|
|
Registro Completo |
Biblioteca(s): |
Embrapa Mandioca e Fruticultura. |
Data corrente: |
25/05/2006 |
Data da última atualização: |
25/05/2006 |
Autoria: |
COSTA, J. N. M.; TEIXEIRA, C. A. D.; FERREIRA FILHO, Z. H.; SOUZA, M. S. de. |
Afiliação: |
EMBRAPA - CPAFRO. |
Título: |
Broca-gigante em banana. |
Ano de publicação: |
2005 |
Fonte/Imprenta: |
Cultivar Hortaliças e Frutas, Pelotas, v. 6, n.32, p. 12-14, jun., 2005. |
ISSN: |
1518-3165 |
Idioma: |
Português |
Conteúdo: |
A broca-gigante, Castnia licus (Drury) (Lepdoptera: Castniidae), é considerada uma temível praga da cana-de-açúcar nas regiões Norte e Nordeste do Brasil. A ocorrência tem sido mais importante nos estados de Alagoas, Pernambuco, Paraíba, Rio Grande do Norte, Pará e Amapá. A broca também ocorre em vários países da América Central e do Sul. Além desta cultura, pode atacar fruteiras importantes, como banana e abacaxi. O inseto pode ser o causador de muitos prejuízos às bananeiras no vale do Amazonas. Os ovos recém-postos são de cor rosada, medem 4 mm de comprimento, são providos de cinco arestas longitudinais e colocados na base da touceira. A incubação varia de sete a 14 dias. A broca ou lagarta atinge 8 cm de comprimento, tamanho muito maior do que o da larva da broca-do-rizoma (Cosmopolites sordidus). Outra diferença entre estas pragas é que o adulto da broca-gigante é uma mariposa, emquanto que o da broca-do-rizoma é um besouro. A broca-gigante penetra no pseudocaule da planta em quase toda a sua extensão, contudo, é mais comum na altura de 1. a 1,5 m a partir do solo. |
Palavras-Chave: |
broca-gigante. |
Thesagro: |
Banana; Castnia Licus; Praga. |
Categoria do assunto: |
-- |
Marc: |
LEADER 01672naa a2200217 a 4500 001 1652405 005 2006-05-25 008 2005 bl uuuu u00u1 u #d 022 $a1518-3165 100 1 $aCOSTA, J. N. M. 245 $aBroca-gigante em banana. 260 $c2005 520 $aA broca-gigante, Castnia licus (Drury) (Lepdoptera: Castniidae), é considerada uma temível praga da cana-de-açúcar nas regiões Norte e Nordeste do Brasil. A ocorrência tem sido mais importante nos estados de Alagoas, Pernambuco, Paraíba, Rio Grande do Norte, Pará e Amapá. A broca também ocorre em vários países da América Central e do Sul. Além desta cultura, pode atacar fruteiras importantes, como banana e abacaxi. O inseto pode ser o causador de muitos prejuízos às bananeiras no vale do Amazonas. Os ovos recém-postos são de cor rosada, medem 4 mm de comprimento, são providos de cinco arestas longitudinais e colocados na base da touceira. A incubação varia de sete a 14 dias. A broca ou lagarta atinge 8 cm de comprimento, tamanho muito maior do que o da larva da broca-do-rizoma (Cosmopolites sordidus). Outra diferença entre estas pragas é que o adulto da broca-gigante é uma mariposa, emquanto que o da broca-do-rizoma é um besouro. A broca-gigante penetra no pseudocaule da planta em quase toda a sua extensão, contudo, é mais comum na altura de 1. a 1,5 m a partir do solo. 650 $aBanana 650 $aCastnia Licus 650 $aPraga 653 $abroca-gigante 700 1 $aTEIXEIRA, C. A. D. 700 1 $aFERREIRA FILHO, Z. H. 700 1 $aSOUZA, M. S. de 773 $tCultivar Hortaliças e Frutas, Pelotas$gv. 6, n.32, p. 12-14, jun., 2005.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Mandioca e Fruticultura (CNPMF) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registro Completo
Biblioteca(s): |
Embrapa Trigo. |
Data corrente: |
08/08/2023 |
Data da última atualização: |
08/08/2023 |
Tipo da produção científica: |
Artigo em Periódico Indexado |
Circulação/Nível: |
A - 1 |
Autoria: |
PALMA, G. R.; GODOY, W. A. C.; ENGEL, E.; LAU, D.; GALVAN, E.; MASON, O.; MARKHAM, C.; MORAL, R. A. |
Afiliação: |
GABRIEL R. PALMA, Maynooth University; WESLEY A. C. GODOY, Universidade de São Paulo; EDUARDO ENGEL, Universidade de São Paulo; DOUGLAS LAU, CNPT; EDGAR GALVAN, Maynooth University; OLIVER MASON, Maynooth University; CHARLES MARKHAM, Maynooth University; RAFAEL A. MORAL, Maynooth University. |
Título: |
Pattern-based prediction of population outbreaks. |
Ano de publicação: |
2023 |
Fonte/Imprenta: |
Ecological Informatics, v. 77, 102220, nov. 2023. |
DOI: |
https://doi.org/10.1016/j.ecoinf.2023.102220 |
Idioma: |
Inglês |
Conteúdo: |
Resumo: A complexidade e a importância prática dos surtos de insetos tornaram o problema de prever surtos um foco de pesquisa recente. Propomos o método de Previsão Baseada em Padrões (PBP) para prever surtos populacionais. Este método usa informações sobre valores de séries temporais anteriores que precedem um evento de surto como preditores de surtos futuros, o que pode ser útil ao monitorar espécies de pragas. Nós ilustramos o método usando conjuntos de dados simulados e uma série temporal de pulgões obtida em lavouras de trigo no sul do Brasil. Abstract: The complexity and practical importance of insect outbreaks have made the problem of predicting outbreaks a focus of recent research. We propose the Pattern-Based Prediction (PBP) method for predicting population outbreaks. It uses information on previous time series values that precede an outbreak event as predictors of future outbreaks, which can be helpful when monitoring pest species. We illustrate the methodology using simulated datasets and an aphid time series obtained in wheat crops in Southern Brazil. We obtained an average test accuracy of 84.6% in the simulation studies implemented with stochastic models and 95.0% for predicting outbreaks using a time series of aphids in wheat crops in Southern Brazil. Our results show the PBP method's feasibility in predicting population outbreaks. We benchmarked our results against established state-of-the-art machine learning methods: Support Vector Machines, Deep Neural Networks, Long Short Term Memory and Random Forests. The PBP method yielded a competitive performance associated with higher true-positive rates in most comparisons while providing interpretability rather than being a black-box method. It is an improvement over current state-of-the-art machine learning tools, especially by non-specialists, such as ecologists aiming to use a quantitative approach for pest monitoring. We provide the implemented PBP method in Python through the pypbp package. MenosResumo: A complexidade e a importância prática dos surtos de insetos tornaram o problema de prever surtos um foco de pesquisa recente. Propomos o método de Previsão Baseada em Padrões (PBP) para prever surtos populacionais. Este método usa informações sobre valores de séries temporais anteriores que precedem um evento de surto como preditores de surtos futuros, o que pode ser útil ao monitorar espécies de pragas. Nós ilustramos o método usando conjuntos de dados simulados e uma série temporal de pulgões obtida em lavouras de trigo no sul do Brasil. Abstract: The complexity and practical importance of insect outbreaks have made the problem of predicting outbreaks a focus of recent research. We propose the Pattern-Based Prediction (PBP) method for predicting population outbreaks. It uses information on previous time series values that precede an outbreak event as predictors of future outbreaks, which can be helpful when monitoring pest species. We illustrate the methodology using simulated datasets and an aphid time series obtained in wheat crops in Southern Brazil. We obtained an average test accuracy of 84.6% in the simulation studies implemented with stochastic models and 95.0% for predicting outbreaks using a time series of aphids in wheat crops in Southern Brazil. Our results show the PBP method's feasibility in predicting population outbreaks. We benchmarked our results against established state-of-the-art machine learning methods: Support Vector Machines, Deep Neural Ne... Mostrar Tudo |
Palavras-Chave: |
Alert zone procedure; Aprendizado de máquina; Deep learning; Machine learning; Monitoramento de pragas; Séries Temporais; Sistemas alerta; Sistemas de Suporte à Tomada de Decisão; Time series. |
Thesagro: |
Afídeo; Dinâmica Populacional; Epidemiologia; Lavoura; Praga de Planta; Trigo. |
Thesaurus NAL: |
Population dynamics; Time series analysis; Wheat. |
Categoria do assunto: |
-- |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1155768/1/Pattern-based-prediction-of-population-outbreaks.pdf
|
Marc: |
LEADER 03206naa a2200433 a 4500 001 2155768 005 2023-08-08 008 2023 bl uuuu u00u1 u #d 024 7 $ahttps://doi.org/10.1016/j.ecoinf.2023.102220$2DOI 100 1 $aPALMA, G. R. 245 $aPattern-based prediction of population outbreaks.$h[electronic resource] 260 $c2023 520 $aResumo: A complexidade e a importância prática dos surtos de insetos tornaram o problema de prever surtos um foco de pesquisa recente. Propomos o método de Previsão Baseada em Padrões (PBP) para prever surtos populacionais. Este método usa informações sobre valores de séries temporais anteriores que precedem um evento de surto como preditores de surtos futuros, o que pode ser útil ao monitorar espécies de pragas. Nós ilustramos o método usando conjuntos de dados simulados e uma série temporal de pulgões obtida em lavouras de trigo no sul do Brasil. Abstract: The complexity and practical importance of insect outbreaks have made the problem of predicting outbreaks a focus of recent research. We propose the Pattern-Based Prediction (PBP) method for predicting population outbreaks. It uses information on previous time series values that precede an outbreak event as predictors of future outbreaks, which can be helpful when monitoring pest species. We illustrate the methodology using simulated datasets and an aphid time series obtained in wheat crops in Southern Brazil. We obtained an average test accuracy of 84.6% in the simulation studies implemented with stochastic models and 95.0% for predicting outbreaks using a time series of aphids in wheat crops in Southern Brazil. Our results show the PBP method's feasibility in predicting population outbreaks. We benchmarked our results against established state-of-the-art machine learning methods: Support Vector Machines, Deep Neural Networks, Long Short Term Memory and Random Forests. The PBP method yielded a competitive performance associated with higher true-positive rates in most comparisons while providing interpretability rather than being a black-box method. It is an improvement over current state-of-the-art machine learning tools, especially by non-specialists, such as ecologists aiming to use a quantitative approach for pest monitoring. We provide the implemented PBP method in Python through the pypbp package. 650 $aPopulation dynamics 650 $aTime series analysis 650 $aWheat 650 $aAfídeo 650 $aDinâmica Populacional 650 $aEpidemiologia 650 $aLavoura 650 $aPraga de Planta 650 $aTrigo 653 $aAlert zone procedure 653 $aAprendizado de máquina 653 $aDeep learning 653 $aMachine learning 653 $aMonitoramento de pragas 653 $aSéries Temporais 653 $aSistemas alerta 653 $aSistemas de Suporte à Tomada de Decisão 653 $aTime series 700 1 $aGODOY, W. A. C. 700 1 $aENGEL, E. 700 1 $aLAU, D. 700 1 $aGALVAN, E. 700 1 $aMASON, O. 700 1 $aMARKHAM, C. 700 1 $aMORAL, R. A. 773 $tEcological Informatics$gv. 77, 102220, nov. 2023.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Trigo (CNPT) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|