Modelos de machine learning para estimação de produtividade de soja e eucalipto no Cerrado brasileiro

• Ano de defesa: 2024
• Autor(a) principal: Santos, Valter Barbosa dos [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: agricultura; floresta; machine learning
• Link de acesso: https://hdl.handle.net/11449/257282

As mudanças ocorridas no Cerrado promoveram grandes desafios para o bioma. Em geral, a conservação do Cerrado tem sido conduzida por meio de políticas nacionais e locais. Essas políticas consideram a variação cultural e socioeconômica entre os municípios do Cerrado proporcionando avanços tecnológicos tanto na área florestal quanto na agricultura, tornando o Brasil líder mundial na produção de soja. Buscando reduzir a pressão do desmatamento e a manutenção da biodiversidade, ocorreu a introdução do eucalipto no Cerrado. Dessa forma, avaliou-se diferentes modelos de machine learning para estimação de produtividade de soja para o sul do Maranhão, com até um mês antecedência. Os resultados mostraram que o algoritmo Random Forest - RF atinge a maior precisão e acurácia, com R2 de 0,81, RMSE de 176,93 kg ha-1 e tendência (EME) de 1,99 kg ha-1. Por outro lado, o algoritmo Suport vector machine kernel RBF -SVM_RBF apresentou o menor desempenho com R2 de 0,74, RMSE de 213,58 kg ha-1 e EME de 15,06 kg ha-1. Em um segundo estudo buscamos estimar o volume de madeira de eucalipto no cerrado brasileiro utilizando técnicas de machine learning e apenas dados climáticos como entrada dos modelos, abrangendo diferentes idades de crescimento em dois períodos do ano entre janeiro e junho e entre julho e dezembro. Os modelos apresentaram ótimos resultados na estimativa do volume de madeira. O modelo Random Forest apresentou as melhores métricas durante o treinamento e teste com, R2= 0,93 e RMSE = 18,36 m3ha-1 para o modelo janeiro-junho e R2= 0,92 e RMSE = 19,52 m3ha-1 para o modelo de julho-dezembro.