Modelos de machine learning para previsão antecipada de produtividade da cana-de-açúcar para as principais regiões produtoras no brasil

• Processo: 22/11597-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de outubro de 2022
• Data de Término da vigência: 30 de setembro de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Probabilidade e Estatística Aplicadas
• Pesquisador responsável: Glauco de Souza Rolim
• Beneficiário: Marina Moreira Santos
• Instituição Sede: Faculdade de Ciências Agrárias e Veterinárias (FCAV). Universidade Estadual Paulista (UNESP). Campus de Jaboticabal. Jaboticabal , SP, Brasil
• Assunto(s): Inteligência artificial Python
• Palavra(s)-Chave do Pesquisador: Agrometeorology | artificial intelligence | Crop model | Phenology | python | Yield Forecasting | Agrometeorology

Resumo

O Brasil é o maior produtor mundial da cultura da cana-de-açúcar, além dos recordes de produção e exportação de açúcar, é um grande produtor de etanol e seu bagaço é utilizado para gerar energia elétrica. As condições climáticas exercem grande influência no desenvolvimento e na produtividade no cultivo de cana de-açúcar. Ela tem um ciclo longo, de ano ou ano e meio, ficando muito exposta às condições, dessa forma, estudos que quantificam a influência climática no desenvolvimento e na produtividade são necessários.A estimação é a quantificação de um evento atual, enquanto que, a previsão é a quantificação de um evento futuro (Aparecido, 2016). Assim muitos modelos mecanísticos foram desenvolvidos para estimar a produtividade em cana de açúcar como o de Pereira (1987), Inman-Bamber e Thompson (1989), Barbieri (1993), APSIM (McCown et al, 1995), QCANE (Liu e Kingston, 1995) e DSSAT-CANEGRO (Jones, 2003), Mosicas (Martiné e Todoroff, 2004) , entre outros. Apesar de existirem muitos modelos para estimação de produtividade em cana-de-açúcar, existem poucos trabalhos sobre modelos de previsão de produtividade. A previsão da produtividade com a utilização de modelos agrometeorológicos, são técnicas robustas para a realização do planejamento das áreas de cultivo, o conhecimento prévio das produtividades agrícolas facilita a tomada de decisão dos gestores (Aparecido, 2016).Vários trabalhos indicam que os modelos de machine learning são acurados suficientemente para a previsão de qualidade e de produtividades agrícolas,como por exemplo para soja (Yoosefzaden-Najafabadi, et al., 2021), cana (Xu, et al. 2020), amendoim (Radyab e Watson, 2022), café (Aparecido et al. 2022). Além disso, os modelos de machine learning trazem uma vantagem de avaliar diretamente quais variáveis ambientais e em quais momentos são importantes para a previsão da produtividade sem nenhum pressuposto.Dessa forma, o objetivo deste projeto é utilizar os modelos de Regressão Linear Múltipla, Random Forest, Support Vector Machine e Multilayer Perceptron para previsão de produtividade em cana-de-açúcar, com um período mais antecipado possível, a partir de variáveis climáticas e de índices de vegetação, para as principais regiões produtoras de cana-de-açúcar do Brasil.