Анализ степени поражения кофейной ржавчиной в агролесоводческих системах

Агролесоводческие системы могут влиять на возникновение и распространенность вредителей и болезней, поскольку интеграция сельскохозяйственных культур с деревьями или другой растительностью создает разнообразные микроклиматы, которые могут как способствовать, так и подавлять их развитие. В данном исследовании анализируется степень поражения кофейной ржавчиной в двух агролесоводческих системах в провинциях Хаэн и Сан-Игнасио департамента Кахамарка (Перу).

Исследование использовало количественный описательный подход, во время полевых выездов было собрано 319 фотографий с помощью профессиональной камеры. Фотографии были сегментированы, классифицированы и проанализированы с использованием моделей трансферного обучения глубокого обучения MobileNet и VGG16 с двумя методами измерения степени поражения ржавчиной от SENASA Peru и SENASICA Mexico. Результаты показали, что степень 1 является наиболее распространенной степенью поражения ржавчиной согласно методологии SENASA (от 1 до 5% пораженной поверхности листа) и SENASICA Mexico (от 0 до 2% пораженной поверхности листа). Более того, предложенная модель MobileNet показала наилучшую точность классификации в 94% за 50 эпох. Данное исследование демонстрирует способность алгоритмов машинного обучения в диагностике заболеваний, что может стать альтернативой для помощи экспертам в количественной оценке степени поражения кофейной ржавчиной на кофейных деревьях и расширяет область исследований для создания будущих недорогих вычислительных инструментов для распознавания и классификации болезней.

Основной причиной 80% обезлесения является расширение сельского хозяйства, которое включает расчистку и выжигание лесов для расширения сельскохозяйственных угодий, что приводит к изменению землепользования, влияющему на экологический баланс леса [1]. Стратегии адаптации к изменению окружающей среды включают сохранение теневых деревьев в тропическом агролесоводстве [2]. Восстановление древесного покрова с помощью агролесоводства может смягчить негативные последствия обезлесения и дополнить защиту экосистем [3].

Агролесоводство — это практика возделывания, которая объединяет один или несколько видов деревьев с однолетними или многолетними культурами [4]. Его ценность заключается во временном сочетании сельскохозяйственных культур с деревьями или другой растительностью для создания микроклиматов [5]. Одна из главных целей агролесоводческих систем — нивелировать вредные последствия монокультуры, которая более подвержена вредителям и болезням [6,7]. Вредители и болезни вызывают серьезные потери урожая, угрожают сельскохозяйственному производству и снижают продовольственную безопасность [8,9]. Они также сокращают экономические доходы и угрожают средствам к существованию тысяч семей по всему миру, поэтому регулирование вредителей и болезней как преимущество агролесоводческих систем представляет собой важную экосистемную услугу [10].

Кофе традиционно выращивают под теневыми деревьями [11], и он считается одной из важнейших агролесоводческих культур в Латинской Америке [12]. Учитывая его важность, эта культура значительно изменила структуру сельских ландшафтов в регионах выращивания кофе [13]. По оценкам, во всем мире около 25 миллионов сельских фермеров зависят от выращивания кофе как источника средств к существованию; большинство из них — мелкие фермеры с обрабатываемыми площадями от 1 до 5 га [14]. В Перу кофе является важной культурой, которую в основном выращивают в агролесоводческих системах; примерно два миллиона семей зависят от его производства, распределения и сбыта [15,16]. Его производят в 210 сельских округах, расположенных в 47 провинциях 10 регионов страны, с обрабатываемой площадью 350 000 га, распределенной по трем зонам, причем джунгли являются наиболее подходящим регионом для получения наилучшей урожайности и качества [17]. Перу является одним из основных экспортеров кофе в мире, и производство кофе в основном сосредоточено в пяти регионах: Кахамарка, Паско, Сан-Мартин, Хунин и Амазонас [18]. Однако в последние годы производство кофе серьезно пострадало от высокой степени поражения кофейной листовой ржавчиной [19].

Кофе — это культура с высоким риском воздействия последствий изменения климата [20]. Поэтому агролесоводческие практики были предложены в качестве стратегии, основанной на природе, для производителей кофе, чтобы смягчить последствия и адаптироваться к различным будущим климатическим сценариям [21]. Однако устойчивость кофейных растений к листовым вредителям и болезням также связана с характеристиками почвы [20]. Фактически, с момента появления вредителей и болезней кофе существовало две основные методики борьбы: применение пестицидов и методы управления посевами. В большинстве случаев химический контроль почти неэффективен и связан с устойчивостью к пестицидам, загрязнением окружающей среды, риском от химикатов и повторным возникновением проблем [22].

Кофейная листовая ржавчина вызывается грибком Hemileia vastatrix, который поражает листья и вызывает преждевременное опадение листьев и сильное обезлиствление, а также может привести к отмиранию ветвей [23,24]. Кофейная ржавчина начинается с маленьких желтых порошкообразных пятен на нижней стороне листьев [25]. Со временем они постепенно увеличиваются в диаметре и становятся оранжевыми поражениями [26]. При сильном заражении ржавчиной листья покрываются пустулами, что приводит к их преждевременному опадению, уменьшая фотосинтетическую площадь растения [27]. В Южной Америке кофейная листовая ржавчина была впервые идентифицирована в Бразилии в 1970 году, а затем распространилась на другие страны [16]. В последние десятилетия кофейный сектор находится под постоянным давлением из-за распространения кофейной ржавчины в Латинской Америке, что напрямую повлияло на экономическую устойчивость мелких домохозяйств [28]. Крупные вспышки болезни в Азии, Африке и Америке вызвали серьезные потери урожая, что сделало ее самым важным заболеванием, поражающим кофе Арабика [29]. В частности, в Северной и Южной Америке эпидемии кофейной ржавчины затронули Колумбию (2008–2011), Центральную Америку и Мексику (2012–2013), а также Перу и Эквадор (2013) [16].

Согласно [30], в Перу это заболевание вызывало эпидемии в период с 2008 по 2013 год, с потерями производства в 35%. Площадь посевов и производство сократились между 2013 годом (429 000 га и 252 800 тонн) и 2014 годом (390 000 га и 181 700 тонн) [30,31]. В частности, в 2013 году, во время так называемого «кризиса ржавчины», ущерб в стране достиг уровней, имеющих экономическое значение, что обернулось для кофейного сектора потерями примерно 60% урожая, оцененного примерно в 290 миллионов долларов США [32].

Хотя кофейная ржавчина была впервые зарегистрирована в Перу в 1979 году, она не наносила существенного ущерба производству кофейных зерен до 2013 года, когда заболеваемость достигла наивысшего уровня [33]. После этого эпизода правительство Перу реализовало план возобновления кофейных плантаций; однако в течение четвертого квартала 2014 года болезнь желтой ржавчины вызвала снижение производства на 14,7% по сравнению с его долгосрочным трендом [34]. Из-за этого кризиса исследования показали, что эпидемии ржавчины вызывают не только первичные потери урожая, то есть в текущем году [19,35], но и вторичные потери урожая, то есть в последующие годы, из-за отмирания ветвей в первый год [28,35]. Другие исследования считают кофейную ржавчину потенциально одной из причин кризиса устойчивости для кофейной промышленности [19,36]. Ее обнаружение на месте является единственным эффективным методом для вырубки кофейных деревьев с целью предотвращения заражения. Однако точное обнаружение заражения на больших площадях затруднительно при проведении полевых обследований [37].

Согласно [38], методы, используемые для определения ржавчины сельскохозяйственных культур, могут быть прямыми или косвенными, а также разрушающими или неразрушающими. Прямые методы связаны с измерениями, проводимыми непосредственно на растении, они важны для правильной оценки и репрезентативной выборки и обладают более высокой точностью при правильном применении. Напротив, косвенные методы основаны на измерениях пропускания прямого и/или рассеянного света через canopy (полог), и существуют неразрушающие методы, которые позволяют пользователю получить большее количество данных по сравнению с прямыми ручными методами [38,39]. Примером неразрушающего метода является использование методов глубокого обучения, в частности, сверточных нейронных сетей.

В этой связи [40] указывает, что традиционные методы идентификации заболеваний, основанные на наблюдениях невооруженным глазом, требуют много времени, дороги и требуют значительных усилий для выявления зараженных листьев [41], что затрудняет своевременное обнаружение болезни на больших площадях. Поэтому крайне важно разработать объективные и автоматизированные подходы для быстрого и надежного обнаружения заболеваний [42,43].

Обнаружение болезней растений можно автоматизировать с помощью робототехники, обработки изображений [44] и спектрофотометрии для идентификации химических соединений, присутствующих в кофейных листьях, пораженных ржавчиной [45], среди прочего. В последние годы появление технологий визуализации в сочетании с алгоритмами машинного обучения позволило быстро и точно идентифицировать болезни сельскохозяйственных культур [46]. Таким образом, было доказано, что принятие алгоритмов глубокого обучения является гораздо более эффективным, чем традиционные методы для обнаружения болезней сельскохозяйственных культур [47]. Эти алгоритмы преобразуют входные данные, такие как изображения пораженных растений, в ценную информацию для идентификации конкретных заболеваний сельскохозяйственных культур [43,47]. Использование глубокого обучения, следовательно, включает обучение сети для изучения скрытых характеристик изображений, позволяя идентифицировать тонкие симптомы заболеваний, которые традиционные методы обработки изображений не в состоянии обнаружить [48]. Таким образом, это позволяет модели обучаться так, что когда вводятся новые цифровые изображения, модель выдает автоматические ответы благодаря предшествующему процессу обучения [43].

Недавнее исследование продемонстрировало потенциал использования визуализации с глубоким обучением для обнаружения болезней растений. В работе [49] использовались изображения листьев кофе Робуста с видимыми клещами и красными пятнами (обозначающими наличие кофейной ржавчины) для зараженных случаев и изображения без таких структур для здоровых случаев с использованием методов машинного обучения, таких как искусственные нейронные сети, генетические алгоритмы и кластеризация, демонстрируя производительность алгоритмов машинного обучения для сегментации и классификации изображений, связанных с распознаванием болезней растений.

Данное исследование решает проблему раннего выявления кофейной листовой ржавчины и дает оценку степени тяжести заболевания на кофейных растениях в агролесоводческих системах в провинциях Хаэн и Сан-Игнасио в регионе Кахамарка в Перу. Цель исследования — предложить методику своевременного обнаружения кофейной листовой ржавчины путем характеристики кофейных агролесоводческих систем, сбора информации о болезни в виде изображений, а затем применения подхода сегментации для идентификации и оценки степени тяжести заболевания.

2.1. Обзор района исследования

Район оценки соответствует округам Сан-Хосе-дель-Альто в провинции Хаэн и Чиринос в провинции Сан-Игнасио в регионе Кахамарка на севере Перу (Рисунок 1). Округ Чиринос (78°53′54.33″ з.д., 5°18′17.03″ ю.ш.) расположен в джунглях на высоте 1858 метров над уровнем моря; его климат холодный в высокогорье и жаркий в низменностях [50]. Он занимает площадь примерно 352,00 км² [51]. Экономика района на протяжении десятилетий была сосредоточена на производстве кофе, что очевидно по уровню местных знаний, где производители регулярно производят кофе уровня спешиалити; большинство ферм по умолчанию являются органическими [52]. Сан-Хосе-дель-Альто, столица округа, является наименее развитым городским населенным пунктом во всей провинции Хаэн, расположенным в экорегионе Юнга Флювиаль на высоте 1500 м над уровнем моря. Его население составляет 175 жителей, а площадь земель — 634,11 км² [53]. Девяносто процентов семей занимаются посадкой и сбором кофе, и благодаря своему географическому положению, климату и почве они выращивают различные сорта кофе, такие как Катимор, Катурра, Паче, Коста-Рика и Типика [54]. Исследование проводилось в двух агролесоводческих системах, где было идентифицировано пять сортов кофе (Паче, Катурра, Бурбон, Гейша и Катимор), с лесными видами в возрасте от 3 до 12 лет.

Рисунок 1. Расположение района исследования, (a,b) агролесоводческая система на ферме «Ла-Палестина» и (c,d) агролесоводческая система в Аграрной Кооперативной Кафеталере «Ла-Просперидад».

2.2. Сбор полевых данных

Были выбраны четыре затененных участка кофе, из которых было отобрано десять субучастков: пять в округе Сан-Хосе-дель-Альто, провинция Хаэн, и пять на участках в округе Чиринос (Таблица 1).

Таблица 1. Точки отбора проб исследуемых участков.

Характеристика агролесоводческих систем

В двух агролесоводческих системах характеризовались количество участков, местоположение, сорт кофе на каждом участке, возраст, количество лесных плантаций и плодовых видов на участках (Таблица 2).

Таблица 2. Лесные виды, идентифицированные для каждого агролесоводческого участка.

Был проведен визуальный осмотр исследуемых агролесоводческих систем, с определением типологий в зависимости от видов, связанных с кофе, и их функции. На каждой ферме оценивались биофизические переменные (доступ, уклон) и переменные растительности (фитосанитарное состояние, ярусы кофейных деревьев и покров полога). Кроме того, для каждого участка записывалась информация о кофе и географические координаты центра участка, количество и сорта кофейных растений, а также количество и ботанические названия теневых деревьев. Процент затенения оценивался с помощью приложения HabitApp, а возраст лесных видов и культуры определялся путем консультаций с владельцами участков [16,55]. Для классификации кофейных агролесоводческих систем использовались категории, предложенные [56,57] и описанные в Таблице 3.

Таблица 3. Классификация кофейных агролесоводческих систем.

2.3. Оценка степени поражения ржавчиной с помощью глубокого обучения

На Рисунке 2 показан процесс оценки степени поражения ржавчиной с использованием глубокого обучения. Процедура состояла из получения фотографий кофейных листьев, затем применения двух сверточных нейронных сетей (CNN), MobileNet и VGG16, и, наконец, оценки уровней степени поражения с использованием методологий SENASA и SENASICA.

Рисунок 2. Методологический процесс оценки степени поражения ржавчиной с использованием глубокого обучения.

MobileNet и VGG16 — это две предварительно обученные архитектуры CNN, широко используемые в глубоком обучении. MobileNet значительно сокращает количество параметров и вычислительных операций по сравнению с традиционными свертками, работает намного быстрее с точки зрения вывода и имеет гораздо меньший размер модели [63]. VGG16 продемонстрировала исключительную производительность в задачах классификации изображений, относительно проста и понятна, была предварительно обучена на больших наборах данных и способна улавливать сложные и детализированные особенности изображений [64].

Для определения размера выборки и типа выборки для эпидемиологического надзора за кофейной ржавчиной был проведен обзор существующей литературы, проверяющий различные способы выборки. Например, в [65] свое исследование эпидемиологии ржавчины проводили на 15 случайно выбранных кофейных деревьях на 1 га, с 4 отмеченными ветвями на каждом кофейном дереве. В Пуэрто-Рико [66] продемонстрировали, что лучшей системой для оценки заболеваемости была выборка 20 кофейных растений (примерно 1 растение из каждых 60 на участке) по 4 параллельным трансектам, с 5 отобранными растениями в каждой трансекте, разделенными каждые 5 растений, оценивая 20 листьев в средней трети каждого растения.

Что касается отбора проб, оценивалась методология дозорных участков, которые определяются как фиксированные участки, которые периодически посещаются для мониторинга распространения болезни в масштабах территории [67]. Они позволяют собирать информацию о болезни и генерировать знания о ее биологии, экологии и эпидемиологии. В частности, данные полезны для построения прогностических моделей. Часто предпочтительнее отбор проб по маршруту, который оценщик прокладывает через участок, подлежащий отбору. Этот путь может быть линейным, зигзагообразным или иметь форму «W» [67]. Общее правило заключается в том, что лучше, чтобы отобранные растения охватывали участок extensively [68].

Важно определить практическую систему, которая вызывает наименьший риск ошибки в оценках. В этом контексте настоящее исследование проводилось на фиксированных участках с отбором проб на пяти субучастках в каждом месте, состоящих из одного растения на точку, всего пятьдесят растений, пять для каждого исследуемого участка, с оценкой трех ветвей от каждого растения (одна из нижней части, одна из средней части и одна из верхней части) [29,49]. Кроме того, проверялось общее количество листьев и количество листьев с ржавчиной на каждом из уровней [50]. С каждой выбранной ветви брали по четыре листа из каждого яруса (нижний, средний и верхний) [69]. Оценка была визуальной; признаки наличия ржавчины на кофейных растениях идентифицировались по бледно-желтым пятнам на одних растениях, в то время как на других обнаруживались коричневые пятна, а в некоторых случаях находили растения без листьев [15,56,57]. Пораженные листья фотографировали для определения общей площади листа и площади, пораженной пятном ржавчины на кофейном растении; это позволяет рассчитать процент площади, пораженной болезнью (степень поражения) [70]. Листья фотографировали индивидуально на белом фоне [71] с помощью цифровой камеры Nikon COOLPIX модели P1000. Каждое изображение было помечено для последующей идентификации и обработки [72].

Для классификации степени поражения кофейной ржавчиной использовалась шкала, предложенная Национальной службой аграрного здравоохранения (SENASA) Перу, а в качестве альтернативного метода визуальной оценки использовалась шкала, предложенная Национальной службой здоровья, безопасности и агропродовольственного качества (SENASICA) Мексики (Рисунок 3). В обоих случаях для оценки площади пораженной ткани использовалось мобильное приложение Leaf Doctor [73]. Приложение имеет чрезвычайно удобный интерфейс и требует только, чтобы пользователь сделал снимок с помощью устройства в самом приложении. Полученное изображение указывает цвет здоровых и инфицированных тканей листа, и после нескольких секунд обработки приложение показывает процент площади листа, пораженной патогеном [73,74].

Рисунок 3. Шкала степени поражения кофейной ржавчиной согласно методологиям (A) SENASA Перу и (B) SENASICA Мексики.

SENASA установила шкалу степени поражения, связанную с процентом ржавчины, присутствующей на кофейных листьях, с диапазоном количественной оценки от 0 до 4: степень 0 указывает на здоровые листья или отсутствие видимых симптомов; степень 1 означает, что симптомы видны, покрывая от 1 до 5% общей площади листа; при степени 2 пятна начинают объединяться и занимают от 6 до 20% здоровой площади; при степени 3 листья начинают заметно некротизироваться, поражая от 21 до 50% здоровой площади; и, наконец, при степени 4 более 50% площади листа поражено ржавчиной. SENASICA, с другой стороны, количественно определяет степень поражения H. vastatrix через шесть уровней заболевания. Диаграммная шкала показана на Рисунке 3: степень 0 — для здоровых листьев или листьев без видимых симптомов; степень 1 — для листьев с видимыми симптомами и первыми хлоротичными пятнами; при степени 2 пятна начинают объединяться и занимают 2% здоровой площади листа; при степенях 3, 4 и 5 пятна объединяются и занимают 7%, 20% и 45% здоровой площади листа соответственно; и при степени 6 поражено более 70% площади листа.

Для определения уровня степени поражения рассчитывали индекс заражения и степень поражения ржавчиной (%) [74]; уравнения подробно описаны в Таблице 4.

Таблица 4. Уравнения, использованные для каждой предложенной шкалы.

2.4. Обработка изображений

После сбора большой коллекции данных изображений кофейных деревьев следующим шагом была тщательная очистка и предварительная обработка собранных изображений [75,76], и использовался инструмент кадрирования для удаления нежелательных областей с изображений [77]. Из этой коллекции была выбрана выборка из 319 изображений с различными уровнями повреждения, которые были изменены в размере и нормализованы для улучшения качества и однородности и обеспечения совместимости алгоритмов обработки изображений [76]. В каждом изображении учитывались условия освещенности, так как это снижает вычислительную нагрузку на модель, ускоряет сходимость и классификацию листьев и позволяет получать прогнозы выше 90%.

Размер изображений был изменен (224 × 224 пикселей), потому что сверточные нейронные сети, которые требуют, чтобы входные изображения были одинакового размера, уменьшают вычислительную нагрузку и ускоряют обучение модели без потери качества информации. Изображения были нормализованы (значения пикселей были разделены на 255), что обеспечило нахождение значений пикселей в согласованном диапазоне, помогая модели эффективно обучаться. Модели глубокого обучения работают лучше, когда входные данные нормализованы — это ускоряет процесс обучения, позволяя модели быстрее сходиться. Наконец, данные были augmented (увеличены на 20%) из существующих данных с помощью преобразований, таких как повороты, смещения и масштабирование, что позволило создать более крупный и разнообразный набор данных, что снижает риск переобучения и значительно улучшает производительность моделей глубокого обучения.

2.5. Сверточные нейронные сети и архитектуры глубокого обучения

Система включала три фазы: предварительная обработка изображений, извлечение признаков и классификация (Рисунок 4) [72]. Были учтены следующие аспекты:

Рисунок 4. Структура сверточной нейронной сети для классификации степеней поражения.

1. Аннотация набора данных: Данные были помечены в соответствии с качественной порядковой шкалой.

2. Разделение набора данных: Для проверки и оценки модели глубокого обучения набор данных был разделен на обучающую, проверочную и тестовую выборки, с 70% для обучения, 20% для проверки и 10% для тестирования [72]. Модели обучались в течение 50 эпох.

3. Предварительная обработка данных: Перед вводом изображений в CNN были выполнены две операции предварительной обработки.

Что касается архитектур глубокого обучения, то для обучения и проверки моделей использовались две архитектуры CNN (MobileNet и VGG16). CNN обрабатывают неструктурированные входные изображения и точно отображают их в соответствующие выходные классы [78]. VGG-16 — это CNN, состоящая из 16 слоев с весами, включая 13 сверточных слоев и 3 полностью связанных слоя. Эта модель оценивает сети и увеличивает глубину, используя архитектуру с минимальным (3 × 3) сверточным фильтром [40,77]. Со своей стороны, MobileNet включает три сверточных слоя. Слой роста является основным слоем с размерами 1 × 1. Это вычислительно эффективная и точная модель, подходящая для мобильных приложений, с меньшими наборами данных, что делает ее идеальной для реальных сценариев [40,78,79]. Для реализации предложенных моделей на наборе данных использовались Google Colab pro, Python версии 3.8, инструмент PyTorch, графический процессор NVIDIA GTX 1070 и OpenCV 3.4.2 [40].

2.6. Метрики оценки

Производительность моделей сегментации листьев и поражений оценивалась индивидуально с использованием следующих четырех метрик: точность, precision, recall и F1 Score [71]. Точность — это доля общего количества прогнозов, которые правильно оценили степень поражения (Уравнение (1)). Precision — это отношение правильно классифицированных случаев к общему количеству ошибочно классифицированных и правильно классифицированных случаев (Уравнение (2)). Recall — это отношение правильно классифицированных случаев к общему количеству ошибочно классифицированных случаев и правильно классифицированных случаев (Уравнение (3)). Наконец, F1-Score — это метрика, которая объединяет precision и recall и дает сводную информацию о прогностической силе модели (Уравнение (4)) [40].

где PV — истинно положительные результаты, PF — ложноположительные результаты, NV — истинно отрицательные результаты и NF — ложноотрицательные результаты.  

3.1. Характеристика агролесоводческих систем

Участок округа Чиринос: Inga edulis и Persea americana являются обильными видами на участке 1; другие виды, которые также были найдены, но с меньшим присутствием, были Albizia, Pinus и Colubrina glandulosa. Аналогично, на участке 2 Persea americana была самым плодовитым видом; виды, найденные в меньшем количестве, включали Quercus robur, Colubrina glandulosa Perkins, Musa paradisiaca, Eucalyptus, Pinus и Inga edulis. На участке 3 были найдены сходные количества следующих видов: Persea americana, Musa paradisiaca, Quercus robur, Juglans regia, Pinus, Eucalyptus, Vochysia vismiifolia и Inga edulis. На четвертом участке, как и на участке 3, количества видов были схожими, а на участке 5 Inga edulis был видом, найденным в наибольшем количестве, а другие виды были найдены в меньших количествах, такие как Quercus robur, Persea americana, Musa paradisiaca, Calycophyllum candidissimun, Pinus и Eucalyptus.

Участок округа Сан-Хосе-дель-Альто: На участке 1 были виды, найденные в сходных количествах, такие как Pinus, Inga edulis, Solanum melongena, psidium, Musa paradisiaca, Persea americana и Pouteria lúcuma. На участке 2 Persea americana была самым распространенным видом, но также были виды, найденные в меньших количествах, такие как Quercus robur, Colubrina glandulosa Perkins, Eucalyptus, Pinus и Inga edulis. На участках 3, 4 и 5, как и на участке 1, было разнообразие видов, общих для района, но количества были одинаковыми (Таблица 5).

Таблица 5. Лесные виды по участку и месту исследования.

Как представлено на Рисунке 5, на участке Чиринос, с использованием HabitApp, средние значения процентов затенения участков 1–5 следующие: участок один 53,9, участок два 29,5, участок три 43, участок четыре 64,9 и участок пять 47,15; средние значения с использованием визуального шаблона: участок один 55,5, участок два 25,5, участок три 45,5 и участок четыре 67. Стандартное отклонение в HabitApp для участка один составляет 11,33, участка два — 7,86, участка три — 8,94, участка четыре — 15,48 и участка пять — 11,78; стандартное отклонение в визуальном шаблоне для участка один составляет 13,56, участка два — 14,31, участка три — 16,69, участка четыре — 17,43 и участка пять — 14,54. Минимальные и максимальные значения, которые наиболее выделяются в HabitApp, относятся к участку один, а значения, которые выделяются меньше всего, относятся к участку два; напротив, в визуальном шаблоне наиболее релевантным является участок четыре, а участок, который выделяется меньше всего, — это участок два, так же как и при использовании приложения. В партии 3 и 4 в HabitApp есть по два выброса в каждой упомянутой партии. В Сан-Хосе-дель-Альто средние значения процентов затенения участков 1–5: участок один 32,6, участок два 50,35, участок три 42,25, участок четыре 62,6 и участок пять 41,7; с другой стороны, с использованием визуального шаблона средние значения: участок один 37,5, участок два 47, участок три 36,5, участок четыре 59,5 и участок пять 45,5. Данные стандартного отклонения, полученные для приложения: участок один 16,12, участок два 14,86, участок три 20,10, участок четыре 8,65 и участок пять 18,84, а для визуального шаблона: участок один 17,73, участок два 15,07, участок три 21,34, участок четыре 12,34 и участок пять 13,56. В минимальных и максимальных значениях в приложении наиболее выделяются значения для участка три; в визуальном шаблоне также выделяется участок три. На участке четыре при использовании HabitApp есть два выброса; на участке четыре визуального шаблона также есть два выброса, а на участке три есть один выброс.

Рисунок 5. Процент затенения на участках: (a) с использованием HabitApp, (b) с использованием визуального шаблона в Чиринос, (c) с использованием HabitApp, (d) с использованием визуального шаблона в Сан-Хосе-дель-Альто.

Что касается классификации кофейной агролесоводческой системы на каждом участке и с учетом только типа агролесоводческой системы, то традиционные поликультуры были наиболее используемыми системами, в то время как рустикальные системы и затененные монокультуры были наименее реализованы. Кроме того, из всех оцененных участков не было идентифицировано коммерческих поликультур, потому что, хотя плотность кофе была высокой, большинство видов деревьев (<3) не имели цели эксплуатации (Рисунок 6).

Рисунок 6. Характеристика агролесоводческих систем с кофе: (a) затененная монокультура, (b) традиционная поликультура, (c) рустикальная система, (d) традиционная поликультура, (e) традиционная поликультура, (f) традиционная поликультура, (g) затененная монокультура, (h) рустикальная система, (i) традиционная поликультура, (j) затененная монокультура.

3.2. Поведение моделей глубокого обучения

Используя набор для оценки для классификации SENASA и SENASICA, использовались CNN. На Рисунке 7 представлена производительность моделей MobileNet и VGG16 на наборах данных SENASA и SENASICA соответственно. В матрицах (a) и (b), соответствующих SENASA, наблюдается высокая производительность в классах «СТЕПЕНЬ 0» и «СТЕПЕНЬ 1», с 96 и 109 правильно классифицированных экземпляров в (a) с MobileNet и 95 и 108 в (b) с VGG16. Однако другие классы показывают среднюю производительность в «СТЕПЕНИ 2», «СТЕПЕНИ 3» и «СТЕПЕНИ 4», с 71, 23 и 3 правильно классифицированными экземплярами в (a) с MobileNet и 70, 22 и 4 в (b) с VGG16. В матрицах (c) и (d), соответствующих SENASICA, наблюдается высокая производительность в «СТЕПЕНИ 0» и «СТЕПЕНИ 1», с 96 и 78 правильно классифицированных экземпляров в (c) с MobileNet и 92 и 78 в (d) с VGG16. Классы «СТЕПЕНЬ 2», «СТЕПЕНЬ 3», «СТЕПЕНЬ 4», «СТЕПЕНЬ 5» и «СТЕПЕНЬ 6» показывают среднюю производительность с 17, 43, 59, 24 и 4 правильно классифицированными экземплярами в (c) с MobileNet и 16, 40, 58, 25 и 3 в (d) с VGG16.

Рисунок 7. Матрица ошибок: (a,b) SENASA и (c,d) SENASICA с использованием MobileNet и VGG16.

В Таблице 6 показаны метрики производительности моделей MobileNet и VGG16 классификации SENASA в различных степенях, представляющие значительные вариации с точки зрения precision, recall, F1-score и accuracy. Для модели MobileNet классы «СТЕПЕНЬ 0» и «СТЕПЕНЬ 1» показывают высокую precision (0,9697 и 0,9646 соответственно) и recall (0,9696 и 0,9732), что указывает на высокую производительность в этих классах. Однако метрики для «СТЕПЕНИ 2», «СТЕПЕНИ 3» и «СТЕПЕНИ 4» являются средними, с precision 0,9595, 0,8519 и 0,75 соответственно, и F1-score 0,9726, 0,8846 и 0,5455 соответственно, для правильной классификации классов. В случае модели VGG16 наблюдается сходная картина, с высокими значениями precision и recall для «СТЕПЕНИ 0» — 0,9793 и 0,9596 соответственно, и «СТЕПЕНИ 1» — 0,9557 и 0,9643 соответственно, в то время как «СТЕПЕНЬ 2», «СТЕПЕНЬ 3» и «СТЕПЕНЬ 4» представляют средние метрики, особенно для «СТЕПЕНИ 4», где F1-score составляет 0,6667. В общем, обе модели показывают хорошую производительность в доминирующих классах, правильно классифицируя различные классы.

Таблица 6. Метрики оценки для классификации SENASA.

На Рисунке 8 показана точность моделей MobileNet (синяя сплошная линия) и VGG16 (оранжевая пунктирная линия) для классификации SENASA за 50 эпох обучения. Изначально VGG16 показывает быстрый рост точности, превосходя MobileNet. Однако, начиная с эпохи 30, MobileNet показывает устойчивое улучшение, достигая и превосходя точность VGG16 к концу обучения с 91 до 94%. Это указывает на то, что, хотя VGG16 имеет лучшую начальную производительность, MobileNet демонстрирует лучшую долгосрочную эффективность.

Рисунок 8. Точность модели для SENASA.

В Таблице 7 показана производительность моделей MobileNet и VGG16 классификации SENASICA по нескольким метрикам оценки в семи классах (степень от 0 до 6). Для MobileNet наблюдается, что точность, полнота и F1-Score высоки для большинства классов, особенно для степеней 0, 1, 3 и 4, со значениями точности выше 0,9. Однако средняя производительность очевидна для степени 6, с F1-Score 0,5714, что указывает на более низкую способность обрабатывать этот конкретный класс. По сравнению с VGG16, он показывает производительность с высокими значениями точности для степеней 0, 1, 3 и 4, при этом метрики в целом ниже по сравнению с MobileNet. В частности, для степеней 2 и 6 VGG16 представляет F1-Score 0,7805 и 0,4000 соответственно, что подчеркивает более низкую эффективность в этих классах. Модель MobileNet показывает лучшую производительность, особенно в метриках точности и F1-Score, в то время как VGG16 демонстрирует более высокую вариабельность и значительно более низкую производительность по классам.

Таблица 7. Метрики оценки для классификации SENASICA.

На Рисунке 9 показана точность моделей MobileNet (синяя сплошная линия) и VGG16 (оранжевая пунктирная линия) за 50 эпох обучения. Изначально VGG16 превосходит MobileNet, показывая быстрый рост точности. Однако, начиная с эпохи 25, MobileNet начинает улучшаться более последовательно, достигая точности 92%, что выше точности VGG16 в 90%, в последних эпохах обучения. Это поведение позволяет предположить, что, хотя VGG16 быстро достигает высокой производительности, MobileNet демонстрирует большую эффективность и устойчивое улучшение в долгосрочной перспективе.

Рисунок 9. Точность модели для SENASICA.

Согласно классификации SENASA, общая точность модели составила 94% для MobileNet и 91% для VGG16 после 50 эпох (см. Рисунок 8). Однако для SENASICA точность составила 92% для MobileNet и 90% для VGG16 (см. Рисунок 9).

Агролесоводческие системы важны для сохранения биоразнообразия и обеспечивают экосистемные услуги, такие как повышение плодородия почвы, регулирование микроклимата за счет тени и смягчение последствий болезней через различные трофические и абиотические взаимодействия [80,81]. Кофе высаживают вместе с лесом, включая древесные, бобовые и вторичные лесные виды, где внесение питательных веществ важно в результате разложения растительных остатков [82,83]. Виды, связанные с агролесоводческим кофе в районе исследования, были представлены Inga edulis, Persea americana, Musa paradisiaca, Quercus robur, Juglans regia, Pinus, Eucalyptus, Solanum melongena, Psidium, Pouteria lúcuma и Vochysia vismiifolia. Сообщалось, что древесные растения могут снижать рост характерных кофейных плантаций [84]. Однако другие виды могут способствовать запасу углерода и генерировать дополнительный доход для фермеров [82,85].

Проценты затенения лесных плантаций в PBS варьировались от 25,5 до 67,5%. Сообщалось, что лучшая урожайность достигается, когда кофе затенен от 23 до 38% [82]. С другой стороны, исследования показали, что использование тени улучшает производство и качество зерен, способствует присутствию некоторых опылителей, представляет большее видовое разнообразие [82,86,87] и поддерживает органическое производство кофе с кустарной или полуавтоматической обработкой [88]. Однако другие исследования сообщают, что высокие уровни затенения благоприятствуют размножению и распространению вредителей и болезней [89,90], с большей заболеваемостью на более старых стадиях плантаций [90] и снижением фотосинтетически активной радиации, что влияет на рост ветвей [91,92].

Кофейная листовая ржавчина, вызываемая Hemileia vastatrix Berk., является одним из заболеваний worldwide и угрожает производству кофе во многих странах [93]. Это заболевание вызывает снижение урожайности и качества кофейных зерен [94,95]. Применение практичных и надежных методов для количественной оценки степени тяжести и предложения стратегий управления болезнью очень важно. Количественную оценку заболевания можно достичь путем оценки заболеваемости (процент листьев с симптомами болезни) и степени поражения (процент площади ткани листа, поврежденной) [71]. Это исследование сравнивает два метода определения степени поражения кофейных плантаций, предложенных SENASA и SENASICA, с использованием приложения Leaf Doctor. Результаты показали, что на уровне методологии SENASA степень поражения варьировалась от 1 до 2, в то время как на уровне методологии SENASICA были зарегистрированы более высокие проценты в степенях 1, 4 и 3. Результаты схожи с теми, о которых сообщалось в [94], где был обнаружен диапазон от 0 до 52,15% пораженной площади листа [94], или результаты, сообщенные в Индии, где средняя степень заражения варьировалась от 1,34 до 32,67% [96]. В [24] сообщалось, что заболеваемость ржавчиной может увеличиваться во время сбора урожая с 4 до 36% [15,24], учитывая, что уровни степени поражения могут увеличиваться в сухой сезон по сравнению с влажным сезоном [15]. С другой стороны, высокие уровни степени поражения в районе исследования могут быть связаны с повышением температуры и относительной влажности, которые создают подходящие условия для развития болезни [97]. Это может быть связано с латентным периодом патогена, когда температура высока, или негативным эффектом максимальной температуры на физиологию и устойчивость хозяина. Фактически, изменение климата (например, засуха, экстремальные температуры, интенсивные осадки) может оказать негативное воздействие на производство и привести к снижению урожайности и потере оптимальных площадей для кофе, поскольку кофе очень чувствителен к вариациям температуры и осадков [98,99], оказывая негативное воздействие в Андах и Амазонии [100].

Результаты, полученные от оценки моделей MobileNet и VGG16 с использованием наборов данных SENASA и SENASICA, выявляют интересные закономерности с точки зрения производительности и эффективности применения глубокого обучения. В общем, обе модели показывают высокую производительность в классах «Степень 0» и «Степень 1», с правильной классификацией большинства экземпляров в этих степенях, что позволяет предположить надежную способность идентифицировать доминирующие классы. Однако и MobileNet, и VGG16 демонстрируют среднюю производительность в менее частых классах, таких как «Степень 2», «Степень 3» и «Степень 4», что указывает на более низкую эффективность в классификации этих категорий. Это может быть связано с меньшим количеством экземпляров, доступных для этих классов, что ограничивает способность модели изучать отличительные patterns. Примечательно, как модели показывают различия в своем поведении во время обучения. Классификация SENASA указывает, что VGG16 изначально превосходит MobileNet, но MobileNet удается превзойти VGG16 к концу обучения, достигнув точности 94%. Это поведение позволяет предположить, что MobileNet, хотя изначально медленнее в обучении, демонстрирует большую способность к устойчивому улучшению с течением времени. Схожая картина наблюдается в классификации SENASICA, где MobileNet снова показывает более последовательное и устойчивое улучшение, достигая превосходной точности 92% в конце обучения по сравнению с 90% для VGG16. На уровне точности результаты показывают согласованность с теми, о которых сообщалось в других исследованиях, таких как [101], которые достигли точности 91% для оценки степени тяжести заболевания (здоровые, общие и тяжелые), [102], которые получили точность 86,51% для оценки степени тяжести в пяти классах, или те, о которых сообщалось в [103], представляющие значения точности около 98% и 96% для классификации болезней кофе в Бразилии.

Одним из ограничений предложения является то, что в исследовании не анализировалась взаимосвязь метеорологических переменных с заболеваемостью или степенью поражения кофейной ржавчиной. Поскольку эти переменные должны быть построены из ежедневных записей станций, на ежедневном уровне, в дополнение к средним значениям и суммам метеорологических переменных, следует учитывать продолжительные значения влажности листьев (по крайней мере 6 ч), потому что прорастание уредоспор H. vastatrix происходит, если лист мокрый. Высокая относительная влажность (выше 95 процентов) также должна рассматриваться как косвенная мера непрерывной влажности листьев [104]. Кроме того, следует анализировать периоды влажности листьев ночью (с 20 ч до 8 ч), поскольку заражение происходит предпочтительно при слабом освещении или без него [105]. Также дни с осадками больше или равными 1 мм следует считать дождливыми согласно критериям, используемым [106].

В этой работе мы предлагаем применение глубокого обучения, интегрируя сверточные нейронные сети для автоматизации обнаружения кофейной ржавчины из полевых изображений, собранных с помощью смартфонов. Полученные результаты являются многообещающими для этой области исследований. Это подчеркивает важность раннего обнаружения кофейной ржавчины для снижения ее воздействия на производство и урожайность культур. Однако в будущих исследованиях необходимо интегрировать сверточные нейронные сети для классификации различных болезней кофейных листьев, таких как fumagina, Cercospora (церкоспороз), Phoma и листовой минер. Аналогично, реализация исследований, связанных с влиянием изменения климата на пригодные для выращивания площади и воздействием тени на распространение патогенов в кофейных культурах, является essential.

Исследованные агролесоводческие системы на участках Чиринос и Сан-Хосе-дель-Альто демонстрируют высокое разнообразие лесных видов, с заметным преобладанием Inga edulis и Persea americana в Чиринос и более равномерным распределением видов в Сан-Хосе-дель-Альто. Большинство участков используют системы традиционной поликультуры, что указывает на предпочтение интеграции нескольких видов деревьев вместе с выращиванием кофе. Изменение процента затенения между участками напрямую влияет на микроклиматические условия, влияя на урожайность кофе и биоразнообразие агролесоводческой системы.

Что касается применения моделей глубокого обучения для оценки степени поражения ржавчиной, MobileNet и VGG16 продемонстрировали высокую производительность для основных категорий согласно стандартам SENASA и SENASICA. Хотя обе модели достигли высоких уровней точности, особенно для классов Степень 0 и Степень 1, они столкнулись с проблемами в классификации менее представленных категорий. Несмотря на это, результаты указывают на большой потенциал применения этих моделей в оценке степени поражения ржавчиной в кофейной промышленности, с точностью до 97% для наиболее частых классов. Внедрение этих моделей позволит осуществлять раннее обнаружение ржавчины, способствуя принятию мер контроля и смягчения последствий, что гарантирует устойчивое и качественное производство.

1.    Emmerson, M.; Morales, M.B.; Oñate, J.J.; Batáry, P.; Berendse, F.; Liira, J.; Aavik, T.; Guerrero, I.; Bommarco, R.; Eggers, S.; et al. How Agricultural Intensification Affects Biodiversity and Ecosystem Services. In Advances in Ecological Research; Academic Press: Cambridge, MA, USA, 2016; Volume 55, pp. 43–97. [Google Scholar]

2.    van Noordwijk, M.; Coe, R.; Sinclair, F.L.; Luedeling, E.; Bayala, J.; Muthuri, C.W.; Cooper, P.; Kindt, R.; Duguma, L.; Lamanna, C.; et al. Climate Change Adaptation in and Through Agroforestry: Four Decades of Research Initiated by Peter Huxley. Mitig. Adapt. Strateg. Glob. Chang. 2021, 26, 18. [Google Scholar] [CrossRef]

3.    Tscharntke, T.; Clough, Y.; Bhagwat, S.A.; Buchori, D.; Faust, H.; Hertel, D.; Hölscher, D.; Juhrbandt, J.; Kessler, M.; Perfecto, I.; et al. Multifunctional Shade-Tree Management in Tropical Agroforestry Landscapes—A Review. J. Appl. Ecol. 2011, 48, 619–629. [Google Scholar] [CrossRef]

4.    Merle, I.; Villarreyna-Acuña, R.; Ribeyre, F.; Roupsard, O.; Cilas, C.; Avelino, J. Microclimate Estimation under Different Coffee-Based Agroforestry Systems Using Full-Sun Weather Data and Shade Tree Characteristics. Eur. J. Agron. 2022, 132, 126396. [Google Scholar] [CrossRef]

5.    Miccolis, A.; Mongeli, F.; Henrique, P.; Marques, R.; Luis, D.; Vieira, M.; Francia, M.; Maurício, A.-V.; Hoffmann, R.; Rehder, T.; et al. How to Reconcile Conservation and Production Options for Brazil’s Cerrado and Caatinga Biomes Technical Guidebook; World Agroforestry Centre (ICRAF): Nairobi, Kenya, 2016. [Google Scholar]

6.    Pumariño, L.; Sileshi, G.W.; Gripenberg, S.; Kaartinen, R.; Barrios, E.; Muchane, M.N.; Midega, C.; Jonsson, M. Effects of Agroforestry on Pest, Disease and Weed Control: A Meta-Analysis. Basic Appl. Ecol. 2015, 16, 573–582. [Google Scholar] [CrossRef]

7.    Rahayu, S.; Triyogo, A.; Widyastuti, S.M.; Musyafa’; Ardianyah, F. Pests and Diseases on Falcataria Moluccana Trees in Agroforestry Systems with Pineapple in East Java, Indonesia. Biodivers. J. Biol. Divers. 2021, 22, 2779–2788. [Google Scholar] [CrossRef]

8.    Allinne, C.; Savary, S.; Avelino, J. Delicate Balance between Pest and Disease Injuries, Yield Performance, and Other Ecosystem Services in the Complex Coffee-Based Systems of Costa Rica. Agric. Ecosyst. Environ. 2016, 222, 1–12. [Google Scholar] [CrossRef]

9.    Cerda, R.; Avelino, J.; Harvey, C.A.; Gary, C.; Tixier, P.; Allinne, C. Coffee Agroforestry Systems Capable of Reducing Disease-Induced Yield and Economic Losses While Providing Multiple Ecosystem Services. Crop Prot. 2020, 134, 105149. [Google Scholar] [CrossRef]

10. Schroth, G.; Krauss, U.; Gasparotto, L.; Duarte Aguilar, J.A.; Vohland, K. Pests and Diseases in Agroforestry Systems of the Humid Tropics. Agrofor. Syst. 2000, 50, 199–241. [Google Scholar] [CrossRef]

11. Wintgens, J.N. (Ed.) Coffee: Growing, Processing, Sustainable Production; Wiley: Hoboken, NJ, USA, 2004; ISBN 9783527307319. [Google Scholar]

12. Bozzola, M.; Charles, S.; Ferretti, T.; Gerakari, E.; Manson, H.; Rosser, N.; von der Goltz, P. The Coffee Guide, Fourth Edition, Trade Impact for Good; United Nations Publications: New York, NY, USA, 2021. [Google Scholar]

13. Perfecto, I.; Jiménez-Soto, M.E.; Vandermeer, J. Coffee Landscapes Shaping the Anthropocene. Curr. Anthropol. 2019, 60, S236–S250. [Google Scholar] [CrossRef]

14. Harvey, C.A.; Martínez-Rodríguez, M.R.; Cárdenas’, J.M.; Avelino, J.; Rapidel, B.; Vignola, R.; Donatti, C.I.; Vilchez-Mendoza, S. The Use of Ecosystem-Based Adaptation Practices by Smallholder Farmers in Central America. Agric. Ecosyst. Environ. 2017, 246, 279–290. [Google Scholar] [CrossRef]

15. Alvarado-Huamán, L.; Borjas-Ventura, R.R.; Castro-Cépero, V.; García-Nieves, L.; Jimenez-Dávalos, J.; Julca-Otiniano, A.; Gómez-Pando, L. Dynamics of Severity of Coffee Leaf Rust (Hemileia vastatrix) on Coffee, in Chanchamayo (Junin-Peru). Agron. Mesoam. 2020, 31, 517–529. [Google Scholar] [CrossRef]

16. Ehrenbergerová, L.; Kučera, A.; Cienciala, E.; Trochta, J.; Volařík, D. Identifying Key Factors Affecting Coffee Leaf Rust Incidence in Agroforestry Plantations in Peru. Agrofor. Syst. 2018, 92, 1551–1565. [Google Scholar] [CrossRef]

17. Alvarado, C.W.; Bobadilla, L.G.; Valqui, L.; Valqui, G.S.; Valqui-Valqui, L.; Vigo, C.N.; Vásquez, H.V. Characterization of Coffea Arabica L. Parent Plants and Physicochemical Properties of Associated Soils, Peru. Heliyon 2022, 8, e10895. [Google Scholar] [CrossRef] [PubMed]

18. López, R.S.; Fernández, D.G.; López, J.O.S.; Briceño, N.B.R.; Oliva, M.; Murga, R.E.T.; Trigoso, D.I.; Castillo, E.B.; Gurbillón, M.Á.B. Land Suitability for Coffee (Coffea arabica) Growing in Amazonas, Peru: Integrated Use of AHP, GIS and RS. ISPRS Int. J. Geo-Inf. 2020, 9, 673. [Google Scholar] [CrossRef]

19. Avelino, J.; Cristancho, M.; Georgiou, S.; Imbach, P.; Aguilar, L.; Bornemann, G.; Läderach, P.; Anzueto, F.; Hruska, A.J.; Morales, C. The Coffee Rust Crises in Colombia and Central America (2008–2013): Impacts, Plausible Causes and Proposed Solutions. Food Secur. 2015, 7, 303–321. [Google Scholar] [CrossRef]

20. Durand-Bessart, C.; Tixier, P.; Quinteros, A.; Andreotti, F.; Rapidel, B.; Tauvel, C.; Allinne, C. Analysis of Interactions amongst Shade Trees, Coffee Foliar Diseases and Coffee Yield in Multistrata Agroforestry Systems. Crop Prot. 2020, 133, 105137. [Google Scholar] [CrossRef]

21. Koutouleas, A.; Sarzynski, T.; Bordeaux, M.; Bosselmann, A.S.; Campa, C.; Etienne, H.; Turreira-García, N.; Rigal, C.; Vaast, P.; Ramalho, J.C.; et al. Shaded-Coffee: A Nature-Based Strategy for Coffee Production Under Climate Change? A Review. Front. Sustain. Food Syst. 2022, 6, 877476. [Google Scholar] [CrossRef]

22. Harelimana, A.; Rukazambuga, D.; Hance, T. Pests and Diseases Regulation in Coffee Agroecosystems by Management Systems and Resistance in Changing Climate Conditions: A Review. J. Plant Dis. Prot. 2022, 129, 1041–1052. [Google Scholar] [CrossRef]

23. Motisi, N.; Bommel, P.; Leclerc, G.; Robin, M.-H.; Aubertot, J.-N.; Butron, A.A.; Merle, I.; Treminio, E.; Avelino, J. Improved Forecasting of Coffee Leaf Rust by Qualitative Modeling: Design and Expert Validation of the ExpeRoya Model. Agric. Syst. 2022, 197, 103352. [Google Scholar] [CrossRef]

24. Mazzaglia, A.; Mannu, R.; Rossini, L.; Aristizábal, L.F.; Johnson, M.A. Monitoring Coffee Leaf Rust (Hemileia vastatrix) on Commercial Coffee Farms in Hawaii: Early Insights from the First Year of Disease Incursion. Agronomy 2022, 12, 1134. [Google Scholar] [CrossRef]

25. Gichuru, E.; Alwora, G.; Gimase, J.; Kathurima, C. Coffee Leaf Rust (Hemileia vastatrix) in Kenya—A Review. Agronomy 2021, 11, 2590. [Google Scholar] [CrossRef]

26. Sera, G.H.; de Carvalho, C.H.S.; Abrahão, J.C.d.R.; Pozza, E.A.; Matiello, J.B.; de Almeida, S.R.; Bartelega, L.; Botelho, D.M.D.S. Coffee Leaf Rust in Brazil: Historical Events, Current Situation, and Control Measures. Agronomy 2022, 12, 496. [Google Scholar] [CrossRef]

27. Guerra-Guimarães, L.; Diniz, I.; Azinheira, H.G.; Loureiro, A.; Pereira, A.P.; Tavares, S.; Batista, D.; Várzea, V.; Silva, M.d.C.L.d. Coffee Leaf Rust Resistance: An Overview. In Mutation Breeding in Coffee with Special Reference to Leaf Rust: Protocols; Springer: Berlin/Heidelberg, Germany, 2023; pp. 19–38. ISBN 9783662672730. [Google Scholar]

28. Estrella, A.; Navichoc, D.; Kilian, B.; Dietz, T. Impact Pathways of Voluntary Sustainability Standards on Smallholder Coffee Producers in Honduras: Price Premiums, Farm Productivity, Production Costs, Access to Credit. World Dev. Perspect. 2022, 27, 100435. [Google Scholar] [CrossRef]

29. Talhinhas, P.; Batista, D.; Diniz, I.; Vieira, A.; Silva, D.N.; Loureiro, A.; Tavares, S.; Pereira, A.P.; Azinheira, H.G.; Guerra-Guimarães, L.; et al. The Coffee Leaf Rust Pathogen Hemileia vastatrix: One and a Half Centuries around the Tropics. Mol. Plant Pathol. 2017, 18, 1039–1051. [Google Scholar] [CrossRef]

30. Gamarra, D.P.G.; Suarez, G.T.; Quiñonez, C.M.V.; McTaggart, A.R.; Lozano, E.C.C. Phylogenetic Relationship of Coffee Leaf Rust in the Central Jungle of Peru. Acta Agron. 2021, 70, 155–162. [Google Scholar] [CrossRef]

31. Junta Nacional del Café. La Caficultura Peruana Está En Riesgo Por Bajos Precios y Altos Costos de Producción. 2019. Available online: https://juntadelcafe.org.pe/wp-content/uploads/2019/05/REV-62final-la-caficultura-peruana-esta%CC%81-en-riesgo-1.pdf (accessed on 25 November 2024).

32. Borjas-Ventura, R.; Alvarado-Huaman, L.; Castro-Cepero, V.; Rebaza-Fernández, D.; Gómez-Pando, L.; Julca-Otiniano, A. Behavior of Ten Coffee Cultivars against Hemileia vastatrix in San Ramón (Chanchamayo, Peru). Agronomy 2020, 10, 1867. [Google Scholar] [CrossRef]

33. Quispe-Apaza, C.; Mansilla-Samaniego, R.; Espejo-Joya, R.; Bernacchia, G.; Yabar-Larios, M.; López-Bonilla, C. Spatial and Temporal Genetic Diversity and Population Structure of Hemileia vastatrix from Peruvian Coffee Plantations. Plant Pathol. J. 2021, 37, 280–290. [Google Scholar] [CrossRef]

34. Ministerio de Agricultura y Riego Observatorio de Commodities. Café. 2020. Available online: https://cdn.www.gob.pe/uploads/document/file/1949934/Commodities%20Caf%C3%A9%3A%20oct-dic%202020.pdf (accessed on 25 November 2024).

35. Cerda, R.; Avelino, J.; Gary, C.; Tixier, P.; Lechevallier, E.; Allinne, C. Primary and Secondary Yield Losses Caused by Pests and Diseases: Assessment and Modeling in Coffee. PLoS ONE 2017, 12, e0169133. [Google Scholar] [CrossRef]

36. Rhiney, K.; Guido, Z.; Knudson, C.; Avelino, J.; Bacon, C.M.; Leclerc, G.; Aime, M.C.; Bebber, D.P. Epidemics and the Future of Coffee Production. Proc. Natl. Acad. Sci. USA 2021, 118, e2023212118. [Google Scholar] [CrossRef]

37. Katsuhama, N.; Imai, M.; Naruse, N.; Takahashi, Y. Discrimination of Areas Infected with Coffee Leaf Rust Using a Vegetation Index. Remote Sens. Lett. 2018, 9, 1168–1194. [Google Scholar] [CrossRef]

38. Santos, L.M.d.; Ferraz, G.A.S.; Barbosa, B.D.d.S.; Diotto, A.V.; Andrade, M.T.; Conti, L.; Rossi, G. Determining the Leaf Area Index and Percentage of Area Covered by Coffee Crops Using UAV RGB Images. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2020, 13, 6401–6409. [Google Scholar] [CrossRef]

39. Rodríguez, J.P.; Girón, E.J.; Corrales, D.C.; Corrales, J.C. A Guideline for Building Large Coffee Rust Samples Applying Machine Learning Methods. Adv. Intell. Syst. Comput. 2018, 687, 97–110. [Google Scholar] [CrossRef]

40. Hukkeri, G.S.; Soundarya, B.C.; Gururaj, H.L.; Ravi, V. Classification of Various Plant Leaf Disease Using Pretrained Convolutional Neural Network On Imagenet. Open Agric. J. 2024, 18, e18743315305194. [Google Scholar] [CrossRef]

41. Al Hiary, H.; Ahmad, S.B.; Reyalat, M.; Braik, M.; ALRahamneh, Z. Fast and Accurate Detection and Classification of Plant Diseases. Int. J. Comput. Appl. 2011, 17, 31–38. [Google Scholar] [CrossRef]

42. Zhang, X.; Han, L.; Dong, Y.; Shi, Y.; Huang, W.; Han, L.; González-Moreno, P.; Ma, H.; Ye, H.; Sobeih, T. A Deep Learning-Based Approach for Automated Yellow Rust Disease Detection from High-Resolution Hyperspectral UAV Images. Remote Sens. 2019, 11, 1554. [Google Scholar] [CrossRef]

43. Jin, X.; Yang, H.; Li, Z.; Huang, C.; Yin, D.; Domingues, T.; Brandão, T.; Ferreira, J.C. Machine Learning for Detection and Prediction of Crop Diseases and Pests: A Comprehensive Survey. Agriculture 2022, 12, 1350. [Google Scholar] [CrossRef]

44. Kumar, A.; Kumar, P.; Suman, K. Deep Learning for Automated Diagnosis of Plant Diseases: A Technological Approach. J. Electr. Syst. 2024, 20, 1–8. [Google Scholar] [CrossRef]

45. Gallignani, M.; Torres, M.; Ayala, C.; Brunetto, M.D.R. Determinación de Cafeína En Café Mediante Espectrometría Infrarroja de Transformada de Fourier. Rev. Téc. Fac. Ing. Univ. Zulia 2008, 31, 159–168. [Google Scholar]

46. Dolatabadian, A.; Neik, T.X.; Danilevicz, M.F.; Upadhyaya, S.R.; Batley, J.; Edwards, D. Image-Based Crop Disease Detection Using Machine Learning. Plant Pathol. 2024, 74, 18–38. [Google Scholar] [CrossRef]

47. Ngugi, H.N.; Ezugwu, A.E.; Akinyelu, A.A.; Abualigah, L. Revolutionizing Crop Disease Detection with Computational Deep Learning: A Comprehensive Review. Environ. Monit. Assess. 2024, 196, 302. [Google Scholar] [CrossRef]

48. Shoaib, M.; Shah, B.; EI-Sappagh, S.; Ali, A.; Ullah, A.; Alenezi, F.; Gechev, T.; Hussain, T.; Ali, F. An Advanced Deep Learning Models-Based Plant Disease Detection: A Review of Recent Research. Front. Plant Sci. 2023, 14, 1158933. [Google Scholar] [CrossRef]

49. Parraga-Alava, J.; Cusme, K.; Loor, A.; Santander, E. RoCoLe: A Robusta Coffee Leaf Images Dataset for Evaluation of Machine Learning Based Methods in Plant Diseases Recognition. Data Br. 2019, 25, 104414. [Google Scholar] [CrossRef] [PubMed]

50. Vilela, Z.K.; Huatangari, L.Q.; Alva, R.R.; Guevara, U.G. Inventario Turístico Como Base Para La Evaluación de Los Recursos Turísticos Del Distrito de Chirinos, Provincia de San Ignacio, Cajamarca—2017. Rev. Cient. Pakamuros 2023, 7. [Google Scholar] [CrossRef]

51. Quispe, E.R.A.; Ordáz, L.M.L. Informe Técnico N° A7346 Evaluación de Peligros Geológicos Por Deslizamientos En Los Caseríos Cunía y Juan Velasco Alvarado, Distrito Chirinos, Provincia San Ignacio, Departamento Cajamarca. 2023. Available online: https://sigrid.cenepred.gob.pe/sigridv3/documento/15546 (accessed on 16 December 2024).

52. SUCAFINA. Sucafina: Cosecha de Mujer Prosperidad de Chirinos FW Organic. Available online: https://sucafina.com/na/offerings/cosecha-de-mujer-prosperidad-de-chirinos-fw-organic (accessed on 4 July 2024).

53. Gobierno Regional de Cajamarca. Zonificación Ecológica y Económica Territorial Del Departamento de Cajamarca: Cajamarca, Peru 2011. Available online: https://sinia.minam.gob.pe/sites/default/files/sinia/archivos/public/docs/estudio_de_la_propuesta_de_zee_1.pdf (accessed on 15 October 2024).

54. Yajahuanca, M. Factores Que Limitan La Oferta Exportable de Café de Los Productores Del Distrito de San José Del Alto-Jaén, 2021. 2023. Available online: https://hdl.handle.net/20.500.12727/13382 (accessed on 4 July 2024).

55. Ramírez, E.; Calvo, J.C. Caracterización de Los Sistemas Agroforestales Con Café En El Área de Amortiguamiento de La Reserva de Biosfera La Amistad, Pejibaye de Jiménez, Costa Rica. Agrofor. Am. 2003, 10, 69–73. [Google Scholar]

56. Documet-Petrlik, K.; Dávila Rivera, A.; Chávez Salazar, Á.; Chappa-Santa María, V. Calidad Organoléptica Del Café Bajo El Efecto de La Roya Amarilla (Hemileia vastatrix) En Alto Shamboyacu–Lamas. Rev. Agrotecnológica Amaz. 2022, 2, e260. [Google Scholar] [CrossRef]

57. Méndez-Mendoza, H.; Romero-Rivas, L.; Acosta-Trinidad, L. Study of the Severity of Hemileia Vastatrix Berkeley & Broome in Coffee Plants Cv. Caturra Rojo, under Villa Rica Conditions. An. Cient. 2024, 85, 12–21. [Google Scholar] [CrossRef]

58. Moguel, P.; Toledo, V.M. Biodiversity Conservation in Traditional Coffee Systems of Mexico. Conserv. Biol. 1999, 13, 11–21. [Google Scholar] [CrossRef]

59. Escobar-López, A.; Castillo-Santiago, M.Á.; Mas, J.F.; Hernández-Stefanoni, J.L.; López-Martínez, J.O. Identification of Coffee Agroforestry Systems Using Remote Sensing Data: A Review of Methods and Sensor Data. Geocarto Int. 2024, 39, 2297555. [Google Scholar] [CrossRef]

60. Pérez-Vázquez, A.; Pérez-Sánchez, O.; Lango-Reynoso, V.; Escamilla-Prado, E. The Coffee Agroecosystem: Traditional Polyculture versus Commercial Polyculture in Chocamán, Veracruz. Rev. Mex. Cienc. Agric. 2024, 15, e3248. [Google Scholar] [CrossRef]

61. Hunt, D.A.; Tabor, K.; Hewson, J.H.; Wood, M.A.; Reymondin, L.; Koenig, K.; Schmitt-Harsh, M.; Follett, F. Review of Remote Sensing Methods to Map Coffee Production Systems. Remote Sens. 2020, 12, 2041. [Google Scholar] [CrossRef]

62. Manson, S.; Nekaris, K.A.I.; Nijman, V.; Campera, M. Effect of Shade on Biodiversity within Coffee Farms: A Meta-Analysis. Sci. Total Environ. 2024, 914, 169882. [Google Scholar] [CrossRef]

63. Shahoveisi, F.; Gorji, H.T.; Shahabi, S.; Hosseinirad, S.; Markell, S.; Vasefi, F. Application of Image Processing and Transfer Learning for the Detection of Rust Disease. Sci. Rep. 2023, 13, 5133. [Google Scholar] [CrossRef]

64. Salehi, A.W.; Khan, S.; Gupta, G.; Alabduallah, B.I.; Almjally, A.; Alsolai, H.; Siddiqui, T.; Mellit, A. A Study of CNN and Transfer Learning in Medical Imaging: Advantages, Challenges, Future Scope. Sustainability 2023, 15, 5930. [Google Scholar] [CrossRef]

65. Kushalappa, A.C.; Ludwig, A. Calculation of Apparent Infection Rate in Plant Diseases: Development of a Method to Correct for Host Growth. Phytopathology 1982, 72, 1373–1377. [Google Scholar] [CrossRef]

66. Macchiavelli, R.E.; Rodríguez, R.d.P. Método Para Estimar Con Eficiencia La Incidencia de Roya En Plantaciones de Cafetos. J. Agric. Univ. Puerto Rico 2000, 84, 65–78. [Google Scholar] [CrossRef]

67. Gamboa, H.; Urias, C. Sistema de Alerta Temprana Para La Roya y Otras Plagas Del Café Para La Region Del OIRSA. 2014. Available online: https://www.oirsa.org/contenido/2018/Sanidad_Vegetal/Manuales%20OIRSA%202015-2018/ANEXO.%203.%20SISTEMA%20DE%20ALERTA%20TEMPRANA%20PARA%20LA%20ROYA%20Y%20OTRAS%20PLAGAS%20DEL%20CAFE%20(1).pdf (accessed on 16 December 2024).

68. Madden, L.V.; Hughes, G.; van den Bosch, F. The Study of Plant Disease Epidemics; The American Phytopathological Society: Saint Paul, MN, USA, 2017. [Google Scholar]

69. Dirección General de Sanidad Vegetal CNRF-VEFCC 2018. Manual Técnico Operativo 2018, Para La Vigilancia Epidemiológica Fitosanitaria En El Cultivo Del Cafeto. 2018. Available online: https://prod.senasica.gob.mx/SIRVEF/ContenidoPublico/Roya%20cafeto/Estrategia%20operativa/ManualOperativoRoyaCafeto.pdf (accessed on 16 December 2024).

70. Essoh, S.L.E.; Kenfack, H.M.T.; Ebele, B.A.M.; Mbietieu, A.M.; Etoua, O.V.E. Detection and Classification of Coffee Plant Diseases by Image Processing and Machine Learning. In Lecture Notes of the Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering, LNICST, Proceedings of the Pan-African Artificial Intelligence and Smart Systems PAAISS 2021, Windhoek, Namibia, 6–8 September 2021; Springer: Cham, Switzerland, 2022; Volume 405, pp. 137–149. [Google Scholar]

71. Belan, L.L.; Rafael, A.d.M.; Gomes, C.A.G.; Alves, F.R.; Junior, W.C.d.J.; Moraes, W.B. Standard Area Diagram with Color Photographs to Estimate the Severity of Coffee Leaf Rust in Coffea Canephora. Crop Prot. 2020, 130, 105077. [Google Scholar] [CrossRef]

72. Abuhayi, B.M.; Mossa, A.A. Coffee Disease Classification Using Convolutional Neural Network Based on Feature Concatenation. Inform. Med. Unlocked 2023, 39, 101245. [Google Scholar] [CrossRef]

73. Caléo, P.d.A.; Gabriel, F.J.B.; Jean, F.d.C.P.; Bianca, C.d.D.; Flávia, R.A.P.; Sérgio, A.M.C.; Alisson, F.C.; Luciana, L.B.-R. Precise Assessment of Angular Leaf Spot Severity Using the Leaf Doctor App for Common Beans. Afr. J. Biotechnol. 2021, 20, 169–174. [Google Scholar] [CrossRef]

74. Pethybridge, S.J.; Nelson, S.C. Leaf Doctor: A New Portable Application for Quantifying Plant Disease Severity. Plant Dis. 2015, 99, 1310–1316. [Google Scholar] [CrossRef]

75. Fragoso-Benhumea, J.M.; Sánchez-Pale, J.R.; Castañeda-Vildózola, Á.; Franco-Mora, O.; Gutiérrez-Ibáñez, A.T.; Contreras-Rendón, A.; García-Velasco, R. Diagrammatic Scale for Rust Severity Assessment in Broad Bean (Vicia faba). Rev. Mex. Fitopatol. 2022, 40, 474–482. [Google Scholar] [CrossRef]

76. Signo, S.D.R.; Tuquero, C.L.G.; Arboleda, E.R.; Signo, S.D.R.; Tuquero, C.L.G.; Arboleda, E.R. Coffee Disease Detection and Classification Using Image Processing: A Literature Review. Int. J. Sci. Res. Arch. 2024, 11, 1614–1621. [Google Scholar] [CrossRef]

77. Jepkoech, J.; Mugo, D.M.; Kenduiywo, B.K.; Too, E.C. Arabica Coffee Leaf Images Dataset for Coffee Leaf Disease Detection and Classification. Data Br. 2021, 36, 107142. [Google Scholar] [CrossRef] [PubMed]

78. Novtahaning, D.; Shah, H.A.; Kang, J.-M. Deep Learning Ensemble-Based Automated and High-Performing Recognition of Coffee Leaf Disease. Agriculture 2022, 12, 1909. [Google Scholar] [CrossRef]

79. Anjna; Sood, M.; Singh, P.K. Hybrid System for Detection and Classification of Plant Disease Using Qualitative Texture Features Analysis. Procedia Comput. Sci. 2020, 167, 1056–1065. [Google Scholar] [CrossRef]

80. Bolívar-Santamaría, S.; Reu, B. Assessing Canopy Structure in Andean (Agro)Forests Using 3D UAV Remote Sensing. Agrofor. Syst. 2024, 98, 1225–1241. [Google Scholar] [CrossRef]

81. Kim, D.G.; Isaac, M.E. Nitrogen Dynamics in Agroforestry Systems. A Review. Agron. Sustain. Dev. 2022, 42, 1269141. [Google Scholar] [CrossRef]

82. Tinoco-Jaramillo, L.; Vargas-Tierras, Y.; Paredes-Arcos, F.; Viera, W.; Suárez-Tapia, A.; Vargas-Tierras, T.; Suárez-Cedillo, S.; Morales-León, V.; Vásquez-Castillo, W. Nutrient Contribution and Carbon Sequestration of an Agroforestry System of Coffea Canephora Cultivated by Conventional and Organic Management in the Ecuadorian Amazon. Forests 2024, 15, 807. [Google Scholar] [CrossRef]

83. de Melo, E.F.E.; Estuardo, C.C.; Carlos, A.D. Agroforestería Sostenible Agroforestería Sostenible En La Amazonía Ecuatoriana; Centro Agronómico Tropical de Investigación y Enseñanza: Turrialba, Costa Rica, 2014. [Google Scholar]

84. Kebebew, Z.; Ozanne, C. Diversity, Preference, and Conservation Priority of Woody Plant Species in Coffee Agroforestry System in Southwest Ethiopia. Front. For. Glob. Chang. 2024, 7, 1269141. [Google Scholar] [CrossRef]

85. Ehrenbergerová, L.; Cienciala, E.; Kučera, A.; Guy, L.; Habrová, H. Carbon Stock in Agroforestry Coffee Plantations with Different Shade Trees in Villa Rica, Peru. Agrofor. Syst. 2016, 90, 433–445. [Google Scholar] [CrossRef]

86. Júnior, C.A.M.d.A.; Martins, G.D.; Xavier, L.C.M.; Vieira, B.S.; Gallis, R.B.d.A.; Junior, E.F.F.; Martins, R.S.; Paes, A.P.B.; Mendonça, R.C.P.; Lima, J.V.d.N. Estimating Coffee Plant Yield Based on Multispectral Images and Machine Learning Models. Agronomy 2022, 12, 3195. [Google Scholar] [CrossRef]

87. López-Flores, A.I.; Rodríguez-Flores, C.I.; Arizmendi, M.d.C.; Rosas-Guerrero, V.; Almazán-Núñez, R.C. Shade Coffee Plantations Favor Specialization, Decrease Robustness and Increase Foraging in Hummingbird-Plant Networks. Perspect. Ecol. Conserv. 2024, 22, 24–34. [Google Scholar] [CrossRef]

88. Calvillo-Arriola, A.E.; Sotelo-Navarro, P.X. A Step towards Sustainability: Life Cycle Assessment of Coffee Produced in the Indigenous Community of Ocotepec, Chiapas, Mexico. Discov. Sustain. 2024, 5, 1–16. [Google Scholar] [CrossRef]

89. Jonsson, M.; Raphael, I.A.; Ekbom, B.; Kyamanywa, S.; Karungi, J. Contrasting Effects of Shade Level and Altitude on Two Important Coffee Pests. J. Pest Sci. 2015, 88, 281–287. [Google Scholar] [CrossRef]

90. Le, V.H.; Truong, C.T.; Le, A.H.; Nguyen, B.T. A Combination of Shade Trees and Soil Characteristics May Determine Robusta Coffee (Coffea Canephora) Yield in a Tropical Monsoon Environment. Agronomy 2022, 13, 65. [Google Scholar] [CrossRef]

91. DaMatta, F.M. Ecophysiological Constraints on the Production of Shaded and Unshaded Coffee: A Review. Field Crops Res. 2004, 86, 99–114. [Google Scholar] [CrossRef]

92. Corzo-Bacallao, J.A.; Salas-Macias, C.A.; Fonseca-Rodriguez, O.; Garces-Fiallos, F.R.; Alcivar-Munoz, E.I.; Baque-Loor, H.F. Influence of Tree Shade on the Growth and Chlorophyll Content of Arabica Coffee Plants Established in an Agroforestry System at Southern Manabí, Ecuador. Sarhad J. Agric. 2024, 39, 37–47. [Google Scholar] [CrossRef]

93. Malau, S.; Tampubolon, B.; Lumbanraja, P.; Sihotang, M.R.; Naibaho, B. Response of Arabica Coffee Populations on Coffee Leaf Rust in Two Weather Conditions in North Sumatra, Indonesia. IOP Conf. Ser. Earth Environ. Sci. 2024, 1297, 012017. [Google Scholar] [CrossRef]

94. Rojas-Chacón, J.A.; Echeverría-Beirute, F.; Till, B.J.; Gatica-Arias, A. Assessment of Hemileia vastatrix Resistance in Chemically Mutagenized Coffea arabica L. Leaf Discs and the Emergence of a Novel Resistance Scale. J. Plant Pathol. 2024, 106, 1093–1106. [Google Scholar] [CrossRef]

95. Malau, S.; Sihotang, M.R. Resistance of Genotypes of Arabica Coffee against Rust on Leaf of Coffee Plant in Different Locations in Province of North Sumatra, Indonesia. IOP Conf. Ser. Earth Environ. Sci. 2024, 1302, 012002. [Google Scholar] [CrossRef]

96. Gokavi, N.; Gangadharappa, P.M.; Satish, D.; Nishani, S.; Hiremath, J.S.; Koulagi, S. Phenotypic and Genotypic Variability among Exotic Arabica Coffee Genotypes Using Morphological and Molecular Markers (SRAP). Ecol. Genet. Genom. 2023, 29, 100214. [Google Scholar] [CrossRef]

97. Ayalew, B.; Hylander, K.; Adugna, G.; Zewdie, B.; Tack, A.J.M. Impact of Climate on a Host–Hyperparasite Interaction on Arabica Coffee in Its Native Range. J. Appl. Ecol. 2024, 61, 538–550. [Google Scholar] [CrossRef]

98. Pham, Y.; Reardon-Smith, K.; Mushtaq, S.; Cockfield, G. The Impact of Climate Change and Variability on Coffee Production: A Systematic Review. Clim. Chang. 2019, 156, 609–630. [Google Scholar] [CrossRef]

99. Magrach, A.; Ghazoul, J. Climate and Pest-Driven Geographic Shifts in Global Coffee Production: Implications for Forest Cover, Biodiversity and Carbon Storage. PLoS ONE 2015, 10, e0133071. [Google Scholar] [CrossRef]

100.                Poma-Angamarca, R.A.; Rojas, J.R.; Sánchez-Rodríguez, A.; Ruiz-González, M.X. Diversity of Leaf Fungal Endophytes from Two Coffea Arabica Varieties and Antagonism towards Coffee Leaf Rust. Plants 2024, 13, 814. [Google Scholar] [CrossRef]

101.                Liang, Q.; Xiang, S.; Hu, Y.; Coppola, G.; Zhang, D.; Sun, W. PD 2 SE-Net: Computer-Assisted Plant Disease Diagnosis and Severity Estimation Network. Comput. Electron. Agric. 2019, 157, 518–529. [Google Scholar] [CrossRef]

102.                Esgario, J.G.M.; Krohling, R.A.; Ventura, J.A. Deep Learning for Classification and Severity Estimation of Coffee Leaf Biotic Stress. Comput. Electron. Agric. 2020, 169, 105162. [Google Scholar] [CrossRef]

103.                Yamashita, J.V.Y.B.; Leite, J.P.R.R. Coffee Disease Classification at the Edge Using Deep Learning. Smart Agric. Technol. 2023, 4, 100183. [Google Scholar] [CrossRef]

104.                Sutton, J.C.; Gillespie, T.J.; Hildebrand, P.D. Monitoring Weather Factors in Relation to Plant Disease. Plant Dis. 1984, 68, 78–84. [Google Scholar] [CrossRef]

105.                Henao, R.M. Influencia Da Temperature e Da Luz Na Germinacao, Infectividade e Periodo de Geracao de Hemileia Vastratix Berk et Br.; Universidade Federal de Vicosa: Vicosa, MG, Brazil, 1974; p. 60. [Google Scholar]

106.                Kushalappa, A.C. Application of Survival Ratio for Monocyclic Process of Hemileia Vastatrix in Predicting Coffee Rust Infection Rates. Phytopathology 1983, 73, 96. [Google Scholar] [CrossRef]

Ocaña-Zuñiga C, Quiñones-Huatangari L, Barboza E, Peña NC, Zamora SH, Ojeda JMP. Coffee Rust Severity Analysis in Agroforestry Systems Using Deep Learning in Peruvian Tropical Ecosystems. Agriculture. 2025; 15(1):39. https://doi.org/10.3390/agriculture15010039

Перевод статьи «Coffee Rust Severity Analysis in Agroforestry Systems Using Deep Learning in Peruvian Tropical Ecosystems» авторов Ocaña-Zuñiga C, Quiñones-Huatangari L, Barboza E, Peña NC, Zamora SH, Ojeda JMP., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык