Sistema de previsão de risco da brusone do trigo (Portuguese)

A brusone, causada pelo fungo Pyricularia oryzae linhagem Triticum, é a principal
doença da cultura do trigo de sequeiro em regiões tropicais do Brasil, especialmente
nos plantios que ocorrem entre fevereiro e meados de março. O dano é mais grave
quando a doença ocorre nas espigas, embora ocorra esporadicamente nas folhas.
Devido à forte dependência de condições ambientais que ocorrem durante uma fase
fenológica específica, modelos preditivos podem ser desenvolvidos e implementados
em estudos de avaliação de risco e em sistemas de alerta. Modelos existentes
baseiam-se em abordagens mecanísticas, ou seja, não utilizaram dados coletados em
campo para o seu desenvolvimento. Em nossos estudos, modelos baseados em
dados foram desenvolvidos com informações obtidas em 143 experimentos, sendo a
maioria conduzida em Patos de Minas, MG, entre 2013 e 2019, com plantios
sequenciais ao longo do ano, além de dados públicos de 42 ensaios cooperativos
(dados da parcela sem fungicida) realizados em seis localidades ao longo de nove
anos. Cada experimento foi classificado como epidêmico ou não epidêmico com base
em um limiar de 20% de incidência. Variáveis meteorológicas diárias (temperatura
mínima, máxima e média, umidade relativa e precipitação) foram obtidas da base
NASA POWER e resumidas em quatro janelas de sete dias antes e depois da data de
espigamento do trigo, resultando em 56 variáveis preditoras utilizadas na modelagem.
Modelos de regressão logística foram ajustados com seleção de variáveis por LASSO,
e o algoritmo bestglm foi utilizado para escolher combinações ideais com base no
critério BIC. Quatro modelos finais foram selecionados, contendo de um a quatro
preditores cada, com bom desempenho: AUC de 0,84 a 0,90 e acurácia entre 0,80 e
0,83. Um modelo com três variáveis preditoras tem sido utilizado em dois trabalhos em
andamento: 1) avaliação do efeito de datas de plantio em duas cultivares,
representando ciclos mais curto ou mais longo, utilizando-se dados históricos de 60
anos e dados de projeção climática para os próximos 60 anos; e 2) desenvolvimento
de um dashboard interativo, disponível na web, que usa dados históricos, atuais e de
previsão do tempo (7 dias) para alertar o risco de epidemias, além de mapas de risco
para áreas de produção de trigo no Cerrado produzidos a cada três dias. O sistema
está sendo implementado a partir da safra de 2025 e os resultados serão
apresentados.

Transcript

1. Sistema de previsão de risco da brusone do trigo Emerson M. Del Ponte Monalisa C. De Cól Igor F. Erhardt
2. GO MG MS PR SP SC RS Cfa (Subtropical) Cfb (Temperado) Aw(Tropical) Cwa(Humid subtropical) Trigo no Brasil e as Doenças da espiga Cerrado Cultivo em expansão 90% no Sul
3. Sintomas da brusone do trigo Fotos: DJ Tessmann
4. Brusone da folha e da espiga do trigo Sintomas e sinais
5. Distribuição global da linhagem Triticum América do Sul, Bangladesh e Zâmbia Fonte: Fatema-Tuz-Zohura et al. (2025)
6. Agente causal 6 Pyricularia oryzae Cavara, 1892 (teleomorfo: Magnaporthe oryzae) Dr. Milton Luiz Paz Lima Digitaria spp. Liu et al. (2024) Pennisetum spp. Brusone no arroz (Matzenbacher e Funck) Gladieux et al. (2018)
7. Pyricularia oryzae linhagens (patótipos) mais prevalentes em certos hospedeiros 7 Gladieux et al. (2018)
8. Fontes de inóculo Gama de hospedeiros (Ascari et al. 2023)
9. Fontes de inóculo hospedeiros alternativos com P. oryzae
10. 10% 98% 2% PoT non-PoT Fontes de inóculo de PoT
11. Abordagens de modelagem de doenças Empírica (dados) x mecanística (processos) Fernandes et al. (2017) Pequeno et al. (2024) Inóculo → infecção → dano Modelos de brusone do trigo Cardoso et al. (2008) Modelos de brusone do trigo (De Cól et al. 2024)
13. Rede de ensaios cooperativos (2012 to 2020) 40 epidemias EPAMIG Patos de Minas (2013 to 2019) 103 epidemias Conjunto de dados de campo
14. Incidência da brusone Duas classes: 0 (< 20%) ou 1 (>= 20%) como variável resposta
15. wb2 wb1 wa1 wa2 Data de espigamento 50% spiked 7 days 7 days 7 days 7 days 4 janelas temporais ao redor do espigamento (período crítico)
16. Daily minimum Temp Mean temperature TMEANMIN TMEAN ND.TMEAN.S22 RAINSUM RAIN.ND.G0 RHM RH90N TMEAN x RHM TMEANMAX Daily maximum Temp Relative humidity Daily precipitation Dados meteorológicos de reanálise em grade 9 variáveis de base meteorológica
17. b2 b1 a1 a2 Window Combination Weather variables 36 predictor variables 9 x 4 Variáveis preditoras
18. LASSO Regression Best subsets Logistic model Variable selection Model building Model performance Accuracy metrics Modelo base para dados binários Regressão logística
19. Training Test …n LOOCV Uberaba Madre de Deus Patos de Minas Planaltina Londrina Passo Fundo Model evaluation Model comparison Validation Frequency comparison Model evaluation Validação quantitativa e avaliação retrospectiva qualitativa
20. LASSO Variáveis selecionadas
21. Best glm Best fit Adjust the training error Melhores modelos com base no número de variáveis
22. Logistic regression Ŷ= -12.985 + (0.141 * RHM_wb2) - (0.226 * ND.TMEAN.S22_wb2) + (0.069 * RAINSUM_wa1) + (0.002 * INT4_wb1) Ŷ= -15.908 + (0.137 * RHM_wa1) + (0.004 * INT4_wb2) Ŷ= -10.846 + (0.164 * RHM_wb2) - (0.326 * ND.TMEAN.S22_wb2) + (0.069* RAINSUM_wa1) Ŷ= -13.633 + (0.052 * RHM_wa1) + (0.114 * RHM_wb2) - (0.264 * ND.TMEAN.S22_wb2) + (0.053 * RAINSUM_wa1) + (0.002 * INT4_wb1) M1 M2 M3 M4 Equações dos modelos
23. wb2 wb1 wa1 wa2 Heading Date 50% spiked 21 days RHM RHM ND.TMEAN.S22 RAINSUM Tmean x RHM Tmean x RHM Variáveis do modelo
24. Model Accuracy Sensitivity Specificity AUC LOOCV M1 0.83 0.80 0.86 0.89 0.81 M2 0.80 0.91 0.72 0.90 0.76 M3 0.83 0.86 0.80 0.90 0.77 M4 0.85 0.91 0.79 0.91 0.80 Performance dos modelos
25. Validação retrospectiva
26. Medium High Low Dr.Vanoli Fronza 2012, 2015, 2017 e 2019 José Maurício Fernandes EMBRAPA TRIGO
27. Dalvin Tochiaki Sato
29. Inverno menos frio → Produção de inóculo → Brusone
30. https://fitopatologiaufv.shinyapps.io/brusone/ Sistema de previsão da brusone
31. Previsão de risco para 7 dias Sistema de previsão da brusone
32. Mapas de risco da brusone no cerrado Municípios aptos para trigo e Altitude > 700 m - safra 2025
33. Mapas de risco da brusone Norte do PR - safra 2025
34. Mapas de risco da brusone Norte do PR - safra 2025
35. Impacto de mudanças climáticas Cenário baseline (1962 - 2023) Mestrado Igor Erhardt
36. Impacto de mudanças climáticas Cenário futuro (ClimBRA)
37. Conclusões e trabalhos futuros - Modelo validado e implementado em sistema de alerta - Desenvolver um modelo de inóculo para o sul do Brasil - Adaptar o modelo para cultivares mais resistentes - Testar o modelo para o manejo com fungicidas
38. Laboratório de Epidemiologia