Random forest na previsão da produção de cana-de-açúcar

• Ano de defesa: 2023
• Autor(a) principal: Ferreira, Hugo Guiné Pinto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Metodo da árvore de decisão; Agricultura de precisão; Big data; Precision agriculture DLC; Decision tree
• Link de acesso: http://hdl.handle.net/11449/243451

A cana-de-açúcar é a principal fonte de energia renovável no Brasil com um futuro promissor em todo o mundo, tanto na questão econômica quanto na ambiental. Assim, buscar métodos que melhorem a capacidade de previsão do rendimento da cultura é estratégico para a sustentabilidade da produção. O objetivo do trabalho foi testar o algoritmo de aprendizado de máquina Random Forest (RF) para previsão da produtividade da cana-de-açúcar a partir dos atributos do solo e práticas de manejos da cultura em áreas comerciais no noroeste paulista. Foram utilizados dados dos anos de 2016 a 2018, com um total de 70 mil hectares de área plantada. Os resultados indicam que a acurácia dos modelos encontrados estão entre 77 e 94%. As variáveis de manejo, tais como, número de cortes e época de colheita, foram as principais condicionantes da produtividade da cultura, em relação às variáveis químicas do solo. Os resultados indicam que o algoritmo RF apresentou precisão satisfatória, evidenciando sua aplicação na tomada de decisão dentro das unidades produtoras.