Previsão de produtividade de café no Brasil por aprendizagem de máquina

• Processo: 19/08010-1
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de setembro de 2019
• Data de Término da vigência: 31 de agosto de 2021
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Glauco de Souza Rolim
• Beneficiário: Glauco de Souza Rolim
• Instituição Sede: Faculdade de Ciências Agrárias e Veterinárias (FCAV). Universidade Estadual Paulista (UNESP). Campus de Jaboticabal. Jaboticabal , SP, Brasil
• Pesquisadores associados: Newton La Scala Júnior
• Assunto(s): Redes neurais (computação) Inteligência artificial Aprendizado computacional Agricultura Café Balanço hídrico Análise de risco Previsão climatológica Mudança climática
• Palavra(s)-Chave do Pesquisador: Agricultura | Análise De Risco | café | Inteligência Artificial | machine learning | Redes neurais | Machine Learning

Resumo

O Brasil é o maior produtor e exportador de café do mundo, sendo a variabilidade climática o principal fator responsável pelas oscilações e frustações das safras. Previsões antecipadas de produtividade colaboram eficientemente em tomadas de decisões em todos os níveis da cadeia produtiva, uma vez que permitem estimar o nível de investimento e estratégias a serem feitas nas lavouras. O sistema agrícola é um exemplo de sistema multivariado extremamente complexo, e a aprendizagem de máquina (Machine Learning, ML) está na vanguarda em modelagem de sistemas complexos no mundo. A ML associada às tecnologias de "big data" e computação de alto desempenho estão criando uma onda crescente de aplicações na área agronômica nas últimas décadas, visivelmente exemplificadas pelo número crescente de artigos científicos internacionais. As MLs já são utilizadas por órgãos governamentais com sucesso em alguns países do mundo para previsão de produtividade. As MLs não estão baseadas em relações físicas e biológicas entre as variáveis e, devido a isso, na década de 90 estas eram consideradas, juntamente com a falta de poder computacional, a principal limitação de utilização desses modelos. Porém, atualmente considera-se que os modelos de ML preenchem os vazios teóricos, a falta de dados específicos, principalmente em condições de campo e generaliza problemas agrícolas de forma muito eficiente, o que torna possível realizar estimações e previsões. Vários trabalhos são encontrados na literatura sobre estimações de produtividade para café (crop models), entretanto, problemas de previsão (futuro) são eminentemente estatísticos, e a literatura na área agronômica no Brasil e no mundo é escassa. Este trabalho tem como objetivo a previsão antecipada de produtividade, utilizando MLs, com pelo menos 6 meses antes do início da colheita do café canéfora e arábica para diferentes escalas espaciais: 1°) Nacional, 2°) Estadual e 3°) Regional (Principais regiões produtoras no Brasil). As previsões serão feitas a partir de variáveis climáticas decendiais antes da colheita e referentes aquele ciclo produtivo: temperatura do ar, precipitação pluviométrica, irradiância solar global, velocidade do vento, saldo de radiação e umidade relativa proveniente de dados em grid do sistema NASA-POWER. Dados de componentes do balanço hídrico também serão utilizados, tais como: evapotranspiração de referência e real, armazenamento de água do solo, deficiência e excedentes hídricos. Todos os dados utilizados serão do período de 2002 a 2018 e será feita uma seleção dos dados meteorológicos mais importantes para cada região por análise de componentes principais. As MLs a serem testadas serão 'Multilayer Perceptron', 'Support Vector Machine' e Decision Trees', com várias topologias, funções de ativação, taxas de aprendizagem e variáveis na camada de entrada. A primeira parte do trabalho será feita com dados de campo de produtividade de café, que serão fornecidos pela cooperativa COOXUPÉ para o cerrado e sul de Minas Gerais (20 locais), o que indicará a escolha de topologias e tipos de MLs a serem aplicados para outros estados. Na segunda etapa do trabalho serão utilizados dados de produtividade oficiais do PAM-SIDRA/IBGE para treinamento das ML em nível de país, estado e regiões cafeicultoras. As MLs e topologias ajustadas na primeira etapa serão inicialmente utilizadas nesta segunda etapa, mas podem requerer novas parametrizações. Espera-se que este trabalho traga um método robusto para previsão antecipada de produtividade de café para o Brasil a partir de diferentes condições climáticas. (AU)