Modelos agrometeorológicos-espectrais com aprendizagem de máquina para previsão de produtividade de laranja-doce para diferentes grupos de maturação

• Processo: 24/19044-2
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de abril de 2025
• Data de Término da vigência: 31 de março de 2027
• Área de conhecimento: Ciências Agrárias - Agronomia - Agrometeorologia
• Pesquisador responsável: Glauco de Souza Rolim
• Beneficiário: João Antonio Lorençone
• Instituição Sede: Faculdade de Ciências Agrárias e Veterinárias (FCAV). Universidade Estadual Paulista (UNESP). Campus de Jaboticabal. Jaboticabal , SP, Brasil
• Assunto(s): Citricultura Aprendizado computacional Python
• Palavra(s)-Chave do Pesquisador: Citricultura | Índice de Vegetação | machine learning | Modelagem de cultivos | python | Modelagem de cultivos

Resumo

A laranja-doce (Citrus sinensis (L.) Osbeck) é um dos cultivos agrícolas mais importantes globalmente e um dos principais pilares econômicos e sociais do setor agrícola no Brasil, contribuindo significativamente para a geração de empregos e exportações. O projeto tem como objetivo desenvolver modelos de previsão de produtividade, o mais antecipado possível antes da colheita, de laranja-doce para grupos de maturação precoce, meia estação e tardio em sistemas irrigados e de sequeiro. Os dados de produtividade (toneladas ha-1) serão coletados em parceira com a empresa multinacional Citrosuco para 27 propriedades distribuídas em 21 municípios do estado de São Paulo e uma de Minas Gerais, abrangendo um total de 2.121 talhões monitorados ao longo de 12 anos (2012-2024). A Citrosuco também irá disponibilizar os dados climáticos por meio de estações meteorológicas automáticas instaladas em todas as propriedades, registrando informações diárias de precipitação, temperatura (máxima, mínima e média), umidade relativa, radiação solar, velocidade do vento, radiação solar incidente, radiação solar no topo da Atmosfera, temperatura do ponto de orvalho, umidade do solo para o sistema radicular e umidade do solo na superfície. Além disso, dados edáficos, como textura do solo e capacidade de troca de cátions, serão obtidos a partir da plataforma SoilGrids, enquanto os dados espectrais serão coletados pela plataforma SATVeg (Embrapa), que fornece índices de vegetação, como índice de vegetação por diferença normalizada e índice de vegetação aprimorado. Dados topográficos, como altitude e declividade, serão coletados da Shuttle Radar Topography Mission (SRTM). Para as previsões de produtividade serão utilizados quatro modelos: Regressão Linear Múltipla, Random Forest Regression, Support Vector Regression e XGBoost. O entendimento da influência climática, do solo e dos índices de vegetação das variáveis na produtividade será avaliado baseado na análise de Componentes Principais e Correlação de Spearman. O conjunto de dados será dividido entre treinamento (70%) e teste (30%), utilizando técnicas de validação cruzada para garantir a robustez e a generalização dos modelos. As variáveis serão organizadas em decêndios (períodos de 10 dias). Serão desenvolvidos modelos gerais e específicos para diferentes regiões: Norte, Centro, Sul e Extremo Sul, a fim de obter previsões acuradas. Os melhores modelos serão especializados para todo o cinturão citrícola, por meio do método de krigagem, utilizando ArcGis Pro. Ao final do projeto, terão sido treinados e testados no mínimo 164 modelos de previsão, espera-se que Support Vector Regression e Extreme Gradient Boosting Regression apresentem os melhores resultados. Espera-se, assim, desenvolver modelos que possam ser aplicados pelo setor para prever a produtividade em diferentes contextos climáticos, auxiliando na adaptação à variabilidade climática e contribuindo para a resiliência do setor citrícola frente a incertezas.