Previsão de produtividade de soja com modelos de machine learning

• Processo: 23/00166-8
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de junho de 2023
• Data de Término da vigência: 31 de dezembro de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Probabilidade e Estatística Aplicadas
• Pesquisador responsável: Glauco de Souza Rolim
• Beneficiário: Maria Gabriela de Sousa
• Instituição Sede: Faculdade de Ciências Agrárias e Veterinárias (FCAV). Universidade Estadual Paulista (UNESP). Campus de Jaboticabal. Jaboticabal , SP, Brasil
• Assunto(s): Inteligência artificial Aprendizado computacional Micrometeorologia Modelagem Python
• Palavra(s)-Chave do Pesquisador: Inteligência Artificial | machine learning | Micrometeorologia | Modelagem | Previsão de produtividade | python | Modelagem, Análise de risco climático

Resumo

A soja é uma oleaginosa rica em proteínas, principal fonte de óleo vegetal cultivada em diversas regiões do planeta e a sua produção mundial dobrou nos últimos vinte anos. O objetivo é realizar previsão de produtividade, com maior antecipação da colheita, para as principais regiões produtoras de soja do Brasil: Nova Mutum (MT), Sorriso (MT), Formosa do Rio Preto (BA), São Desidério (BA), Itapeva (SP) e Itaberá (SP), a partir de dados meteorológicos e modelos de machine learning. Os modelos são ferramentas que podem auxiliar tanto os produtores rurais em estratégias econômicas na utilização de insumos agrícolas, mas também para companhias, comerciantes de commodities, entre outros serviços que lidam com a produção e o comércio da soja. Os dados meteorológicos diários das regiões de estudo de 1989 a 2020, como temperatura do ar, precipitação, umidade relativa, velocidade do vento e radiação serão obtidas a partir da plataforma NASA-POWER. A previsão da produtividade será realizada utilizando os modelos de Regressão Linear Múltipla (RLM), Redes Neurais Artificiais (RNAs) e a máquina de aprendizado Random Forest (RF), sendo que serão considerados como variáveis independentes as características climatológicas e a variável dependente a produtividade. Para avaliar o desempenho do modelo será usado o coeficiente de determinação ajustado (R2 ajustado), raiz do erro médio quadrático não-sistemático (RMSEu) e raiz do erro médio quadrático sistemático (RMSEs). Espera-se obter modelo agrometeorológico suficientemente acurado para ser aplicado de forma rotineira para previsão da produtividade da soja permitindo decisões e estratégias mais assertivas em relação ao sistema agrícola e no agronegócio nacional.