Rumo à agricultura inteligente: previsão de produtividade agrícola com dados agrometeorológicos usando machine learning

• Ano de defesa: 2021
• Autor(a) principal: Meneses, Kamila Cunha De [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Inteligência artificial; Agricultura; Produtividade agrícola; Artificial intelligence; Agriculture
• Link de acesso: http://hdl.handle.net/11449/215831

Sistemas agrícolas baseados em tecnologias digitais podem contribuir para um aumento da segurança alimentar global como parte dos esforços de mitigação e adaptação às mudanças climáticas. Um modelo acurado para previsão da produtividade beneficia muitos aspectos do gerenciamento de áreas produtivas. Portanto, nossa hipótese é a possibilidade do uso de algoritmos de machine learning para a previsão da produtividade em regiões do Brasil. Neste contexto, foram utilizadas séries históricas de produtividade de dois principais cultivos do Brasil. No primeiro trabalho, o objetivo foi prever a produtividade da cana-de-açúcar com seis meses de antecedência da colheita com acurácia em várias regiões produtoras do Brasil, utilizando modelos de machine learning. No segundo trabalho, o objetivo foi prever a produtividade do algodão usando algoritmos de machine learning baseado em elementos climáticos. Para cana-de-açúcar, nós utilizamos dados de produtividade da cana-de-açúcar de 62 localidades do Brasil. Foram utilizados também dados meteorológicos diários de temperatura média do ar, temperatura mínima, temperatura máxima, precipitação, velocidade do vento a 2 metros de altura, umidade relativa, irradiância solar no topo da atmosfera, irradiância solar global coletados na plataforma NASA/POWER. Foi utilizado um método de modelagem tradicional de regressão linear múltipla (RLM) e seis métodos de aprendizado de máquina (ML): support vector machine (SVM), random forest approach (RF), Artificial neural network (ANN), Least Absolute Shrinkage and Selection Operator (LASSO) regression, RIDGE regression e eXtreme Gradient Boosting (XGBoost) para prever a produtividade da cana-de-açúcar com seis meses de antecedência. Para o algodão, foi realizada a previsão da produtividade do algodão em função dos elementos climáticos por meio de algoritmos de aprendizado de máquina com quatro parâmetros ajustados por mínimos quadrados ordinários. Para cana-de-açúcar foram separados 4 grupos de localidades conforme a produtividade a partir de análise de cluster. Nos grupos 1 e 2 ocorrem os maiores valores de deficiência hídrica nas localidades produtoras de cana-de-açúcar. No teste dos modelos de ML, os valores de MAPE foram acima de 20%. No teste dos modelos pelo XGBOOST apresentou MAPEs de 29.71%, 26.79%, 43.5% e 33.36% para os grupos 1, 2, 3 e 4, respectivamente. Os modelos XBOOST e MLP apresentam os melhores desempenhos para a previsão de produtividade da cana-de-açúcar. Os modelos mostram que a produtividade do algodão apresenta tendência sigmóide devido ao acúmulo de precipitação, evapotranspiração potencial, armazenamento de água no solo e excedente hídrico durante o ciclo. É possível prever a produtividade do algodão para as principais regiões produtoras do Brasil usando algoritmos de aprendizado de máquina. Modelos de regressores Extra-trees tiveram melhor desempenho na previsão da produtividade do algodão usando dados climáticos do plantio à floração.