Estimação da produtividade de soja a partir de modelo agrometeorológico com base em inteligência artificial

• Ano de defesa: 2023
• Autor(a) principal: Santos, Tatiana da Silva
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Análise de cluster; Aprendizado de máquinas; Produtividade agrícola; Estádio fenológico; Redes neurais
• Link de acesso: https://hdl.handle.net/11449/251633

O Brasil é o maior produtor de soja do mundo e o clima é um dos principais fatores que influenciam a produtividade da soja. Identificar os elementos meteorológicos que influenciam na produtividade da soja, assim como a utilização de modelos de predição de produtividade podem auxiliar os produtores nas tomadas de decisões e estratégias de gerenciamento do campo. Nesse contexto, objetivo deste trabalho foi: a) identificar a influência dos fatores meteorológicos em cada estádio fenológico da soja, b) identificar qual melhor algoritmo de aprendizagem de máquina (ML) para estimação e predição de produtividade de soja no Brasil com base em dados climáticos. Tanto os dados de produtividade quanto os dados meteorológicos são de uma série histórica de 30 anos (1988 a 2018). Os dados metrológicos são provenientes do NASAPOWER, foram coletados: precipitação (mm), temperatura média, máxima e mínima do ar (ºC), velocidade do vento média, máxima e mínima (m s-1), umidade relativa (%), radiação solar no topo da atmosfera (MJ m2 dia-1) e radiação solar global (MJ m2 dia-1). Para o objetivo “a” foi realizado analise de correlação de Pearson, resultando em 4 grupos determinados de acordo com a sua similaridade climática, e para o objetivo “b” foi utilizado o método de modelagem tradicional de regressão linear múltipla (RLM) e três métodos de aprendizado de máquina (ML): Random Forest (RF) Support vector machine (SVM) e Multilayer perceptron. Para avaliação dos modelos foi utilizado o R2 ajustado (R2 adj), erro quadrático médio (RMSE) e erro médio absoluto (MAE). Os dados foram separados em 70% para treino e 30% para teste. Todas as análises foram realizadas no software Python 3.8. Os fatores meteorológicos influenciaram a produtividade de formas diferente de acordo com o estádio fenológico da cultura. O RF apresentou o melhor desempenho para o grupo 4, com R2 adj de 0,76 e RMSE de 389,41 kg ha−1. O RLM apresentou o menor desempenho para grupo 4, com R2 adj de 0,01 e RMSE de 3993,8kg ha−1. Portanto, com os resultados do estudo concluímos que é possível estimar e predizer a produtividade de soja utilizando algoritmos de aprendizado de máquina. O RF possui precisão e acurácia para predizer a produtividade de soja no Brasil. Os fatores meteorológicos influenciam a produtividade da soja de diferentes formas em cada estádio fenológico da cultura.