Modelagem agrometeorológica por inteligência artificial para previsão da produtividade de palmeiras na Amazônia Oriental

• Ano de defesa: 2021
• Autor(a) principal: Moraes, José Reinaldo Da Silva Cabral De [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Meteorologia florestal; Palmeira; Coqueiro; Python (Computer program language)
• Link de acesso: http://hdl.handle.net/11449/214032

A expansão de palmeiras de alto valor comercial e industrial como a palma de óleo, o açaizeiro e o coqueiro, necessitam de informações e estratégias sustentáveis para seus sistemas de cultivos. Modelos agrometeorológicos atuam como uma ferramenta exploratória para os tomadores de decisão e aliado a inteligência artificial (IA) auxiliam no planejamento do uso da terra para cultivos agrícolas anuais e/ou perenes. Tais métodos desempenham um papel importante na previsão de produtividade, no entanto, poucas pesquisas têm sido aplicadas visando a modelagem de palmeiras, que sejam suficientemente simples e ao mesmo tempo incorporem o conhecimento fenológico e climático suficientes para ser estudada em locais com diferentes condições de crescimento e práticas de manejo. Neste sentido, objetiva-se avaliar o desempenho de modelos de IA na modelagem agrometeorológica para previsão da produtividade da palma de óleo, açaí e do coco na Amazônia Oriental. O estudo foi realizado em várias regiões do estado do Pará. Os dados de produtividade de palma de óleo e coco foram disponibilizados por empresas produtoras situadas na Amazônia, e de açaí de áreas experimentais da Embrapa Amazônia oriental. Foram utilizados diferentes modelos de IA para prever a produtividade das culturas. Para todos os modelos, foram separados 70% dos dados para treinamento e 30% para teste. Os modelos ajustados foram: Regressão linear múltipla (RLM), Random Forest (RF), Redes neurais artificiais Multilayer Perceptron (MLP) e Support Vector Machine de base radial RBF (SVM_RBF), Linear (SVM_Linear) e Polinomial (SVM_Poly), usando a linguagem de programação Python. Os modelos foram avaliados por meio da acurácia, precisão e tendência, comparando dados observados e previstos. Os dados observados em campo e obtidos pelos modelos de IA foram comparados pelo R2, MAPE, RMSE e ME. Modelos de IA com 4 meses antes da colheita apresentaram acurácia média (MAPE) de 22% para previsão de produtividade da palma de óleo. Para o açaí, variaram de 4 a 7 meses entre os diferentes tipos de manejo e épocas do ano com MAPE médio igual a 19%. Para o coqueiro, os resultados apontaram previsões com até 11 meses antes da colheita com MAPE médio igual a 15%. Houve uma perda de precisão dos modelos ao prever dados extremos, com subestimação na previsão em situações de altas produtividades e superestimação em baixas produtividades. No geral, os modelos de IA demostraram desempenho importante para prever a produtividade das palmeiras estudadas, subsidiando produtores, agroindústrias e outros planejadores a melhor tomada de decisão.