Para disponibilizar e divulgar de forma eficiente o conhecimento acumulado em diagnose e manejo de doenças bióticas e abióticas do cafeeiro, incluindo os fitonematóides, foi desenvolvido um sistema especialista (SE). Também foram avaliadas as redes neuronais (RN) como método potencial para descrever a epidemia de ferrugem do cafeeiro. Para construção da base de conhecimento do SE, denominado "Doctor Coffee", foram consultados três especialistas em fitopatologia, um em entomologia e outro em nutrição mineral. O sistema foi organizado de modo hierárquico, por meio de uma árvore de conhecimento. O SE contém 229 regras (IF ...THEN), 182 fotos e abrange 13 doenças, 8 deficiências nutricionais, 9 pragas, as 4 principais espécies de nematóides e 12 desordens fisiológicas e danos diversos. O SE conta com glossário de termos técnicos, histórico, filmes sobre preparo de calda bordalesa e sobre teste de exsudação em gotas e ajuda on-line. A interface foi desenvolvida em Delphi ® e, para aumentar o nível de certeza do usuário, são apresentadas fotografias e a descrição dos atributos simultaneamente. Ao chegar ao diagnóstico o sistema exibe o nível de confiança depositado na resposta e disponibiliza fotografias e informações sobre manejo aplicáveis a causa relacionada. A avaliação foi dividida em três fases: verificação, validação e análise de sensibilidade. Na verificação avaliou-se a lógica interna do programa, sendo consultados dez especialistas de diferentes áreas da cafeicultura. Para validação, dez diferentes distúrbios do cafeeiro foram diagnosticados por trinta usuários, de três diferentes níveis de conhecimento. O índice de acerto dos usuários foi de 35,7% e do SE, de 96,7%. A análise de sensibilidade foi dirigida ao ensino, utilizando-se dois grupos de cinco estudantes cada, um dos quais realizou diagnose sem ter acesso ao SE e outro após utilizá-lo duas vezes. O nível de acerto do segundo grupo foi o dobro do primeiro. No estudo realizado para avaliar o potencial das redes neuronais como método alternativo aos sistemas fundamentais para descrever a epidemia de ferrugem foram utilizados dados de incidência da ferrugem do cafeeiro coletados em Lavras, no período de 13/02/98 a 20/04/2001 e variáveis climáticas. Na construção das redes as variáveis climáticas foram selecionadas pela análise de regressão "stepwise" ou pelo sistema Braincel Tm, o qual foi utilizado no desenvolvimento das redes. Séries temporais também foram empregadas na elaboração de redes. Foram testadas 59 redes e 26 modelos de regressão. A escolha dos melhores modelos foi baseada nos menores valores do quadrado médio do desvio (QMD) e erro médio de previsão. Para os modelos ajustados pela regressão, também foi considerado o maior valor do coeficiente de determinação (R2). O melhor modelo de rede neuronal apresentou QMD= 3,43 e EMP = 1,17% e incluiu as variáveis: temperatura mínima, umidade relativa do ar, insolação e produção, defasadas 30 dias. O melhor modelo ajustado pela análise de regressão foi desenvolvido com 29 variáveis climáticas selecionadas na elaboração de rede e apresentou EMP = 6,58%, QMD=4,36 e R2=0,80. As redes neuronais elaboradas a partir de séries temporais também foram adequadas para descrever a epidemia. As observações da incidência das quatro quinzenas anteriores resultaram em um modelo com EMP = 4,72% e QMD = 3,95.
An expert system (ES) was developed to deliver and to divulge an efficient form of the accumulated knowledge on the diagnoses and management of biotic diseases and pests and abiotic problems of coffee. Also, neural networks (RN) were evaluated as a potential method to describe epidemics of rust on coffee. To construct the base of knowledge of ES, called "Doctor Coffee", three phytopathologists, one entomologist, and one mineral nutritionist were consulted. The system was organized in a hierarchial mode by means of a knowledge tree. The ES contained 229 rules (IF ...THEN), 182 photographs of 13 diseases, eight mineral deficiencies, nine pests, the four main species of nematodes, and 12 physiological problems and diverse damages. The ES has a glossary of technical terms, descriptions of diseases, a film on how to make Bordeau mixture, a film of bacterial streaming, and on-line help. The interface was developed in Delphi. To increase the level of certainty by the user, photographs and descriptions of attributes were presented simultaneously. When the user arrives at a diagnosis, the system shows the reliability level in the reply along with applicable photographs, pertinent information, and management of the related cause. The evaluation of the system was divided into three phases: verification, validation, and sensitivity analysis. For verification, ten specialists in different areas of study in the culture of coffee were consulted. The average correctness was 70% without the use of the system and 91% with the use of the system. For validation, ten different problems and diseases of coffee were diagnosed by 30 users with three different levels of knowledge. The index of correctness by the users was 35.7% without the expert system (ES) and 96.7% with ES. The sensitivity analysis was directed toward education with two groups, each with five students. The average correctness without ES was 40% and 80% for those students with the use of ES. Thus, the expert system was effective as a diagnostic tool and valuable in the learning of symtomatology and diagnosis by the students. As an alternate method to describe epidemics of rust on coffee, neural networks were examined. The incidence of rust in coffee trees and the associated climatic variables in Lavras during the period of 13 February 1998 to 20 April 2001 were used to built the neural network. The selected variables were obtained by stepwise regression or else by the Braincel Tm system. The latter is frequently used in the development of neural networks. Time series were also used to develop the networks. Fifty-nine networks and 26 regression models were examined. The choice of the best models was based on the least values of the mean square deviation (MSD) and the mean prediction error (MPE). The greatest coefficient of determination (R2) was strongly considered. The best model for neural networks had an MSD = 3.43 and MPE = 1.17%. For this model, the following variables were used minimum temperature, relative humidity, insolation, and production in the 30 days before the assessment of coffee rust. The best regression model was obtained with 29 selected climatic variables from the development of the neural network. For this regression model, the MPE = 6.58%, MSD = 4.36, and R2 = 0.80. Neural network based on a time series were also examined to describe the epidemics. The information on the incidence of rust during the four previous fortnights resulted in a model with MPE = 4.72% and MSD = 3.95.
