Modelos de alerta para o controle da ferrugem-do-cafeeiro em lavouras com alta carga pendente Warning models for coffee rust control in growing areas with large fruit load

O objetivo deste trabalho foi desenvolver árvores de decisão como modelos de alerta da ferrugem-do-cafeeiro em lavouras de café (Coffea arabica L.) com alta carga pendente de frutos. Dados de incidência mensal da doença no campo coletados durante oito anos foram transformados em valores binários considerando limites de 5 e 10 pontos percentuais na taxa de infecção. Foi gerado um modelo para cada taxa de infecção binária a partir de dados meteorológicos e do espaçamento entre plantas. O alerta é indicado quando a taxa de infecção, prevista para o prazo de um mês, atingir ou ultrapassar o respectivo limite. A acurácia do modelo para o limite de 5 pontos percentuais foi de 81%, por validação cruzada, chegando até 89% segundo estimativa otimista. Esse modelo apresentou bons resultados para outras medidas de avaliação importantes, como sensitividade (80%), especificidade (83%) e confiabilidades positiva (79%) e negativa (84%). O modelo para o limite de 10 pontos percentuais teve acurácia de 79%, e não apresentou o mesmo equilíbrio entre as demais medidas. Em conjunto, esses modelos podem auxiliar na tomada de decisão referente ao controle da ferrugem-do-cafeeiro no campo. A indução de árvores de decisão é alternativa viável às técnicas convencionais de modelagem e facilita a compreensão dos modelos.The objective of this work was to develop decision trees as warning models of coffee (Coffea arabica L.) rust in growing areas with large fruit load. Monthly data of disease incidence in the field collected during eight years were transformed into binary values considering limits of 5 and 10 percentage points in the infection rate. Models were generated from meteorological data and space between plants for each binary infection rate. The warning is indicated when the infection rate is expected to reach or exceed the respective limit in a month. The accuracy obtained by cross-validating the model to the limit of 5 percentage points was 81%, reaching up to 89% according to an optimistic estimate. This model showed good results for other important evaluation measures, such as sensitivity (80%), specificity (83%), positive reliability (79%), and negative reliability (84%). The model for the limit of 10 percentage points had a 79% accuracy and did not show the same balance among the other evaluation measures. Together, these two models may support the decisions about coffee rust control in the field. The decision tree induction is a viable alternative to conventional modeling techniques, thus facilitating the comprehension of the models