bty="l", col=vermelho)
par(new=TRUE)
lines(banco$Res.Monomolecular ~ banco$Transf.Monomolecular, type="l",
lines(banco$Res.Gompertz ~ banco$Transf.Gompertz, type="l", lwd="3",
bty="l", col=amarelo)
O algoritmo responsável pela execução dos dados da Curva de Crescimento de

Severidade, Anexo 2 (Figura 12), retrata os valores de Tempo (dias) no eixo X e os valores da
Derivada com uma Taxa de 1/1000 no eixo Y. Para a plotagem do gráfico foi utilizada a
codificação para o Tempo “banco$tempo” e para a Derivada “ (banco$Derivada*1000)”, assim
como:
par(mfrow=c(1,1))
plot((banco$Derivada*1000) ~ banco$tempo, xlab="Tempo", ylab="Derivada -
Taxa: 1/1000", main="Curva de Crescimento", type="l", lwd="2", bty="l",
col=verde)
A execução do script para gerar os dados da Curva de Progressão, Anexo 2 (Figura

13), retorna os três gráficos dos modelos matemáticos logístico, monomolecular e gompertz,
comparados com os dados observados. No quarto gráfico foram unidos os três modelos juntos
com os dados observados, o que demonstra uma visão mais precisa sobre a similaridade entre
53
os dados observados e os modelos matemáticos.
Para a plotagem do gráfico Curva de Progresso Logístico foi executado o código
“(banco$severidade/100) ~ banco$tempo” e a linha média entre os pontos executou-se
“lowess(banco$C.P.Logistica ~ banco$tempo)”.
Na plotagem do gráfico Curva de Progresso Monomolecular foi utilizado o script

“(banco$severidade/100) ~ banco$tempo ” e para gerar os pontos do modelo e a linha média
entre os pontos foi utilizado “lowess(banco$C.P.Monomolecular ~ banco$tempo)”.
O gráfico Curva de Progresso Gompertz foi plotado de acordo com a equação

“(banco$severidade/100) ~ banco$tempo”, assim como a linha média entre os pontos do
modelo “lowess(banco$C.P.Gompertz ~ banco$tempo)”.
No quarto gráfico da Curva de Progresso Logística/Monomolecular/Gompertz onde

ocorreu a junção dos três modelos junto com os dados observados, possibilita observar a
curvatura dos gráficos em relação ao gráfico dos dados observados.
A plotagem dos gráficos no formato quatro em um, utilizou o script:
par(mfrow=c(2,2))
plot((banco$severidade/100) ~ banco$tempo, xlab="Tempo", ylab="Severidade",
main="Curva de Progresso Logistico", type="l", lwd="1", bty="l", col=verde)
lines(lowess(banco$C.P.Logistica ~ banco$tempo), col=vermelho, lwd="2")

main="Curva de Progresso Monomolecular", type="l", lwd="1", bty="l",
col=azul)
lines(lowess(banco$C.P.Monomolecular ~ banco$tempo), col=verde, lwd="2")

main="Curva de Progresso Gompertz", type="l", lwd="1", bty="l",
col=amarelo)
lines(lowess(banco$C.P.Gompertz ~ banco$tempo), col=verde, lwd="2")

main="Curva Prog. Log/Mon/Gomp", type="l", lwd="3", bty="l", col=verde)
par(new=TRUE)
# Modelo Logistico
lines(lowess(banco$C.P.Logistica ~ banco$tempo), lty=3, type="l", lwd="3",
# Modelo Monomolecular
lines(lowess(banco$C.P.Monomolecular ~ banco$tempo), lty=3, type="l",
# Modelo Gompertz
lines(lowess(banco$C.P.Gompertz ~ banco$tempo), lty=3, type="l", lwd="3",
O processamento dos dados da Curva de Progresso Linearizado, Anexo 2 (Figura

14), utilizou-se dos dados transformados no eixo Y e os dados de Tempo (dias) no eixo X.
54
O gráfico da Curva de Progresso Linearizado Logístico foi plotado através do código
fonte “banco$Transf.Logistica ~ banco$tempo” com a linha média entre os pontos através do
código “(lowess(banco$Transf.Logistica ~ banco$tempo))”.
Para realizar a plotagem do gráfico Curva de Progresso Linearizado Monomolecular

foi utilizado o código “banco$Transf.Monomolecular ~ banco$tempo” seguido da linha média
entre os pontos “lowess(banco$Transf.Monomolecular ~ banco$tempo)”.
No gráfico Curva de Progresso Linearizado Gompertz utilizou-se o script

“banco$Transf.Gompertz ~ banco$tempo” para gerar os pontos do modelo e a linha média
entre os pontos foi utilizado o script “(lowess(banco$Transf.Gompertz ~ banco$tempo))”.
Já o quarto gráfico agrupa os três modelos matemáticos, o que favorece a análise e

visualização da curvatura dos modelos, uma vez que o escopo dos dados em seu ponto inicial
apresenta variações de posicionamento dentro do gráfico, o que pode passar desapercebido,
uma vez que as curvaturas dos três gráficos são semelhantes.
Para plotagem do gráfico no formato quatro em um, foi utilizado o script,
par(mfrow=c(2,2))
plot(banco$Transf.Logistica ~ banco$tempo, xlab="Tempo", ylab="Severidade",
main="C.P.Linearizado Logistico", lwd="2", bty="l", col=vermelho)
lines(lowess(banco$Transf.Logistica ~ banco$tempo), col=verde, lwd="1")

plot(banco$Transf.Monomolecular ~ banco$tempo, xlab="Tempo",
ylab="Severidade", main="C.P.Linearizado Monomolecular", lwd="2", bty="l",
col=azul)
lines(lowess(banco$Transf.Monomolecular ~ banco$tempo), col=verde, lwd="1")

plot(banco$Transf.Gompertz ~ banco$tempo, xlab="Tempo", ylab="Severidade",
main="C.P.Linearizado Gompertz", lwd="2", bty="l", col=amarelo)
lines(lowess(banco$Transf.Gompertz ~ banco$tempo), col=verde, lwd="1")

plot(banco$Transf.Logistica ~ banco$tempo, ylim=c(y_min, y_max), type="l",
xlab="Tempo", ylab="Severidade", main="C.P.Linearizado Log/Mon/Gomp",
lwd="3", bty="l", col=vermelho)
par(new=TRUE)
lines(banco$Transf.Monomolecular ~ banco$tempo, type="l", lwd="3", bty="l",
col=azul)
lines(banco$Transf.Gompertz ~ banco$tempo, type="l", lwd="3", bty="l",
col=amarelo)
A execução do algoritmo para calcular os dados Transformado pela Severidade,

Anexo 2 (Figura 15), foram utilizados os dados da porcentagem da Severidade (%) no eixo Y
pelos dados da Equação Logística no eixo X.
Para plotar o gráfico Transformado pela Severidade Logística foi utilizado o scritp
“(banco$severidade/100) ~ banco$Eq.Logistica” com a linha média entre os dados através
55
do script “lowess((banco$severidade/100) ~ banco$Eq.Logistica)”.
O gráfico Transformado pela Severidade Monomolecular foi plotado através do

código “(banco$severidade/100) ~ banco$Eq.Monomolecular” com sua linha média entre os
pontos através do código “lowess((banco$severidade/100) ~ banco$Eq.Monomolecular)”.
No gráfico Transformado pela Severidade Gompertz foi utilizado o código

“(banco$severidade/100) ~ banco$Eq.Gompertz” com a linha média entre os pontos
“lowess((banco$severidade/100) ~ banco$Eq.Gompertz)”.
O quarto gráfico traz a plotagem dos três modelos de gráficos juntos, o que favorece
a comparação da curvatura entre cada um.
A plotagem do gráfico no formato quatro em um, se deu com o script:
par(mfrow=c(2,2))

plot((banco$severidade/100) ~ banco$Eq.Logistica, xlab="Transformado",
ylab="Severidade", main="Transf.Severidade Logistica", lwd="2", bty="l",
col=vermelho)
lines(lowess((banco$severidade/100) ~ banco$Eq.Logistica), col=verde,
lwd="1")

plot((banco$severidade/100) ~ banco$Eq.Monomolecular, xlab="Transformado",
ylab="Severidade", main="Transf.Severidade Monomolecular", lwd="2", bty="l",
col=azul)
lines(lowess((banco$severidade/100) ~ banco$Eq.Monomolecular), col=verde,
lwd="1")

plot((banco$severidade/100) ~ banco$Eq.Gompertz, xlab="Transformado",
ylab="Severidade", main="Transf.Severidade Gompertz", lwd="2", bty="l",
col=amarelo)
lines(lowess((banco$severidade/100) ~ banco$Eq.Gompertz), col=verde,
lwd="1")

plot((banco$severidade/100) ~ banco$Eq.Logistica, ylim=c(y_min, y_max),
xlim=c(x_min, x_max), type="l", xlab="Transformado", ylab="Severidade",
main="Transf.Sever. Log/Mon/Gomp", lwd="3", bty="l", col=vermelho)
par(new=TRUE)
lines((banco$severidade/100) ~ banco$Eq.Monomolecular, type="l", lwd="3",
bty="l", col=azul)
lines((banco$severidade/100) ~ banco$Eq.Gompertz, type="l", lwd="3",
56
3 CONCLUSÃO
O processo de desenvolvimento do website SiTemp foi finalizado de maneira

satisfatória, obedecendo ao escopo preliminar de desenvolvimento de um projeto web para
realização do cálculo temporal de doenças em plantas por meio da inserção dos dados
observados em campo/laboratório.
O histórico dos dados está armazenado no banco de dados do sistema, garantindo a
agilidade de busca por informações cadastradas anteriormente e evitando possíveis erros com
a entrada de todos os dados observados, para a realização de uma análise temporal.
Por meio do programa estatístico R que integrou o sistema SiTemp, através do
programa RStudio-Server, foi configurado para executar os cálculos do modelos matemáticos
Logístico, Monomolecular e Gompertz de forma online, aumentando o poder computacional
de todo o sistema.
Os dados cadastrais, observados e analisados são armazenados no banco de dados
MySQL do sistema, gerando históricos que podem ser consultados rapidamente além de evitar
o retrabalho de inserir os mesmos dados observados todas as vezes que for utilizar o sistema.
57
REFERÊNCIAS
BERGAMIN FILHO, Armando; AMORIM, Lilian; HAU, Bernhard. Análise temporal e

espacial de epidemias. In: ZAMBOLIM, Laércio; JESUS JR, Waldir Cintra de;
RODRIGUES, Fabrício de Ávila. O essencial da fitopatologia: Epidemiologia de doenças de
plantas. ISBN 978-85-60027-37-8, Viçosa-MG: UFV/DFP, 2014, 471p.
CAELUM, Ensino e Inovação. Apostila desenvolvimento web com html, css e javascript:
Introdução a HTML e CSS. Disponível em: <https://www.caelum.com.br/apostila-html-css-
javascript/introducao-a-html-e-css/>. Acesso em: 5 Set. 2017.
MYSQL, Community. MySQL Community Server is the world's most popular open
source database. MySQL community server v.5.5.46. Disponível em:
<https://dev.mysql.com/downloads/mysql>. Acesso em: 5 Set. 2017.
PHP, Hypertext Preprocesor. PHP Language v.5.6: Documentation. Disponível em:

<https://secure.php.net/manual/pt_BR/intro-whatis.php>. Acesso em: 5 Set. 2017.
RSTUDIO-SERVER, Inc. RStudio-Server v.1.0.153. Disponível em:

<https://www.rstudio.com/products/RStudio/#Server>. Acesso em: 8 Set. 2017.
RSTUDIO, Inc. RStudio Desktop v.1.0.44. Disponível em:

<https://www.rstudio.com/products/rstudio/>. Acesso em: 8 Set. 2017.
SOUZA, Hudson Sérgio de. Sistema de treinamento em acuidade visual - SiTAV. 2014.
148 f. Dissertação (Mestrado em Agronomia) - Universidade Estadual de Maringá (UEM),
Maringá-PR. 2014.
THE R MANUALS, Edited by the R development core team. Manual. Disponível em

<https://cran.r-project.org/manuals.html>. Acesso em: 6 Set. 2017.
THE R PROJECT. The R project for statistical computing. R version 3.4.2. Disponível em:
<https://www.r-project.org>. Acesso em: 5 Set. 2017.
WEBER, Alison Roger Hajo; POZO, Aurora Trinidad Ramirez; GUIMARÃES, Alaine
Margarete; JACCOUD FILHO, David de Souza. Modelo computacional para a precisão de
escleródios. In: JACCOUD FILHO, David de Souza; HENNEBERG, Luciane;
GRABICOSKI, Edilaine M. G. Mofo branco. ISBN: 978-85-62450-49-5. Ponta Grossa-PR:
Todapalavra, 2017, p.520.
58
CAPÍTULO 2
USABILIDADE E VALIDAÇÃO DO WEBSITE SITEMP PARA ANÁLISE

TEMPORAL DE DOENÇAS DE PLANTAS
RESUMO
O presente capítulo descreve a forma de utilização do website Sistema de Análise Temporal

de Doenças em Plantas (SiTemp), disponível na URL [http://sitav.pga.uem.br], com público-
alvo focado no engenheiro agrônomo devido a sua formação acadêmica e capacidade de
interpretação das análises temporais sobre os dados observados em campo/laboratório. O
SiTemp possibilita dois tipos de visualização dos resultados da análise temporal: resumido e
completo. O primeiro, retorna as principais informações da análise temporal de forma
condensada. O segundo, retorna o resultado da análise temporal sobre os dados observados de
forma expandida, sendo de responsabilidade do engenheiro agrônomo interpretar os textos,
variáveis, tabelas e gráficos que servirão de auxílio a sua tomada de decisão no manejo da
cultura. O SiTemp passou por um processo de utilização por parte dos acadêmicos do curso de
Agronomia da UEM para que fossem identificadas possíveis falhas e a indicação de sugestões
de melhoria ao sistema.
Palavras-chave: severidade/incidência, epidemiologia, aacpd.
60
ABSTRACT
This chapter describes how to use the website for the Temporary Analysis of Plant Diseases
System (SiTemp), available at URL [http://sitav.pga.uem.br], with an audience focused on the
agronomic engineer, due to their academic background and the ability to interpret temporal
analyzes of field / laboratory data. SiTemp provides two types of visualization of the results of
the temporal analysis: summary and complete. The first, returns the main information of the
temporal analysis in condensed form. The second one returns the result of the temporal
analysis on the observed data in an expanded form, being the responsibility of the agronomist
to interpret the texts, variables, tables and graphs that will help to his decision making in the
management of the culture. SiTemp underwent a process of utilization by the academic of the
course of Agronomy of the UEM to identify possible failures and the indication of
suggestions of improvement to the system.
Keywords: severity/incidence, epidemiology, aacpd.
61
1 INTRODUÇÃO
O website Sistema de Análise Temporal em Doenças de Plantas (SiTemp) exibe o

resultado da execução dos cálculos da análise temporal sobre os dados observados em dois
modos de visualização distintos: resumido e completo.
A forma de visualização resumida, denominada como análise temporal dos dados
observados - resumido, demonstra as informações de maior relevância sobre o cálculo
temporal sobre os dados observados, na forma de textos, tabelas e gráficos.
Logo, a forma de visualização completa, denominada como análise temporal dos
dados observados – completo, mostra de forma detalhada as etapas para a elaboração da
análise temporal, demonstrando os resultados em forma de textos, tabelas e gráficos.
O SiTemp foi submetido a um processo de utilização por parte dos acadêmicos do
curso de graduação em Agronomia da Universidade Estadual de Maringá (UEM) para que
fossem identificadas possíveis falhas no projeto e para que os utilizadores dessesm sugestões
que pudessem melhorar o sistema.
62
2 VISUALIZAÇÃO DOS RESULTADOS
2.1 Visualização da análise temporal da doença - resumido
A visualização resumida da análise temporal dos dados observados retorna os

principais dados de forma condensada, sendo estas as informações mais relevantes da análise
(Anexo 1).
É demonstrados o resumo dos dados observados contendo os dados do engenheiro
agrônomo responsável, data e hora da emissão do relatório, propriedade, cidade-uf,
proprietário, cultura, doença, quantificação e safra/período. Assim como a apresentação do
histórico dos dados observados que se encontram armazenados no banco de dados do SiTemp,
esta tabela de informações possui as colunas: avaliação, data, intervalo de avaliação, dias
acumulados, incidência/severidade.
Para melhor visualização da situação real encontrada em campo/laboratório, foram
plotados os dados observados de Tempo (dias) no eixo X e Severidade (%) no eixo Y, assim
como uma linha média entre os pontos.
Também são mostradas as informações numéricas em forma de tabela dos dados
transformados, contendo as colunas: avaliação, data, intervalo, tempo, severidade,
transformação logística, transformação monomolecular e transformação gompertz.
Foi apresentada a plotagem do gráfico de simulação da curva de progresso da
doença, contendo o valor observado e o valor estimado com base no modelo matemático que
melhor explica a curvatura da plotagem dos dados observados.
Para a escolha do melhor modelo, o SiTemp utiliza a técnica da Inteligência Artificial
(IA) em que o algoritmo executa os cálculos com os 3 (três) modelos matemáticos logístico,
monomolecular e gompertz e onde será automaticamente eleito o melhor modelo que explique
os dados observados.
Por fim, são descritos os dados do modelo que melhor explica os dados observado,
através das variáveis: modelo, dias avaliados, simulação de dias futuros, R2,
interseção/intercept (β0), parâmetro B1 (β1), avaliação e AACPD.
2.2 Visualização da análise temporal da doença - completo
A visualização da análise temporal dos dados de forma completa referente aos dados
63
observados, devidamente armazenados no banco de dados do website Sitemp, considerado
como uma ferramenta de análise temporal disponível ao engenheiro agrônomo responsável
pelo manejo da cultura da propriedade, que trará informações de cunho estatístico e
matemático à situação atual da cultura.
Cabe ressaltar que o SiTemp é uma ferramenta online de suporte técnico científico
para auxiliar o engenheiro agrônomo em sua tomada de decisão, sendo que é de sua
competência e responsabilidade analisar, interpretar e decidir qual a estratégia a ser seguida
sobre a melhor prática de manejo a ser executado para a cultura em análise.
Como o processo de análise temporal é extenso, possuindo muitas tabelas, gráficos e
variáveis, optou-se por alocar todas as imagens da análise temporal na íntegra no Anexo 2, no
qual será detalhado os processos e equações na sequência.
A análise temporal dos dados observados no modo de visualização completo, tem
início com um sumário, em forma de hiperlink, dos diferentes tipos de análises realizadas com
auxílio do programa estatístico R, que executa o algoritmo para o cálculo da análise temporal,
onde destaca-se:
1. Dados Observados;
2. Dados Transformados pelos Modelos Matemáticos;
3. Equações;
4. Transformação;
5. Resíduos;
6. Derivada;
7. Curva de Progresso da Doença;
8. Simulação da Curva de Progresso da Doença – Dias Futuros;
9. Regressão Linear Simples;
10. Resíduos pelos Preditos;
11. Curva de Crescimento de Severidade;
12. Curva de Progresso da Doença;
13. Curva de Progresso da Doença Linearizada;
14. Transformação dos Dados de Severidade.
Este tópico descreve o resumo dos dados observados mostrando as informações

sobre: código da observação, nome do engenheiro agrônomo, data/horário da emissão do
relatório, propriedade, cidade-uf, proprietário, cultura, doença, tipo de quantificação,
safra/período.
64
A “Tabela 1 - Dados Observados”, Anexo 2 (Figura 1), traz as informações dos dados
coletados em campo e armazenados no banco de dados do SiTemp, assim como dados
processados pelo R, tais como:
 Avaliação: número de ordem da inserção dos dados observados no SiTemp;
 Datas: data da coleta dos dados observados;
 Intervalo de Avaliação: diferença em dias entre a data da coleta de dados atual e a
última coleta;
 Dias acumulados: diferença em dias entre a data da coleta de dados atual e a
primeira coleta de dados, retornando o total de dias corridos da avaliação;
 Severidade: valor da média da severidade observado em campo.
O gráfico dos Dados Observados, Anexo 2 (Figura 1), demonstra a plotagem dos
dados observados, sendo Tempo (dias) no eixo x e Severidade (%) no eixo y, acrescentado da
linha média entre os pontos.
Como forma de padronização dos dados processados e apresentados em forma de
tabelas, as primeiras colunas da tabela será repetida a categoria dados observados (Avaliação,
Datas, Intervalo de Avaliação, Dias Acumulados e Severidade) e na sequência as demais
colunas com os tipos de processamentos sequenciais que complementam a análise temporal
dos dados observados, conforme demonstrado no sumário em forma de hiperlink.
A exibição dos Dados Transformados, Anexo 2 (Tabela 2), segue o padrão de
exibição da categoria dos dados observados seguido da transformação dos dados na forma de:
Transformação Logística, Transformação Monomolecular e Transformação Gompertz
Optou-se por uma padronização, na medida do possível, na apresentação da plotagem
dos gráficos, sendo adotada a visualização 4 em 1, sendo quatro gráficos em uma página,
fixando o modelo processado na mesma disposição para todos os gráficos, em que a
disposição do gráfico 1/4 refere-se ao modelo logístico, o gráfico 2/4 ao modelo
monomolecular, o gráfico 3/4 ao modelo gompertz e o gráfico 4/4 à junção dos 3 (três)
modelos (logístico, monomolecular e gomperts), o que facilita a visualização das diferenças
de curvaturas expressas de cada modelo, assim como o posicionamento do modelo dentro das
coordenadas dos eixos X e Y, uma vez que podem passar desapercebidas as diferenças
observadas em cada gráfico de forma individual.
As informações do resumo dos dados observados (padronizados) seguido dos dados
processados pelo R da Equação Logística, Equação Monomolecular e Equação de Gompertz,
65
podem ser visualizadas no Anexo 2 (Tabela 3).
Os gráficos de Equação, Anexo 2 (Figura 3), foram plotados pelo programa R,
dispostos em uma mesma página, distribuídos no formato quatro por um.
Os dados transformados, Anexo 2 (Tabela 4), destacam o resumo dos dados
observados junto aos dados transformados em Logito, Monito e Gompito.
O gráfico dos dados transformados, Anexo 2 (Figura 4), plotados pelo programa R,
está disposto no formato quatro por um, para uma melhor visualização dos mesmos.
Os dados de Resíduos mostrados no Anexo 2 (Tabela 5) trazem o resumo dos dados
observados com os dados processados de Resíduos Logístico, Resíduos Monomolecular e
Resíduos Gompertz.
O gráfico de Resíduos disposto no formato quatro em um pode ser visualizado no
Anexo 2 (Figura 5).
Os dados da Derivada exibidos no Anexo 2 (Tabela 6) mostram o resumo dos dados
observados junto aos dados calculados da derivada.
O gráfico de Derivada, Anexo 2 (Figura 6), utiliza um layout de página diferente,
sendo empregada a formatação dois em um, ou seja, dois gráficos em uma página.
A demonstração dos dados contidos na Curva de Progresso de Doença, Anexo 2
(Tabela 7), usa o resumo dos dados observados assim como os valores calculados para Logito,
Monito e Gompito, com a execução dos scripts.
A plotagem dos gráficos da Curva de Progresso de Doença, Anexo 2 (Figura 7), é
visualizada no formato quatro por um.
A demonstração de todos os valores do coeficiente de determinação R2 dos modelos
matemáticos logístico, monomolecular e gompertz pode ser visualizada por meio da tabela de
Definição do Modelo Matemático pelo Maior R2, Anexo 2 (Tabela 8).
A plotagem do gráfico dos Modelos Matemáticos, Anexo 2 (Figura 8), foram
juntados em um único gráfico os quatro elementos: valor observado, modelo logístico,
modelo monomolecular e modelo de gompertz.
A visualização dos dados da Simulação da Curva de Progresso de Doença, Anexo 2
(Figura 9), se utiliza dos dados plotados de Tempo (dias) no eixo X e Severidade (%) no eixo
Y, tanto dos dados observados como dos dados estimados conforme o modelo matemático que
melhor os explica.
Além do gráfico são exibidos os principais dados das variáveis referentes ao modelo
selecionado para explicar os dados observados, tais como:
 Modelo: nome do modelo apontado;
66
 Dias avaliados: total de dias corridos dos dados observados;
 Simulação de dias: total de dias posteriores à quantidade de dias observados;
 R2: valor do coeficiente de determinação R2;
 Interseção (intercept): valor da variável interseção;
 Avaliação: tipo de análise temporal escolhido (resumido/completo).
A visualização dos dados de Regressão, Anexo 2 (Tabela 9), foi formada pelo resumo
dos dados observados e pelos resultados dos dados da Regressão Logística, Regressão
Monomolecular e Regressão Gompertz.
O conteúdo demonstrado com a Análise de Regressão, Anexo 2 (Tabela 10), foi
formado pela junção dos parâmetros (Constante, Coeficiente, R2, QMRES) referentes a todos
os modelos matemáticos.
A plotagem dos gráficos de Regressão, Anexo 2 (Figura 10), demonstra os gráficos
de cada modelo analisado separadamente: regressão logística, regressão monomolecular e
regressão de gompertz, ao passo que no quarto gráfico houve a junção dos três modelos, o que
facilita a visualização da curvatura de cada modelo em particular, assim como a disposição
dos gráficos no eixo Y de Severidade (%) onde os valores iniciais e finais não coincidem
dentro do mesmo escopo, não sendo tão evidente as suas diferenças de forma individual.
A visualização dos dados de Resíduos pelo Preditos, Anexo 2 (Tabela 11), referente
aos dados observados, resíduos e transformados, se mostra sequencialmente de forma a
facilitar o entendimento dos mesmos.
Os gráficos plotados de Resíduos pelos Preditos demonstram os dados observados,
resíduos e transformados, conforme Anexo 2 (Figura 11).
O primeiro gráfico “Resíduos/Predito Logístico” realizou a plotagem dos dados
sendo: Transformados Logísticos no eixo X e Resíduos Logísticos no eixo Y, onde pode-se
observar os pontos entre os eixos e a linha média entre os pontos.
Seguindo a mesma padronização, foram plotados os gráficos “Resíduos/Preditos
Monomolecular” através dos dados Transformados Monomolecular e Resíduos
Monomolecular, assim com a plotagem do gráfico “Resíduos/Predito Gompertz” utilizando os
dados Transformados Gompertz e Resíduos Gompertz.
No quarto gráfico “Resíduos/Transformados Logístico/Monomolecular/Gompertz”
foram unidos os três modelos em um só, o que facilita a visualização e a curvatura de cada
modelo, podendo ser comparado com os demais, sendo que o escopo da abrangência da
67
curvatura dos gráficos de cada modelo é distinta tanto no escopo do eixo X, quanto no escopo
do eixo Y. A análise individual dos gráficos pode não enfatizar a dimensão da curvatura dos
gráficos.
A apresentação do gráfico da Curva de Crescimento de Severidade, Anexo 2 (Figura
12), retrata os valores de Tempo (dias) no eixo X e os valores da Derivada com uma Taxa de
1/1000 no eixo Y.
A plotagem dos gráficos da Curva de Progressão, Anexo 2 (Figura 13), ilustra os três
primeiros gráficos, com os modelos matemáticos logístico, monomolecular e gompertz,
comparados com os dados observados. O quarto gráfico representa a união dos três modelos
juntos com os dados observados.
A plotagem dos gráficos da Curva de Progresso Linearizada, Anexo 2 (Figura 14),
usa os dados transformados no eixo Y e os dados de Tempo (dias) no eixo X. Utiliza o
formato de apresentação de quatro em um, para uma melhor apresentação dos dados.
A visualização dos gráficos Transformados pela Severidade, Anexo 2 (Figura 15),
utilizou os dados da porcentagem da Severidade (%) no eixo Y pelos dados da Equação
Logística no eixo X.
Os gráficos foram plotados no formato quatro em um para melhor compreensão dos
mesmos.
2.3 Processo de utilização do SiTemp
A utilização do website SiTemp para conferência dos resultados gerados pela

execução dos algoritmos, foi analisada tendo como referência quatro fontes de cálculos: o
Manual de Fitopatologia de 2005 (Bergamin Filho et al., 2005), os cálculos realizados pela
planilha eletrônica (Excel) de 2006 (Microsoft, 2017), pelo software WinEpiModel de 2008
(Conrado, 2008) e pelo website SiTemp de 2017.
Às quatro fontes de cálculos foi aplicada a mesma base de dados observados,
contendo 12 avaliações de tempo (dias) e severidade (%), do patossistema Ustilago scitamiea
- cana, causador da doença Carvão da Cana, obtido do Manual de Fitopatologia (Bergamin
Filho et al., 2005), conforme (Tabela 1).
68
Tabela 1. Dados observados de epidemia do patossistema Ustilago scitamenea – cana,
causador da doença do carvão da cana.
Tempo (dias) Severidade (%)
22 3,90
28 20,00
34 43,70
49 66,20
63 82,40
78 91,30
91 94,40
105 96,00
119 97,10
133 98,00
147 98,50
163 99,00
Fonte: Bergamin Filho et al., 2005.
O resultado da análise temporal dos dados observados (Tabela 2), demonstra que as
quatro fontes de cálculos apontam o modelo matemático Monomolecular como sendo o
modelo que melhor explica os dados observados, levando em conta o resultado do coeficiente
de determinação R2 que mais se aproxime a 100%. Para a fonte de cálculados do Manual de
Fitopatologia o coeficiente de determinação R2 demonstra o valor 99,1% (Bargamin Filho et
al., 1995), a Planilha Eletrônica ano 2006 (Microsoft, 2017) demonstra um valor de 99,0%, o
programa WinEpiModel ano 2008 (Conrado, 2008) demonstra o valor de 99,0% e o website
SiTemp (2017) demonstra o valor de 98,8%.
Vale ressaltar que apesar do arredondamento das casas decimais demonstrar uma
aproximação entre os valores, por se tratar de meios de execução dos cálculos diferentes, é
aceitável a diferença de valores nas casas decimais. Este fato não interfere na classificação
geral das quatro formas de cálculos analisados, sendo que o modelo matemático
Monomolecular foi eleito em primeiro lugar, o modelo matemático de Gompertz foi eleito
com o segundo lugar e o modelo matemático Logístico foi eleito em terceiro lugar em todas
as quatro formas de análise.
De forma geral, o resultado da análise temporal dos dados inseridos no website
SiTemp pelos avaliadores durante o processo de avaliação da ferramenta, demonstra que o
modelo matemático que melhor explica o conjunto de dados observados, eleito pelas quatro
formas distintas de cálculos foi o modelo matemático Monomolecular, apresentando como
resultado do coeficiente de determinação R2 o valor de 99%.
69
Tabela 2. Análise de regressão linear para eleição do modelo matemático que melhor explica
o conjunto de dados observados, por meio do coeficiente de determinação R2.
Modelos Matemáticos
Formas de Cálculo
Logístico Monomolecular Gompertz
Manual de Fitopatologia (2005) 92,4 99,1 96,6
Planilha Eletrônica (2006) 92,2 99,0 96,5
WinEpiModel (2008) 92,2 99,0 96,4
SiTemp (2017) 91,9 98,8 98,4
Para demonstrar o resultado real de cada fonte de cálculo executado com os valores
dos dados coletados, as imagens das páginas de resultado foram digitalizadas.
A Figura 1 refere-se à digitalização da página de resumo da análise de regressão
linear do patossistema U. scitaminea – cana, contida no Manual de Fitopatologia (Bergamin
Filho, 2005).
Figura 1. Imagem digitalizada da página de resumo da análise de regressão linear do patossistema U.

scitaminea – cana, destacando o coeficiente de determinação R2.
Fonte: Bergamin Filho et al., 2005.
A Figura 2 ilustra a tela da Planilha Eletrônica ano 2006 (Microsoft, 2017)

demonstrando o resultado das três regressões lineares (Logístico, Monomolecular e
Gompertz) referente ao coeficiente de determinação R2.
70
Figura 2. Imagem digitalizada da tela da Planilha Eletrônica (2006) demonstrando o resultado das regressões
lineares, referente ao coeficiente de determinação R2.
Fonte: Microsoft, 2017.
Já a Figura 3 mostra a tela de análise de regressão dos modelos da ferramenta

WimEpiModel ano 2008 (Conrado, 2008), com destaque para a coluna dos valores do
coeficiente de determinação R2.
Figura 3. Imagem digitalizada da tela de análise de regressão dos modelos da

ferramenta WimEpiModel, destacando a coluna dos valores do coeficiente
de determinação R2.
Fonte: Conrado, 2008.
Na Figura 4 destaca-se a tela de definição do modelo matemático pelo maior R 2, do

website SiTemp ano 2017.
Fonte: Sistema de Análise Temporal em Doenças de Plantas - SiTemp, 2017.
71
A utilização do website SiTemp se deu através de 86 acadêmicos do 4º ano 2017-2
Fitopatologia turma 4500, do curso de graduação em Agronomia da Universidade Estadual de
Maringá (UEM). Os acadêmicos estão subdivididos em cinco turmas (Tabela 3).
Tabela 3. Turmas do curso de graduação em Agronomia da UEM do ano de 2017 que

atuaram como avaliadores do website SiTemp.
Turma Descrição Nº de Acadêmicos
T1 2017-2 Fitopatologia Turma 4500-1 20
Total...: 86
As instruções de como proceder durante o processo de avaliação do website SiTemp

foram transmitidas aos validadores de forma presencial e verbalmente em sala de aula. O
processo de utilização do website SiTemp ocorreu entre os dias 02/08/2017 e 08/08/2017,
com o fornecimento de um conjunto de dados reais e individuais a cada utilizador
(acadêmico), tendo sido feito o download do arquivo “dados-severidade-2017-
2_fitopatologia.pdf” diretamente no website SiTemp através do menu [sitemp/Bando de
Dados – Avaliação], contendo os valores da média das coletas de dados em campo referentes
à severidade da doença cancro cítrico, sobre o fruto de laranja, causado pela bactéria
Xanthomonas citri sub. citri, realizadas em quatro datas fictícias: “03/04/2017”,
“25/05/2017”, “18/06/2017” e “22/07/2017”, respectivamente (Anexo 3).
Os utilizadores, de posse de seus dados individuais de coletas de dados em campo
utilizaram todas as funções disponíveis na ferramenta do website SiTemp, como:
 acesso à ferramenta online;
 realizar e validar o cadastro de usuário;
 receber a permissão de uso do SiTemp, através da validação do CREA;
 realizar o cadastro de uma propriedade;
 realizar o cadastro de várias culturas;
 realizar o cadastro das informações técnicas da cultura;
 selecionar o resumo dos dados observados;
 conferir se os dados apresentados condizem com a realidade dos cadastros
72
efetuados;
 informar a quantidade de avaliações que deseja inserir na ferramenta;
 inserir os dados de coleta de campo fornecidos a cada avaliador, com os dados de
“Data” e “Severidade”;
 editar os valores inseridos anteriormente;
 observar e conferir os cálculos de “Intervalo de Avaliação” e “Dias Acumulados”;
 verificar o alerta, caso ocorra, em “Intervalo de Avaliação”, caso a data de coleta
de dados esteja errada. Caso esteja errada, editar e consertar a informação;
 realizar a “Análise Temporal dos Dados – Resumido” clicando no botão
correspondente;
 realizar a “Análise Temporal dos Dados – Completo” clicando no botão
correspondente;
 realizar a análise dos resultados processados e demonstrados em forma de: textos,
variáveis, tabelas e gráficos.
Durante o processo de utilização do website SiTemp, os utilizadores identificaram e

sugeriram alterações na ferramenta web do ponto de vista agronômico, visando à melhoria da
usabilidade e dos recursos disponíveis, tais como:
 nomes de campos com entendimento dúbio;
 campos de dados cadastrais faltando;
 algumas informações como “IDs”, ou seja, número de identificação cadastral,
foram ocultadas;
 foi acrescentado um menu horizontal que identifica exatamente a posição do
engenheiro agrônomo dentro do sistema e qual a linha do tempo que deve ser
seguida, valores de resposta do processamento dos dados observados foram
conferidos;
 criação de um tutorial de uso da ferramenta;
 mensagens de alertas do sistema com cores diferentes para melhor identificação;
 nomenclaturas mais condizentes com os padrões agronômicos;
 criação de um relatório de utilização do SiTemp por parte dos engenheiros
agrônomos.
73
A utilização do website SiTemp realizada pelos acadêmicos de graduação do 4º ano
do curso de Agronomia, condiz com a realidade de uso da ferramenta que tem como seu
público-alvo o engenheiro agrônomo, uma vez que os utilizadores já possuem conhecimento
específico sobre as rotinas de trabalho, análises e decisões a serem tomadas durante o
processo de manejo da cultura.
A cada passo da utilização do website SiTemp, os utilizadores foram tomando nota
das possíveis inconsistências no sistema, assim emitindo suas sugestões para melhoria da
ferramenta.
Todas as anotações dos avaliadores foram analisadas e discutidas entre o
doutorando/desenvolvedor e orientador, de como seria a melhor forma de serem
implementadas na prática.
74
3 CONCLUSÃO
O processamento dos dados observados pelo website Sistema de Análise Temporal

de Doenças em Plantas (SiTemp) disponibiliza os resultados das análises em duas versões:
análise temporal dos dados resumida e análise temporal dos dados completa. A versão
resumida mostra de uma forma direta os principais resultados, tabelas e gráficos da análise
temporal. A visão da versão completa da análise temporal demonstra de forma detalhada os
resultados das análises, tabelas e gráficos de forma que o Engenheiro Agrônomo possar
analisar e interpretar individualmente cada parte da análise.
A utilização do website SiTemp por acadêmicos (utilizadores) do 4º ano do curso de
Agronomia, expressa a visão agronômica desejável pelo sistema, o qual tem como público-
alvo Engenheiros Agrônomos. Os ajustes realizados no sistema provenientes da utilização e
sugestões dos utilizadores, foram devidamente discutidos e avaliados antes de serem
implementados em definitivo no sistema, visando sempre a melhoria da funcionalidade e
praticidade de uso do SiTemp pelos Engenheiros Agrônomos.
75
REFERÊNCIAS
BERGAMIN FILHO, Armando; KIMATI, Hiroshi; AMORIM, Lilian. Manual de

fitopatologia: Princípios e conceitos. 3.ed. São Paulo-SP: Agronômica Ceres, 2005.
MICROSOFT. Office 2003: Planilha eletrônica excel versão 11.0. Disponível em:
<https://products.office.com/pt-br/excel>. Acesso em: 27 Out. 2017.
CONRADO, Thiago Vincenzi. WinEpiModel Beta 0.2: Para Windows x86 e x64. Software
de uso livre e gratúido, de uso restrito como ferramenta didática. Maringá-PR, 2008.
76
CONCLUSÃO GERAL
A integração das ferramentas PHP, MySQL e R em um projeto web, aumentou o

poder computacional de processamento do website SiTemp ao realizar a análise temporal dos
dados observados, utilizando técnicas de inteligência artificial para executar os modelos
matemáticos logístico, monomolecular e gompertz sobre o conjunto de dados e ao término foi
eleito o modelo que apresenta a melhor solução para explicar o conjunto de dados observados,
finalizando com o modelo eleito a curva de progresso de doença em plantas.
A ferramenta possibilita o armazenamento dos dados cadastrais e dos dados
observados, gerando histórico de informações para análises posteriores e até mesmo como
fonte de busca de dados.
O website SiTemp foi desenvolvido visando atender o público-alvo específico dos
engenheiros agrônomos, pelo seu conhecimento técnico e científico sobre o tema de análise
temporal de doenças em plantas, sendo que a ferramenta gera informações técnicas sobre a
cultura, porém analisa e interpreta as informações geradas pelo processamento dos dados
observados coletados em campo pela ferramenta, assim como a decisão final sobre o manejo
da cultura é de responsabilidade do engenheiro agrônomo.
ANEXOS
ANEXO 1:
Análise Temporal dos Dados Observados - Resumido

Maringá-PR, Tuesday 28 de November de 2017 Good Afternoon Mauro | Exit |
Home Training SiTemp NBA-UEM Reports History Partner Video Lessons Downloads Location Contact Help
| 1-Introduction | 2-Tutorial | 3-Registration Agronomist | 4-Property Registration | 5-Registration Culture | 6-Registration Inf. Culture | 7-Observed Data | 8-Results |
ANÁLISE TEMPORAL DOS DADOS - RESUMIDO

Cód. Observação: 198
Eng. Agrônomo: MAURO PEDREIRA
Data / Horário: 28/11/2017 - 14:01:24
Propriedade: FAZENDA EXPERIMENTAL DE IGUATEMI - FEI/UEM
Cidade-UF: DISTRITO DE IGUATEMI-PR
Proprietário: JúLIO SANTIAGO PRATES FILHO
Cultura: CANA DE AçUCAR
Doença: CARVãO DA CANA
Quantificação: SEVERIDADE
Período: 2017
Tabela 1 - Dados observados
Intervalo de Dias
Avaliação Datas Severidade
Avaliação Acumulados
1 20/02/2017 1 1 3.90
2 26/02/2017 6 6 20.00
3 04/03/2017 6 12 43.70
4 19/03/2017 15 27 66.20
5 02/04/2017 14 41 82.40
6 17/04/2017 15 56 91.30
7 30/04/2017 13 69 94.40
8 14/05/2017 14 83 96.00
9 28/05/2017 14 97 97.10
10 11/06/2017 14 111 98.00
11 25/06/2017 14 125 98.50
12 17/07/2017 22 147 99.00
Número de Avaliações...: 12
Figura 1 - Dados Observados

Tabela 2 - Dados Transformados
AVALIACAO DATA INTERVALO TEMPO SEVERIDADE TRANSF.LOGISTICA TRANSF.MONOMOLECULAR TRANSF.GOMPERTZ

1 20/02/2017 1 1 3,9 -3,20441276284065 0,0397808700118447 -1,17686682400711
2 26/02/2017 6 6 20 -1,38629436111989 0,22314355131421 -0,475884995327111
3 04/03/2017 6 12 43,7 -0,2533464330441 0,574475650842447 0,188957022218873
4 19/03/2017 15 27 66,2 0,67221966045399 1,08470938349912 0,885543987347747
5 02/04/2017 14 41 82,4 1,54368653487132 1,73727128394399 1,64203988269372
6 17/04/2017 15 56 91,3 2,35082776194038 2,44184716032755 2,39668262609282
7 30/04/2017 13 69 94,4 2,82477447541035 2,88240358824699 2,85372740777601
8 14/05/2017 14 83 96 3,17805383034794 3,2188758248682 3,19853426144538
9 28/05/2017 14 97 97,1 3,51103063830485 3,54045944899566 3,5257811290106
10 11/06/2017 14 111 98 3,89182029811063 3,91202300542815 3,90193865793583
11 25/06/2017 14 125 98,5 4,18459144006988 4,19970507787993 4,19215777654211
12 17/07/2017 22 147 99 4,59511985013459 4,60517018598809 4,60014922677658
Figura 2 - Simulação da Curva de Prograsso de Doenças
RESULTADOS DO MODELO QUE MELHOR EXPLICA OS DADOS OBSERVADOS
Modelo: Modelo Matemático Monomolecular

Dias Avaliados: 147
Simulação de Dias: 196
R2: 0.986931993635632
Interseção: 0.202422817218601
Variável X1: 0.769493191137841
Avaliação: Análise Temporal dos Dados - Resumido
AACPD: 12223.3
. :: SYSTEM TRAINING IN VISUAL ACUITY - SiTAV ::.

STATE UNIVERSITY MARINGÁ - UEM
CENTER FOR APPLIED RESEARCH IN BIOTECHNOLOGY - NBA
Av Colombo, 5790 - Jd. University - 87020-900 - Maringá - Paraná - Brazil
www.uem.br - sec-dag@uem.br - (44) 3011-1322
by Hudson Souza - hudsonss@gmail.com CopyRight © 2012-2017 | SiTAV - version: 2.8 |

ANEXO 2:
Análise Temporal dos Dados Observados - Completo

Maringá-PR, Wednesday 22 de November de 2017 Good Afternoon Mauro | Exit |
Home Training SiTemp NBA-UEM Reports History Partner Video Lessons Downloads Location Contact Help
| 1-Introduction | 2-Tutorial | 3-Registration Agronomist | 4-Property Registration | 5-Registration Culture | 6-Registration Inf. Culture | 7-Observed Data | 8-Results |
ANÁLISE TEMPORAL DOS DADOS - COMPLETO
::: SUMÁRIO :::

1. Dados Observados
2. Dados Transformados pelos Modelos Matemáticos
3. Equações
4. Transformação
5. Resíduos
6. Derivada
7. Curva de Progresso da Doença
8. Simulação da Curva de Progresso da Doença - Dias Futuros
9. Regressão Linear Simples
10. Residuos pelos Preditos
11. Curva de Crescimento de Severidade
12. Curva de Progresso da Doença
13. Curva de Progresso da Doença Linearizada
14. Transformação dos Dados de Severidade
.:: 1. DADOS OBSERVADOS ::.
Cód. Observação: 198

Eng. Agrônomo: MAURO PEDREIRA
Data / Horário: 22/11/2017 - 14:28:15
Propriedade: FAZENDA EXPERIMENTAL DE IGUATEMI - FEI/UEM
Cidade-UF: DISTRITO DE IGUATEMI-PR
Proprietário: JúLIO SANTIAGO PRATES FILHO
Cultura: CANA DE AçUCAR
Doença: CARVãO DA CANA
Quantificação: SEVERIDADE
Período: 2017
Tabela 1 - Dados observados
Intervalo de Dias
Avaliação Datas Severidade
Avaliação Acumulados
1 20/02/2017 1 1 3.90
2 26/02/2017 6 6 20.00
3 04/03/2017 6 12 43.70
4 19/03/2017 15 27 66.20
5 02/04/2017 14 41 82.40
6 17/04/2017 15 56 91.30
7 30/04/2017 13 69 94.40
8 14/05/2017 14 83 96.00
9 28/05/2017 14 97 97.10
10 11/06/2017 14 111 98.00
11 25/06/2017 14 125 98.50
12 17/07/2017 22 147 99.00
Número de Avaliações...: 12
Figura 1 - Gráfico da Curva de Progresso da Doença dos Dados Observados
.:: 2. DADOS TRANSFORMADOS PELOS MODELOS MATEMÁTICOS ::.
Tabela 2 - Dados Transformados pelos Modelos Logístico, Monomolecular e Gompertz
TEMPO
AVALIACAO DATA INTERVALO SEVERIDADE TRANSF.LOGISTICA TRANSF.MONOMOLECULAR TRANSF.GOMPERTZ
-3,20441276284065
1 20/02/2017 1 1 3,9 0,0397808700118447 -1,17686682400711
-1,38629436111989
2 26/02/2017 6 6 20 0,22314355131421 -0,475884995327111
-0,2533464330441
3 04/03/2017 6 12 43,7 0,574475650842447 0,188957022218873
0,67221966045399
4 19/03/2017 15 27 66,2 1,08470938349912 0,885543987347747
1,54368653487132 1,64203988269372
5 02/04/2017 14 41 82,4 1,73727128394399
2,35082776194038 2,39668262609282
6 17/04/2017 15 56 91,3 2,44184716032755
2,82477447541035 2,85372740777601
7 30/04/2017 13 69 94,4 2,88240358824699
3,17805383034794 3,19853426144538
8 14/05/2017 14 83 96 3,2188758248682
3,51103063830485
9 28/05/2017 14 97 97,1 3,54045944899566 3,5257811290106
3,89182029811063 3,90193865793583
10 11/06/2017 14 111 98 3,91202300542815
4,18459144006988 4,19215777654211
11 25/06/2017 14 125 98,5 4,19970507787993
4,59511985013459 4,60014922677658
12 17/07/2017 22 147 99 4,60517018598809
Tabela 2.1 - Dados da Regressão 1
MODELOS INTERSECAO VARIAVEL_X1

Logistico -1.15534407438813 0.0461576771939314
Monomolecular 0.2757847862609 0.0324521904467295
Gompertz -0.311095979589637 0.038020531501395
Figura 2 - Gráfico dos Dados Transformados pelos Modelos Logístico, Monomolecular e Gompertz
.:: 3. EQUAÇÕES ::.
Tabela 3 - Dados Transformados pelas Equações Matemáticas Logístico, Monomolecular e

Gompertz
AVALIACAO DATA INTERVALO TEMPO SEVERIDADE EQ.LOGISTICA EQ.MONOMOLECULAR EQ.GOMPERTZ
1 20/02/2017 1 1 3,9 0,248022600385568 0,265258819169337 0,493954955606538
2 26/02/2017 6 6 20 0,293509860296219 0,375308860968483 0,558107625362611
3 04/03/2017 6 12 43,7 0,354011581235193 0,485835009385882 0,628609382901577
4 19/03/2017 15 27 66,2 0,522712660870651 0,683993952627185 0,76915586643449
5 02/04/2017 14 41 82,4 0,676365909939351 0,799376366147064 0,857157794508712
6 17/04/2017 15 56 91,3 0,806821192362417 0,876696619371703 0,916549287795558
7 30/04/2017 13 69 94,4 0,883863421626584 0,919135949808418 0,948231490065158
8 14/05/2017 14 83 96 0,935580037294285 0,948661616660893 0,969265450669338
9 28/05/2017 14 97 97,1 0,965174216861799 0,9674066584888 0,981834656646644
10 11/06/2017 14 111 98 0,981442658197539 0,979307375071616 0,989291881409769
11 25/06/2017 14 125 98,5 0,990188746889168 0,986862815944182 0,993697582145099
12 17/07/2017 22 147 99 0,996423666683864 0,993566630062123 0,99726461576209

.:: 4. TRANSFORMAÇÃO ::.
Tabela 4 - Segunda Transformação dos Dados Observados
AVALIACAO INTERVALO TEMPO SEVERIDADE

DATA LOGITO MONITO GOMPITO
20/02/2017
1 1 1 3,9 -1,1091863971942 0,308236976707629 0,349116511091032
26/02/2017
2 6 6 20 -0,878398011224539 0,470497928941277 0,539219168598007
04/03/2017 -0,60145194806095
3 6 12 43,7 0,665211071621654 0,767342357606376
19/03/2017
4 15 27 66,2 0,09091320984802 1,1519939283226 1,3376503301273
02/04/2017 0,737120690563059 1,60632459457681 1,86993777114683
5 14 41 82,4
17/04/2017 2,09310745127775 2,44024574366776

6 15 56 91,3 1,42948584847203
30/04/2017 2,51498592708524 2,93451265318589

7 13 69 94,4 2,02953565199314
14/05/2017 2,96931659333945 3,46680009420542

8 14 83 96 2,67574313270818
28/05/2017 3,42364725959366 3,99908753522495

9 14 97 97,1 3,32195061342322
11/06/2017 3,87797792584788 4,53137497624448

10 14 111 98 3,96815809413826
25/06/2017 4,33230859210209 5,06366241726401

11 14 125 98,5 4,61436557485328
17/07/2017 5,04625678193013 5,90011411029468

12 22 147 99 5,62983447311978
Figura 4 - Gráficos da Segunda Transformação dos Dados Observados
.:: 5. RESÍDUOS ::.
Tabela 5 - Resíduos da Aplicação dos Dados Matemáticos
TEMPO
AVALIACAO DATA INTERVALO SEVERIDADE RES.LOGISTICO RES.MONOMOLECULAR RES.GOMPERTZ
-2,09522636564645 -1,52598333509814
1 20/02/2017 1 1 3,9 -0,268456106695785
-1,01510416392512
2 26/02/2017 6 6 20 -0,507896349895352 -0,247354377627067
-0,0907354207792069
3 04/03/2017 6 12 43,7 0,34810551501685 -0,578385335387503
-0,0672845448234782
4 19/03/2017 15 27 66,2 0,58130645060597 -0,452106342779554
0,806565844308262
5 02/04/2017 14 41 82,4 0,130946689367176 -0,227897888453112
0,921341913468354
6 17/04/2017 15 56 91,3 0,3487397090498 -0,0435631175749318
0,795238823417216
7 30/04/2017 13 69 94,4 0,367417661161753 -0,0807852454098792
0,502310697639767
8 14/05/2017 14 83 96 0,24955923152875 -0,268265832760034
0,189080024881634
9 28/05/2017 14 97 97,1 0,116812189401998 -0,473306406214344
10 11/06/2017 14 111 98 -0,0763377960276315 0,0340450795802671 -0,629436318308648
11 25/06/2017 14 125 98,5 -0,429774134783405 -0,13260351422216 -0,871504640721897
-1,03471462298519
12 17/07/2017 22 147 99 -0,441086595942042 -1,2999648835181
Figura 5 - Gráficos dos Resíduos da Aplicação dos Dados Matemáticos
.:: 6. DERIVADA ::.
Tabela 6 - Derivada dos Dados Observados pelo Tempo
AVALIACAO DATA INTERVALO TEMPO SEVERIDADE DERIVADA

1 20/02/2017 1 1 3,9 0,0322
2 26/02/2017 6 6 20 0,0395
3 04/03/2017 6 12 43,7 0,015
4 19/03/2017 15 27 66,2 0,0115714285714286
5 02/04/2017 14 41 82,4 0,00593333333333333
6 17/04/2017 15 56 91,3 0,00238461538461539
7 30/04/2017 13 69 94,4 0,00114285714285714
8 14/05/2017 14 83 96 0,000785714285714282
9 28/05/2017 14 97 97,1 0,000642857142857147
10 11/06/2017 14 111 98 0,000357142857142857
11 25/06/2017 14 125 98,5 0,000227272727272727
12 17/07/2017 22 147 99 0,00673469387755102
Tabela 6.1 - Dados da Regressão 2
MODELOS INTERSECAO VARIAVEL_X1

Logistico 0.10285266055603 0.833226796852362
Monomolecular 0.202422817218601 0.769493191137841
Gompertz 0.438344944806224 0.543849663293981
Figura 6 - Gráfico da Derivada dos Dados Observados pelo Tempo

.:: 7. CURVA DE PROGRESSO DA DOENÇA::.
Tabela 7 - Curva de Progresso da Doença

DATA LOGITO MONITO GOMPITO
20/02/2017
1 1 1 3,9 -1,1091863971942 0,308236976707629 0,349116511091032
26/02/2017
2 6 6 20 -0,878398011224539 0,470497928941277 0,539219168598007
04/03/2017 -0,60145194806095
3 6 12 43,7 0,665211071621654 0,767342357606376
19/03/2017
4 15 27 66,2 0,09091320984802 1,1519939283226 1,3376503301273
02/04/2017 0,737120690563059 1,60632459457681 1,86993777114683
5 14 41 82,4
17/04/2017 2,09310745127775 2,44024574366776

6 15 56 91,3 1,42948584847203
30/04/2017 2,51498592708524 2,93451265318589

7 13 69 94,4 2,02953565199314
14/05/2017 2,96931659333945 3,46680009420542

8 14 83 96 2,67574313270818
28/05/2017 3,42364725959366 3,99908753522495

9 14 97 97,1 3,32195061342322
11/06/2017 3,87797792584788 4,53137497624448

10 14 111 98 3,96815809413826
25/06/2017 4,33230859210209 5,06366241726401

11 14 125 98,5 4,61436557485328
17/07/2017 5,04625678193013 5,90011411029468

12 22 147 99 5,62983447311978
Figura 7 - Gráfico da Curva de Progresso da Doença
Tabela 8 - Definição do Modelo Matemático pelo maior R2
MODELO R2
Logistico 0,918628734557939
Monomolecular 0,986931993635632
Gompertz 0,981138993454885
Figura 8 - Gráfico da Curva de Progresso da Doença pelos Modelos Matemáticos Logístico, Monomolecular
e Gomperz; e Dados Observados
.:: 8. SIMULAÇÃO DA CURVA DE PRORESSO DA DOENÇA - DIAS FUTUROS ::.
Figura 09 - Gráfico da Simulação da Curva de Prograsso de Doenças
RESULTADOS DO MODELO QUE MELHOR EXPLICA OS DADOS OBSERVADOS
Modelo: Modelo Matemático Monomolecular

Dias Avaliados: 147
Simulação de Dias: 196
R2: 0.986931993635632
β0 (Interseção): 0.202422817218601
β1 (Variável X1): 0.769493191137841
Avaliação: Análise Temporal dos Dados - Completo
AACPD: 12223.3
.:: 9. REGRESSÃO LINEAR SIMPLES::.
Tabela 9 - Regressão Linear Simples

DATA REG.LOGISTICA REG.MONOMOLECULAR REG.GOMPERTZ
1 20/02/2017 1 1 3,9 0,248022600385568 0,265258819169337 0,493954955606538
2 26/02/2017 6 6 20 0,293509860296219 0,375308860968483 0,558107625362611
3 04/03/2017 6 12 43,7 0,354011581235193 0,485835009385882 0,628609382901577
0,76915586643449
4 19/03/2017 15 27 66,2 0,522712660870651 0,683993952627185
5 02/04/2017 14 41 82,4 0,676365909939351 0,799376366147064 0,857157794508712
6 17/04/2017 15 56 91,3 0,806821192362417 0,876696619371703 0,916549287795558
7 30/04/2017 13 69 94,4 0,883863421626584 0,919135949808418 0,948231490065158
8 14/05/2017 14 83 96 0,935580037294285 0,948661616660893 0,969265450669338
9 28/05/2017 14 97 97,1 0,965174216861799 0,9674066584888 0,981834656646644
10 11/06/2017 14 111 98 0,981442658197539 0,979307375071616 0,989291881409769
11 25/06/2017 14 125 98,5 0,990188746889168 0,986862815944182 0,993697582145099
0,99726461576209
12 17/07/2017 22 147 99 0,996423666683864 0,993566630062123
Tabela 10 - Análise de Regressão Linear Simples
MODELO CONSTANTE COEFICIENTE R2 QMRES

Logistico 0.239514320204254 0.0461576771939314 0.918628734557939 0.732340495287474
Monomolecular 0.24102374469644 0.0324521904467295 0.986931993635632 0.0590833496624242
Gompertz 0.480636720210064 0.038020531501395 0.981138993454885 0.591663118317858
Figura 10 - Gráfico da Regressão Linear Simples
.:: 10. RESÍDUOS PELOS PREDITOS ::.
Tabela 11 - Dados Gerados pela Transformação dos Modelos Logísticos, Monomolecular e Gompertz; e os Resíduos de cada Modelo
AVALIACAO TEMPO SEVERIDADE RES.LOGISTICO TRANSF.LOGISTICA RES.MONOMOLECULAR TRANSF.MONOMOLECULAR RES.GOMPERTZ TRANSF.GOMPERTZ
-2,09522636564645 -1,52598333509814
1 1 3,9 -3,20441276284065 -0,268456106695785 0,0397808700118447 -1,17686682400711
-1,01510416392512
2 6 20 -0,507896349895352 -1,38629436111989 -0,247354377627067 0,22314355131421 -0,475884995327111
-0,2533464330441 -0,0907354207792069
3 12 43,7 0,34810551501685 0,574475650842447 -0,578385335387503 0,188957022218873
0,67221966045399 -0,0672845448234782
4 27 66,2 0,58130645060597 1,08470938349912 -0,452106342779554 0,885543987347747
0,806565844308262 1,54368653487132 1,64203988269372

5 41 82,4 0,130946689367176 1,73727128394399 -0,227897888453112
0,921341913468354 2,35082776194038 2,39668262609282

6 56 91,3 0,3487397090498 2,44184716032755 -0,0435631175749318
0,795238823417216 2,82477447541035 2,85372740777601

7 69 94,4 0,367417661161753 2,88240358824699 -0,0807852454098792
0,502310697639767 3,17805383034794 3,19853426144538

8 83 96 0,24955923152875 3,2188758248682 -0,268265832760034
0,189080024881634 3,51103063830485
9 97 97,1 0,116812189401998 3,54045944899566 -0,473306406214344 3,5257811290106
3,89182029811063 3,90193865793583
10 111 98 -0,0763377960276315 0,0340450795802671 3,91202300542815 -0,629436318308648
4,18459144006988 4,19215777654211
11 125 98,5 -0,429774134783405 -0,13260351422216 4,19970507787993 -0,871504640721897
-1,03471462298519 4,59511985013459 4,60014922677658

12 147 99 -0,441086595942042 4,60517018598809 -1,2999648835181
Figura 11 - Gráficos dos Dados Gerados pela Transformação dos Modelos Logísticos, Monomolecular e Gompertz; e os Resíduos de
cada Modelo
.:: 11. CURVA DE CRESCIMENTO DE SEVERIDADE ::.
Figura 12 - Gráfico da Curva de Crescimento da Severidade

.:: 12. CURVA DE PROGRESSO DA DOENÇA ::.
Figura 13 - Gráfico da Curva de Progresso da Doença pelos Modelos Logístico, Monomolecular e

Gompertz
.:: 13. CURVA DE PROGRESSO DA DOENÇA LINEARIZADA ::.
Figura 14 - Gráfico da Curva de Progresso da Doença Linearizada pelos Modelos Logístico, Monomolecular
e Gompertz
.:: 14. TRANSFORMAÇÃO DOS DADOS DE SEVERIDADE ::.
Figura 15 - Transformação dos Dados de Severidade da Doença pelos Modelos Logísticos, Monomolecular
e Gompertz
ANEXO 3:
Banco de dados observados fornecidos aos avaliadores do SiTemp

Planilha1
Banco de dados de severidade da doença de cancro cítrico, sobre o fruto de laranja

causado pela bactéria Xanthomonas citri sub. citri.
Disciplina: Fitopatologia
Ano: 2017
Turma: 4500/1, 4500/2, 4500/3, 4500/4, 4500/5
Responsável: Prof. Dr. William Mário de Carvalho Nunes
2017-2 – FITOPATOLOGIA Avaliação Avaliação Avaliação Avaliação

03/04/2017 25/05/2017 18/06/2017 22/07/2017
TURMA 4500/1 Severidade Severidade Severidade Severidade

ALUNO 01 2,702703 8,108108 12,500000 17,647059
ALUNO 02 2,712703 8,138108 12,610332 17,764706
ALUNO 03 2,777778 8,333333 12,628010 17,857143
ALUNO 04 2,941176 8,343333 12,765957 17,875714
ALUNO 05 2,951176 8,353333 12,903226 17,948718
ALUNO 06 2,971176 8,571429 12,923226 18,181818
ALUNO 07 3,030303 8,581429 12,983226 18,418182
ALUNO 08 3,125000 8,823529 13,043478 18,750000
ALUNO 09 3,129081 8,825529 13,157895 18,875000
ALUNO 10 3,225806 8,833529 13,333333 18,975000
ALUNO 11 3,333333 8,843529 13,363333 18,918919
ALUNO 12 3,448276 9,090909 13,373733 19,047619
ALUNO 13 3,571429 9,188891 13,513514 19,230769
ALUNO 14 3,571429 9,290909 13,541435 19,444444
ALUNO 15 3,846154 9,319091 13,561351 20,000000
ALUNO 16 4,545455 9,375000 13,513514 20,588235
ALUNO 17 4,878049 9,375000 13,793103 20,658824
ALUNO 18 5,128205 9,467500 13,879310 20,758824
ALUNO 19 5,129205 9,677419 13,979310 20,833333
ALUNO 20 5,405405 10,000000 13,995349 21,428571

ALUNO 21 5,415405 10,012345 14,285714 22,222222
ALUNO 22 5,425405 10,129766 14,385714 22,580645
ALUNO 23 5,555556 10,257890 14,528571 22,658065
ALUNO 24 5,555556 10,301222 14,634146 22,758065
ALUNO 25 5,714286 10,344828 14,705882 22,858065
ALUNO 26 5,882353 10,444828 14,814815 23,333333
ALUNO 27 6,060606 10,344828 15,000000 23,433333
ALUNO 28 6,080606 10,526316 15,151515 23,533333
ALUNO 29 6,122449 10,638298 15,215152 23,684211
ALUNO 30 6,250000 10,714286 15,315152 24,137931
ALUNO 31 6,258903 10,734286 15,384615 24,242424
ALUNO 32 6,345789 10,744286 15,438462 25,000000
ALUNO 33 6,422567 10,751429 15,538462 25,145678
ALUNO 34 6,435553 10,761429 15,555556 25,345689
ALUNO 35 6,446665 10,781429 15,625000 25,598788
ALUNO 36 6,451613 10,810811 15,625789 25,806452
ALUNO 37 6,666667 10,813811 16,129032 25,925926
ALUNO 38 6,678997 10,869565 16,666667 26,923077
ALUNO 39 6,766667 11,111111 16,766667 27,272727
Página 1
Planilha1
ALUNO 40 6,896552 11,234522 16,786667 27,527273
ALUNO 41 6,897766 11,340110 16,826667 29,411765
ALUNO 42 6,896552 11,380987 16,836667 30,769231
ALUNO 43 7,142857 11,428571 16,846667 31,034483
ALUNO 44 7,317073 11,528571 16,856667 32,142857
ALUNO 45 7,327073 11,538462 16,886667 33,333333
ALUNO 46 7,407407 11,568462 16,966667 33,733333
ALUNO 47 7,427407 11,764706 17,073171 34,615385
ALUNO 48 7,500000 12,000000 17,142857 35,714286

ALUNO 49 7,894737 12,121212 17,241379 37,037037
ALUNO 50 8,000000 12,232121 17,391304 37,500000
ALUNO 51 8,012000 12,541212 17,435678 38,123487
ALUNO 52 8,232333 12,543334 17,445690 38,235294
ALUNO 53 8,457899 12,547121 17,512789 38,245675
ALUNO 54 8,560457 12,548121 17,598033 38,248766
ALUNO 55 8,678900 12,644121 17,623340 38,249125
ALUNO 56 8,342556 12,645212 17,721898 38,310235
ALUNO 57 9,123450 12,654121 17,734568 38,321346
ALUNO 58 9,238978 12,667412 17,754321 38,325343
ALUNO 59 9,289765 12,698412 17,767899 38,327988
ALUNO 60 9,345223 12,714121 17,712457 38,331988
ALUNO 61 9,398766 12,724121 17,739877 38,332898
ALUNO 62 9,423445 12,734121 17,768766 38,346568
ALUNO 63 9,489677 12,744121 17,723466 38,412388

ALUNO 64 9,498766 12,754121 17,734568 38,435679
ALUNO 65 9,512348 12,764121 17,810988 38,454330
ALUNO 66 9,534988 12,774121 17,823110 38,739877
ALUNO 67 9,543909 12,784121 17,824568 38,768766
ALUNO 68 9,557893 12,794121 17,828982 38,723466
ALUNO 69 9,628904 12,814121 17,831988 38,734568
ALUNO 70 9,658988 12,824222 17,842568 38,810988
ALUNO 71 9,667654 12,834144 17,844988 38,823110
ALUNO 72 9,689444 12,844446 17,856798 38,824568
ALUNO 73 9,723333 12,854121 17,878980 38,828982
ALUNO 74 9,745679 12,864123 17,887910 38,831988
ALUNO 75 9,765890 12,874188 17,892346 38,842568

ALUNO 76 9,812568 12,881234 17,893457 38,844988
ALUNO 77 9,823419 12,894121 17,894567 38,856798
ALUNO 78 9,848766 12,898155 17,895763 38,878980
ALUNO 79 9,867453 12,898184 17,896432 38,887910
ALUNO 80 9,876534 12,899457 17,897235 38,739877
ALUNO 81 9,887091 12,899568 17,898021 38,768766
ALUNO 82 9,898887 12,899996 17,989802 38,868766
ALUNO 83 9,918980 12,900900 18,898021 38,968766
ALUNO 84 9,928989 12,901900 19,898021 39,176877
ALUNO 85 9,938871 12,904900 20,898021 39,276877
ALUNO 86 9,943887 12,906900 21,898021 40,176877
Página 2

Hudson-2018.pdf 1559323691

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Hudson-2018.pdf 1559323691

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE ESTADUAL DE MARINGÁ - UEM

CENTRO DE CIÊNCIAS AGRÁRIAS - CCA

HUDSON SÉRGIO DE SOUZA

SISTEMA DE ANÁLISE TEMPORAL DE DOENÇAS

SISTEMA DE ANÁLISE TEMPORAL DE DOENÇAS

Tese apresentada ao Programa de Pós-

S729s Sistema de análise temporal de doenças em plantas

77 f. : il., figs. , tabs.

Orientador: Prof. Dr. William Mário de Carvalho

Tese (doutorado) – Universidade Estadual de

1. Analise temporal – Doenças de Plantas. 2.

CDD 22. ED.632.0285

HUDSON SÉRGIO DE SOUZA

SISTEMA DE ANÁLISE TEMPORAL DE DOENÇAS

Tese apresentada ao Programa de Pós-Graduação em Agronomia do Departamento de

Prof. Dr. Dauri José Tessmann

Dr. Julien Gad Levy

Profa. Dra. Edilaine Mauricia Gelinski Grabicoski

Profa. Dra. Terezinha Aparecida Guedes

Prof. Dr. William Mário de Carvalho Nunes

Aprovado em: 19 de fevereiro de 2018 às 14:00h.

Agradeço a Deus, por ter me concedido o dom da vida e capacidade de compreensão

Agradecimento especial ao meu orientador Prof. Dr. William Mário de Carvalho

Aos companheiros de pesquisa Alexandre, Edilaine, Angélica, Danielle, Takashi,

Ao grupo de pesquisa NBA-UEM, pelo acolhimento e viabilidade no

Aos investidores Coordenação de Aperfeiçoamento de Pessoal de Nível Superior

E a todos aqueles que de forma direta ou indireta contribuíram para o

O presente trabalho teve como objetivo descrever as etapas do desenvolvimento do website

Palavras-chave: Web, manejo de doenças, epidemiologia.

Keywords: Web, disease management, epidemiology.

CAPÍTULO 1 – DESENVOLVIMENTO DO WEBSITE SISTEMA DE

CAPÍTULO 2 – USABILIDADE E VALIDAÇÃO DO WEBSITE SITEMP

CAPÍTULO 2 – USABILIDADE E VALIDAÇÃO DO WEBSITE SITEMP

INTRODUÇÃO GERAL ………………………………………………….………….. 01

REVISÃO BIBLIOGRÁFICA ………….……..……………………..……………….. 03

CAPÍTULO 1: DESENVOLVIMENTO DO WEBSITE SISTEMA DE ANÁLISE

CAPÍTULO 2: USABILIDADE E VALIDAÇÃO DO WEBSITE SITEMP

CONCLUSÃO GERAL …………….………………………………….…………….. . 77

Figura 1. Esquema do triângulo da doença para a

Na epidemiologia, por definição, hospedeiro primário se refere a espécie da cultura

Figura 2. Esquema de um patossistema virótico de

A epidemiologia é essencialmente uma ciência de estudos de campo. Estudos

Epidemia corresponde ao aumento da taxa de doença em uma população de plantas

A taxa média de crescimento corresponde à equação

Hipótese 2 (juros compostos): considerando a hipótese anterior, agora o valor dos

Na utilização do logaritmo, com o uso de uma escala logarítmica

r = (1/t) ln (C/C0) (9)

Vanderplank (1963) seguiu os mesmos critérios criados com a taxa de juros de

Esta equação é similar à equação de crescimento contínuo a juros compostos,

A integração da expressão matemática resulta em

Ao comparar a plotagem dos dados simulados entre os modelos de crescimento

Ambos os modelos matemáticos, exponencial e linear (primeiro grupo), possibilitam

ln(x/(1-x)) = ln(x0/(1-x0)) + rt (15)

Consequentemente o valor da taxa (r) Vanderplank (1963), a chama Taxa Aparente de

r = (1/t)*(ln(x/x)) + ln(x0/(1-x0)) (16)

A integração da expressão matemática resulta em

ln(1/(1-x)) = ln(1/(1-x0)) + qrt (18)

qr = (1/t) * ( ln(1/(1-x)) – ln(1/(1-x0)) ) (19)

A plotagem dos dados resultantes da integração descreve uma curva suave,

Figura 6. Gráfico comparativo entre os modelos de crescimento exponencial e logístico (A) se

A utilização de modelos matemáticos para explicar o comportamento das doenças

dx/dt = rLx(1-x) (20)

Esta equação, quando interpretada de forma biológica, compara a velocidade de