Escolar Documentos
Profissional Documentos
Cultura Documentos
Maringá-PR
2018
HUDSON SÉRGIO DE SOUZA
Maringá-PR
2018
Dados Internacionais de Catalogação-na-Publicação (CIP)
(Biblioteca Central - UEM, Maringá – PR., Brasil)
Souza, Hudson Sérgio de
COMISSÃO JULGADORA
ii
AGRADECIMENTOS
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.
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.
iii
SISTEMA DE ANÁLISE TEMPORAL DE DOENÇAS
EM PLANTAS - SiTemp
RESUMO
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.
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
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
vii
LISTA DE TABELAS
viii
SUMÁRIO
RESUMO ………………………………………………………...…………………… . iv
ABSTRACT …………………………………………………………………….……... v
LISTA DE FIGURAS …………………………………………………...…………….. vi
LISTA DE TABELAS ……………………………………………..…………………. . viii
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
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
(Bergamin et al., 2014).
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
(Bergamin et al., 2014).
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).
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
(Bergamin et al., 2014).
8
Figura 3. Balanço do processo antagônico infecção e remoção,
resultante em epidemia ou endemia.
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)
dC / dt = r (4)
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)
ln C = rt + ln C0 (8)
correspondente a
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.
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
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:
dx / dt: velocidade de aumento da doença
q: quantidade de inóculo existente
r: taxa aparente de infecção
qr: quantidade que representa o um produto
x = x0 + qrt (13)
onde:
x0: quantidade de doença no tempo t0
q: quantidade de inóculo existente
r: taxa aparente de infecção
t: tempo
qrt: produto que representa o contato efetivo no tempo
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.
dx / dt = rx(1 – x) (14)
onde:
dx / dt: velocidade de aumento da doença
r: taxa aparente de infecção
x: quantidade de doença
(1 – x): quantidade de tecido sadio
16
A integração da expressão matemática resulta em
onde:
x: quantidade de doença
r: taxa aparente de infecção
t: tempo
(1 – x): quantidade de tecido sadio
onde:
r: taxa aparente de infecção
x: quantidade de doença
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:
dx / dt: velocidade de aumento da doença
17
q: quantidade de inóculo existente
r: taxa aparente de infecção
qr: produto que representa o contato efetivo
(1-x): quantidade de tecido sadio
onde:
q: quantidade de inóculo existente
r: taxa aparente de infecção
t: tempo
(1-x): quantidade de tecido sadio
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
onde:
qr: quantidade de inóculo e taxa de infecção
t: tempo
(1-x): quantidade de tecido sadio
18
crescimento linear e monomolecular (x0=0,001 e qr=0,02).
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
dx / dt = rM(1-x) (22)
onde,
dx / dt: velocidade de aumento da doença
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
20
sendo similar a
dx / dt = rGx(-ln(x)) (25)
onde:
rG: taxa específica do modelo
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:
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:
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.
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
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.
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.
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.
24
KRANZ, J. Epidemics of plant diseases: Mathematical analysis and modeling. Berlin:
Spring-Verlag, v.13, 1974, 170p.
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.
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.
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.
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.
ZADOKS, J.C.; SCHEIN, R.D. Epidemiology and plant disease management. New York:
Oxford University Press, 1979, 427p.
26
CAPÍTULO 1
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.
29
1 INTRODUÇÃO
30
2 DESENVOLVIMENTO DO SITEMP
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()”
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).
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).
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
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.
35
Figura 2. Visualização dos dados cadastrais de consulta do engenheiro agrônomo.
36
2.4 Cadastro da cultura
37
Figura 5. Formulário de cadastro de informações técnicas da cultura.
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).
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.
/ 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).
42
Figura 10. Formulário de inserção de dados observados no banco
de dados 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
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)
}
transMonomolecular = function(m){
b2 <- m / 100
tm <- log(1/(1-b2))
return(tm)
}
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")
Por fim o cálculo da equação logística propriamente dita com a equação “ eql <- 1/(1+
((1/logito)-1)*exp(-variavelX1_logistico*varx1))”.
Para assim chegar ao cálculo final da equação monomolecular através da função “ eqm <- 1-
(1-(logito)) * exp(-variavelX1_monomolecular*varx1)”.
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))
# GRAFICO 1.4 - Logistivo
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")
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))”.
par(mfrow=c(2,2))
# GRAFICO 1.4 - Logistivo
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
# GRAFICO 2.4 - Monomolecular
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")
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$Logito)”.
(banco$Transf.Gompertz – banco$Gompito)”.
par(mfrow=c(2,2))
# GRAFICO 1.4 - Logistivo
plot(banco$tempo, banco$Res.Logistico, xlab="Tempo", ylab="Severidade",
main="Residuo Logistico", lwd="2", bty="l", col=vermelho)
lines(lowess(banco$tempo, banco$Res.Logistico), col=verde, lwd="1")
Os cálculos dos dados da Derivada, Anexo 2 (Tabela 6), demostram o resumo dos
48
dados observados junto aos dados calculados da derivada, que são processados pelo programa
R pelo script “der <- c(( (banco$severidade[i+1] - banco$severidade[i]) /
par(mfrow=c(1,2))
# GRAFICO 1.2 - Observados
plot(banco$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$Derivada), col=vermelho, lwd="1")
49
O cálculo da equação da curva de progresso logística é executada pela equação “ cpl
<- logito+(varx1*severidade1)”.
par(mfrow=c(2,2))
# GRAFICO 1.4 - Logistivo
plot(banco$tempo, banco$C.P.Logistica, xlab="Tempo", ylab="Severidade",
main="Logito", lwd="2", bty="l", col=vermelho)
lines(lowess(banco$tempo, banco$C.P.Logistica), col=verde, lwd="1")
r2_gompertz2)”.
50
A execução do código de plotagem do gráfico Modelos Matemáticos, Anexo 2
(Figura 8), foi gerada pelo programa R através do script:
par(mfrow=c(1,1))
plot(banco$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$C.P.Gompertz, type="l", col=amarelo, lwd="3")
par(mfrow=c(1,1))
plot(simulacao[,3], simulacao[,4], type="n", xlab="Tempo",
ylab="Severidade", main="Simulacacao Curva Progresso Doenca", lwd="3",
bty="l")
lines(simulacao[,1], simulacao[,2], type="l", col="green", lwd="3")
par(new=TRUE)
lines(simulacao[,3], simulacao[,4], type="l", lty=3, col=azul, lwd="3")
abline(h=mean(1.0), col="red")
A execução dos dados numéricos descritos pela Regressão, Anexo 2 (Tabela 9), é
composta pelo resumo dos dados observados e pelos resultados dos processamentos para
gerar os dados da Regressão Logística, Regressão Monomolecular e Regressão Gompertz.
O processamento para o cálculo da regressão logística conforme o código
“reg_logistical <- 1/(1+((1/logito)-1)*exp(-variavelX1_logistico*varx1))”.
O script que realiza o processamento para a regressão gompertz pode ser descrito
como “reg_gompertz <- exp(-(-log(logito) * exp(-variavelX1_gompertz*varx1)))”.
A junção dos dados para criação da tabela regressão utiliza o código fonte:
51
"REG.MONOMOLECULAR"=banco$Eq.Monomolecular,
"REG.GOMPERTZ"=banco$Eq.Gompertz
)
# QMRES - MONOMOLECULAR
banco_residuos2$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$media_gom2[1]
# MONTAR A TABELA
tab_analise_regressao <- cbind(Modelo, Constante, Coeficiente, R2, QMRES)
print("TABELA DE ANÁLISE DE REGRESSÃO")
tab_analise_regressao
banco_residuos_preditos <-
data.frame(
"AVALIACAO"=banco_residuos_preditos$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))
# GRAFICO 1.4 - Logistivo
plot(banco$Res.Logistico ~ banco$Transf.Logistica, ylab="Res.Logistico",
xlab="Transf.Logistica", main="Residuos/Predito Logisticos", lwd="2",
bty="l", col=vermelho)
lines(lowess(banco$Res.Logistico ~ banco$Transf.Logistica), col=verde,
lwd="1")
abline(h=mean(1.0), col="red")
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)
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)”.
par(mfrow=c(2,2))
# GRAFICO 1.4 - Logistivo
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")
abline(h=mean(1.0), col="red")
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))”.
par(mfrow=c(2,2))
# GRAFICO 1.4 - Logistivo
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")
55
do script “lowess((banco$severidade/100) ~ banco$Eq.Logistica)”.
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))
56
3 CONCLUSÃO
57
REFERÊNCIAS
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.
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 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
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.
61
1 INTRODUÇÃO
62
2 VISUALIZAÇÃO DOS RESULTADOS
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.
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.
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).
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.
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).
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.
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
75
REFERÊNCIAS
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
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 |
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
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 |
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 ::.
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
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
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
-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 ::.
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
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 ::.
0,76915586643449
4 19/03/2017 15 27 66,2 0,522712660870651 0,683993952627185
0,99726461576209
12 17/07/2017 22 147 99 0,996423666683864 0,993566630062123
Tabela 11 - Dados Gerados pela Transformação dos Modelos Logísticos, Monomolecular e Gompertz; e os Resíduos de cada Modelo
-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
0,189080024881634 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
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:
Disciplina: Fitopatologia
Ano: 2017
Turma: 4500/1, 4500/2, 4500/3, 4500/4, 4500/5
Responsável: Prof. Dr. William Mário de Carvalho Nunes
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
Página 2