Influência climática no desenvolvimento e produtividade de videira (Vitis vinifera l.) descrito por modelos de aprendizagem de máquina

• Ano de defesa: 2024
• Autor(a) principal: Silva, Thaís Rayane Gomes da [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Machine learning; Climatologia agrícola; Regiões vinícolas
• Link de acesso: https://hdl.handle.net/11449/259529

A produção de uvas para vinificação é altamente relevante globalmente e depende de condições meteorológicas específicas, que influenciam a qualidade e produtividade das videiras. Mudanças no clima, como temperaturas elevadas e variações na precipitação, impactam a fenologia e a composição das uvas, afetando a qualidade do vinho. A modelagem agrometeorológica e algoritmos de aprendizagem de máquina têm se mostrado eficazes para prever a produtividade da videira, permitindo adaptações na viticultura e auxiliando na gestão sustentável diante das variabilidades climáticas. A pesquisa analisou dados de produtividade da videira e variáveis climáticas de sete regiões do Sul do Brasil entre 1982 e 2021. Dados climáticos foram obtidos da NASA-Power e de produtividade do Sidras IBGE, permitindo avaliar o impacto climático nos estádios fenológicos da videira. Foram utilizados modelos de aprendizagem de máquina, como Regressão Linear Múltipla, Random Forest, Suporte Vector Machine e CatBoost, com validação cruzada para prever a produtividade. A correlação de Spearman e modelos de regressão não-linear aprofundaram a análise das relações entre clima e produtividade. O estudo mostrou um aumento gradual nas temperaturas ao longo dos estádios fenológicos da videira, com variações regionais na influência dos elementos climáticos sobre a produtividade. Enquanto a temperatura máxima e radiação líquida foram mais relevantes na região de Vinhos de Bituruna, a temperatura do ar e umidade do solo se destacaram na região da Campanha Gaúcha. Utilizando um conjunto de dados consolidado e modelos de aprendizagem de máquina, o CatBoost apresentou os melhores resultados de precisão e adaptabilidade. A análise demonstrou que a umidade relativa tem correlação positiva com a produtividade, e com a evapotranspiração de referência apresenta correlação negativa moderada. Esses resultados destacam a importância de considerar elementos climáticos e geográficos específicos para otimizar a viticultura.