Machine learning for tomato late blight outbreak and progress forecast in the Espírito Santo region, Brazil

Abstract

Tomato late blight (TLB) caused by Phytophthora infestans (Mont.) de Bary is one of the most destructive diseases of tomato crops (Solanum lycopersicum). Due to its economic importance, several integrated management tools were developed to improve its control, including disease forecast models. Available models in the market rely mostly on weather-based risk alerts and empirical approaches, while recent technologies such as machine learning provide new capabilities for modeling and forecasting. Six field trials in two years were conducted to gather disease measurements. Each trial had a hyperlocal weather station installed to record meteorological data. A Support Vector Machine (SVM) model was used to forecast disease onset with an accuracy of 95%. Two machine learning models constructed to forecast TLB progress were tested and compared: Random Forest Regressor (RF) and an Extreme Gradient Boosting Regressor (XGBR). The XGBR returned a lower symmetric mean absolute percentage error when compared to the RF for the exponential stage of the epidemics and a similar error for the asymptote stage. The weather variables that affected TLB progress were related to water availability. ML models can predict the onset and development of TLB, despite clear limitations regarding a small disease dataset. Machine learning models can be used to forecast disease and become part of a disease support system aimed at improving TLB management. Keywords: Phytophthora infestans; Solanum lycopersicum; Disease Support Systems; Predictive Models; Artificial intelligence.

A requeima do tomateiro, causada por Phytophthora infestans (Mont.) de Bary, é uma das doenças com maior potencial destrutivo para a cultura do tomateiro (Solanum lycopersicum). Diversas ferramentas de manejo integrado são desenvolvidas para melhorar a eficiência de controle. Modelos preditivos disponíveis atualmente fornecem alertas fitossanitários baseados em dados meteorológicos ou modelos empíricos, que poderiam se beneficiar de ferramentas como o machine learning. Seis ensaios de campo foram conduzidos em dois anos para gerar dados da severidade da requeima ao longo do tempo e registrar variáveis meteorológicas. Um modelo Support Vector Machine (SVM) foi utilizado para predizer o risco da doença com 95% de acurácia. Dois modelos de machine learning foram testados e comparados para selecionar as variáveis micrometeorológicas que influenciam o progresso da doença: o Random Forest Regressor (RF) e o Extreme Gradient Boosting Regressor (XGBR). O XGBR foi comparativamente melhor que o RF para o primeiro estágio da doença e similar no segundo, quando medido pelo erro médio absoluto percentual. As variáveis micrometeorológicas que mais se correlacionaram com o desenvolvimento da doença foi a disponibilidade de água. Modelos de ML podem prever o início e desenvolvimento da doença e podem ser utilizados como parte de um sistema de suporte à decisão para o manejo eficiente da requeima do tomateiro. Palavras-chave: Phytophthora infestans; Solanum lycopersicum; Modelos Preditivos; Inteligência artificial.