Impacto da interpolação e reamostragem de dados na interpretação de covariáveis usando índice SHAP em agricultura de precisão

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Oliveira, Agda Loureiro Gonçalves, 1993-
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: https://hdl.handle.net/20.500.12733/45095
Resumo: Orientador: Lucas Rios do Amaral
id UNICAMP-30_9e44cdb675f4ade2a81417bbe010fb5e
oai_identifier_str oai::1554687
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Impacto da interpolação e reamostragem de dados na interpretação de covariáveis usando índice SHAP em agricultura de precisãoImpact of interpolation and data resampling the interpretation of covariates using SHAP index in precision agriculturePrecision farmingResampling (Statistics)KrigingMachine learningPredictive modelsAgricultura de precisãoReamostragem (Estatística)KrigagemAprendizado de máquinaModelo preditivoOrientador: Lucas Rios do AmaralTese (doutorado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia AgrícolaResumo: A Agricultura de Precisão integra variáveis de solo, relevo, clima, operação de máquinas e vegetação para manejar a variabilidade espacial e temporal das lavouras, promovendo eficiência no uso de insumos e sustentabilidade. Técnicas de preparação de dados, como krigagem e reamostragem de dados, são amplamente utilizadas para integração de informações para predição de produtividade de cultivos agrícolas. Porém, o processo de integração por krigagem e reamostragem pode impactar o desempenho de modelos preditivos e alterar a interpretação da importância das covariáveis. Nesse sentido, esta tese busca identificar os efeitos do tratamento de dados de variáveis utilizadas na agricultura de precisão na modelagem utilizando algoritmo de aprendizado de máquinas e investigar a influência do tratamento de dados na interpretação e desempenho dos modelos preditivos. O algoritmo Random Forest foi utilizado nas predições e o método SHAP (Shapley Additive Explanations) foi aplicado para analisar os impactos desses tratamento de dados nas predições e interpretações. No primeiro estudo, investigamos os efeitos da krigagem de uma única covariável preditora em um conjunto de dados de amostragem de solo. Os resultados mostraram flutuações no ranqueamento de importância das variáveis e uma queda no desempenho do modelo relacionada com a estrutura espacial do dado interpolado. Para isolar os efeitos da dependência espacial, foram realizados testes em campos virtuais, confirmando que a interpolação de dados influencia tanto a interpretação quanto o desempenho do modelo. Optar por não realizar a imputação de dados por interpolação e trabalhar com menor densidade amostral preservou a hierarquia das variáveis e deve ser preferido quando possível. No segundo estudo analisamos a interpolação da variável meta (produtividade de soja e sorgo) e a reamostragem de pixel nas covariáveis de formato raster (elevação e índices de vegetação) para colocalização de dados. A interpolação da variável meta teve um impacto negativo no desempenho dos modelos e na hierarquia das variáveis, enquanto a reamostragem bilinear das covariáveis preservou melhor a integridade dos dados e o desempenho do modelo preditivo. Nesse estudo destacamos a importância de priorizar dados originais, isto é, sem que ocorra tratamento de dados das variáveis medidas/amostradas. Quando o tratamento de dados é necessário, recomendamos evitar a interpolação da variável meta e preferir a reamostragem para integração das covariáveis de entrada. O método SHAP mostrou-se eficaz para avaliar os impactos locais e globais das manipulações, sendo ferramenta importante para intepretação das covariáveis que mais influenciam o comportamento da variável alvo e que poderiam ser priorizadas quando do manejo localizado das lavourasAbstract: Precision Agriculture integrates soil, topography, climate, machinery operation, and vegetation variables to manage the spatial and temporal variability of crops, promoting input efficiency and sustainability. Data preparation techniques such as kriging and data resampling are widely used for integrating information to predict agricultural crop yields. However, the integration process through kriging and resampling can affect the performance of predictive models and alter the interpretation of covariate importance. This thesis aims to identify the effects of data processing of variables used in precision agriculture on modeling using machine learning algorithms and to investigate the influence of data treatment on model interpretation and performance. The Random Forest algorithm was used for predictions, and the SHAP method (Shapley Additive Explanations) was applied to analyze the impact of data treatments on predictions and interpretations. In the first study, we investigated the effects of kriging a single predictor covariate in a soil sampling dataset. The results showed fluctuations in the variable importance rankings and a decline in model performance related to the spatial structure of the interpolated data. To isolate the effects of spatial dependence, tests were conducted using virtual fields, confirming that data interpolation affects both interpretation and model performance. Choosing not to perform interpolation and working with lower sampling density preserved the variable hierarchy and should be preferred when possible. In the second study, we analyzed the interpolation of the target variable (soybean and sorghum yield) and the pixel resampling of raster-format covariates (elevation and vegetation indices) for data colocation. Interpolation of the target variable negatively impacted model performance and variable ranking, while bilinear resampling of covariates better preserved data integrity and predictive performance. This study highlights the importance of prioritizing original data, that is, without treatment of measured/sampled variables. When data processing is necessary, we recommend avoiding interpolation of the target variable and preferring resampling for input covariate integration. The SHAP method proved effective in assessing both local and global impacts of data manipulation and serves as a valuable tool for interpreting which covariates most influence the target variable and should be prioritized in site-specific crop managementAcesso abertoDoutoradoAgricultura DigitalDoutora em Engenharia AgrícolaCNPQ140506/2020-9FAPESP2022/03160-8[s.n.]Amaral, Lucas Rios do, 1985-Oliveira, Stanley Robson de MedeirosValente, Domingos Sárvio MagalhãesSanches, Guilherme MartineliBazzi, Claudio LeonesUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia AgrícolaPrograma de Pós-Graduação em Engenharia AgrícolaUNIVERSIDADE ESTADUAL DE CAMPINASOliveira, Agda Loureiro Gonçalves, 1993-20252025-02-25T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (83 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/45095OLIVEIRA, Agda Loureiro Gonçalves. Impacto da interpolação e reamostragem de dados na interpretação de covariáveis usando índice SHAP em agricultura de precisão. 2025. 1 recurso online (83 p.) Tese (doutorado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Agrícola, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/45095. Acesso em: 31 ago. 2026.https://repositorio.unicamp.br/acervo/detalhe/1554687Cover: https://repositorio.unicamp.br/capa/capa?codigo=1554687Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2026-07-08T17:34:17Zoai::1554687Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2026-07-08T17:34:17Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Impacto da interpolação e reamostragem de dados na interpretação de covariáveis usando índice SHAP em agricultura de precisão
Impact of interpolation and data resampling the interpretation of covariates using SHAP index in precision agriculture
title Impacto da interpolação e reamostragem de dados na interpretação de covariáveis usando índice SHAP em agricultura de precisão
spellingShingle Impacto da interpolação e reamostragem de dados na interpretação de covariáveis usando índice SHAP em agricultura de precisão
Oliveira, Agda Loureiro Gonçalves, 1993-
Precision farming
Resampling (Statistics)
Kriging
Machine learning
Predictive models
Agricultura de precisão
Reamostragem (Estatística)
Krigagem
Aprendizado de máquina
Modelo preditivo
title_short Impacto da interpolação e reamostragem de dados na interpretação de covariáveis usando índice SHAP em agricultura de precisão
title_full Impacto da interpolação e reamostragem de dados na interpretação de covariáveis usando índice SHAP em agricultura de precisão
title_fullStr Impacto da interpolação e reamostragem de dados na interpretação de covariáveis usando índice SHAP em agricultura de precisão
title_full_unstemmed Impacto da interpolação e reamostragem de dados na interpretação de covariáveis usando índice SHAP em agricultura de precisão
title_sort Impacto da interpolação e reamostragem de dados na interpretação de covariáveis usando índice SHAP em agricultura de precisão
author Oliveira, Agda Loureiro Gonçalves, 1993-
author_facet Oliveira, Agda Loureiro Gonçalves, 1993-
author_role author
dc.contributor.none.fl_str_mv Amaral, Lucas Rios do, 1985-
Oliveira, Stanley Robson de Medeiros
Valente, Domingos Sárvio Magalhães
Sanches, Guilherme Martineli
Bazzi, Claudio Leones
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Agrícola
Programa de Pós-Graduação em Engenharia Agrícola
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Oliveira, Agda Loureiro Gonçalves, 1993-
dc.subject.por.fl_str_mv Precision farming
Resampling (Statistics)
Kriging
Machine learning
Predictive models
Agricultura de precisão
Reamostragem (Estatística)
Krigagem
Aprendizado de máquina
Modelo preditivo
topic Precision farming
Resampling (Statistics)
Kriging
Machine learning
Predictive models
Agricultura de precisão
Reamostragem (Estatística)
Krigagem
Aprendizado de máquina
Modelo preditivo
description Orientador: Lucas Rios do Amaral
publishDate 2025
dc.date.none.fl_str_mv 2025
2025-02-25T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/45095
OLIVEIRA, Agda Loureiro Gonçalves. Impacto da interpolação e reamostragem de dados na interpretação de covariáveis usando índice SHAP em agricultura de precisão. 2025. 1 recurso online (83 p.) Tese (doutorado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Agrícola, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/45095. Acesso em: 31 ago. 2026.
url https://hdl.handle.net/20.500.12733/45095
identifier_str_mv OLIVEIRA, Agda Loureiro Gonçalves. Impacto da interpolação e reamostragem de dados na interpretação de covariáveis usando índice SHAP em agricultura de precisão. 2025. 1 recurso online (83 p.) Tese (doutorado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Engenharia Agrícola, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/45095. Acesso em: 31 ago. 2026.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1554687
Cover: https://repositorio.unicamp.br/capa/capa?codigo=1554687
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (83 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1875241580964610048