Modelagem agrometeorológica aplicada à previsão de parâmetros ecofisiológicos e da produtividade de cana-de-açúcar

Detalhes bibliográficos
Ano de defesa: 2026
Autor(a) principal: Silva, Joao Paulo Balbino da [UNESP]
Orientador(a): Rolim, Glauco de Souza [UNESP]
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Estadual Paulista (Unesp)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Palavras-chave em Inglês:
Link de acesso: https://hdl.handle.net/11449/320400
Resumo: A cana-de-açúcar (Saccharum spp.) desempenha um papel central na economia e na matriz energética brasileira, exigindo ferramentas precisas para o monitoramento do seu desenvolvimento e a previsão de safra frente às variabilidades climáticas. Esta dissertação teve como objetivo aprofundar o entendimento da interação entre variáveis ambientais e o cultivo através de duas abordagens distintas: a modelagem ecofisiológica não linear e a aplicação de algoritmos de aprendizado de máquina (Machine Learning). O trabalho foi estruturado em dois estudos principais. O primeiro analisou a dinâmica de crescimento biométrico de sete cultivares de cana-de-açúcar (ciclo de 18 meses) em função de graus-dia acumulados (SDD). Foram testados os modelos de Richards, Gompertz e Michaelis-Menten, sendo o modelo de Richards o mais robusto (R2adj de 0,96 para altura), permitindo identificar estratégias genotípicas distintas de crescimento ("Lento/Alto Potencial" vs. "Rápido/Baixo Potencial") e correlacionar parâmetros biométricos com o potencial produtivo. O segundo estudo focou na previsão da produtividade em escala nacional com seis meses de antecedência, utilizando uma série histórica de 30 anos (1992–2022). Foram treinados seis algoritmos de Machine Learning, dentre os quais o Random Forest apresentou o melhor desempenho (Radj2=0,63), superando modelos lineares e de redes neurais. A análise de importância das variáveis indicou que a produtividade é definida majoritariamente entre o 16º e o 29º decêndio do ciclo, sendo o armazenamento de água no solo e a umidade relativa do ar os preditores mais críticos. Conclui-se que a integração de modelos não lineares para caracterização fenotípica e de Machine Learning para predição de safra oferece ferramentas estratégicas para o manejo agronômico de precisão, o melhoramento genético e o planejamento logístico do setor sucroenergético.
id UNSP_7e7ae60414d8ac558f2a6943b41904f2
oai_identifier_str oai:repositorio.unesp.br:11449/320400
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str
spelling Silva, Joao Paulo Balbino da [UNESP]Universidade Estadual Paulista (Unesp)Aparecido, Lucas Eduardo de OliveiraTorsoni, Guilherme BotegaSilva, Thais Rayane Gomes da [UNESP]Rolim, Glauco de Souza [UNESP]2026-03-20T16:40:11Z2026-02-25SILVA, J. P. B. - Modelagem agrometeorológica aplicada à previsão de parâmetros ecofisiológicos e da produtividade de cana-de-açúcar. 2026, 90f - Dissertação (Mestrado em Agronomia) Universidade Estadual Paulista "Júlio de Mesquita Filho", Jaboticabal, 2026.https://hdl.handle.net/11449/32040033004102001P493712763836016310009-0008-0194-1423A cana-de-açúcar (Saccharum spp.) desempenha um papel central na economia e na matriz energética brasileira, exigindo ferramentas precisas para o monitoramento do seu desenvolvimento e a previsão de safra frente às variabilidades climáticas. Esta dissertação teve como objetivo aprofundar o entendimento da interação entre variáveis ambientais e o cultivo através de duas abordagens distintas: a modelagem ecofisiológica não linear e a aplicação de algoritmos de aprendizado de máquina (Machine Learning). O trabalho foi estruturado em dois estudos principais. O primeiro analisou a dinâmica de crescimento biométrico de sete cultivares de cana-de-açúcar (ciclo de 18 meses) em função de graus-dia acumulados (SDD). Foram testados os modelos de Richards, Gompertz e Michaelis-Menten, sendo o modelo de Richards o mais robusto (R2adj de 0,96 para altura), permitindo identificar estratégias genotípicas distintas de crescimento ("Lento/Alto Potencial" vs. "Rápido/Baixo Potencial") e correlacionar parâmetros biométricos com o potencial produtivo. O segundo estudo focou na previsão da produtividade em escala nacional com seis meses de antecedência, utilizando uma série histórica de 30 anos (1992–2022). Foram treinados seis algoritmos de Machine Learning, dentre os quais o Random Forest apresentou o melhor desempenho (Radj2=0,63), superando modelos lineares e de redes neurais. A análise de importância das variáveis indicou que a produtividade é definida majoritariamente entre o 16º e o 29º decêndio do ciclo, sendo o armazenamento de água no solo e a umidade relativa do ar os preditores mais críticos. Conclui-se que a integração de modelos não lineares para caracterização fenotípica e de Machine Learning para predição de safra oferece ferramentas estratégicas para o manejo agronômico de precisão, o melhoramento genético e o planejamento logístico do setor sucroenergético.Sugarcane (Saccharum spp.) plays a central role in the Brazilian economy and energy matrix, requiring precise tools for monitoring its development and forecasting yields in the face of climatic variability. This dissertation aimed to deepen the understanding of the interaction between environmental variables and the crop through two distinct approaches: nonlinear ecophysiological modeling and the application of Machine Learning algorithms. The work was structured into two main studies. The first analyzed the biometric growth dynamics of seven sugarcane cultivars (18-month cycle) as a function of accumulated degree-days (SDD). Richards, Gompertz, and Michaelis-Menten models were tested, with the Richards model proving to be the most robust (Radj2 of 0.96 for height), allowing for the identification of distinct genotypic growth strategies ("Slow/High Potential" vs. "Fast/Low Potential") and the correlation of biometric parameters with yield potential. The second study focused on forecasting productivity on a national scale six months in advance, using a 30-year historical series (1992–2022). Six Machine Learning algorithms were trained, among which Random Forest presented the best performance (Radj2=0,63), outperforming linear and neural network models. Variable importance analysis indicated that productivity is largely defined between the 16th and 29th ten-day periods of the cycle, with soil water storage and relative humidity being the most critical predictors. It is concluded that integrating nonlinear models for phenotypic characterization and Machine Learning for crop forecasting offers strategic tools for precision agronomic management, genetic breeding, and logistical planning in the sugar-energy sector.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)88887.960758/2024-00porUniversidade Estadual Paulista (Unesp)Cana-de-açúcarAgronomiaModelagem AgrometeorológicaModelagem agrometeorológica aplicada à previsão de parâmetros ecofisiológicos e da produtividade de cana-de-açúcarAgrometeorological modeling applied to the prediction of ecophysiological parameters and sugarcane productivityinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESPAgronomia (Produção Vegetal) - FCAVAgriculturaAgricultura digitalUniversidade Estadual Paulista (UNESP), Faculdade de Ciências Agrárias e Veterinárias, JaboticabalOnlineBanca públicaO estudo utiliza a modelagem não linear para caracterizar parâmetros ecofisiológicos, viabilizando manejos que otimizam o uso de insumos e elevam a produção. A previsão por Machine Learning oferece suporte estratégico ao setor sucroenergético, promovendo eficiência operacional e resiliência climática, em aderência aos ODS 7, 9, 12 e 13.The study uses nonlinear modeling to characterize ecophysiological parameters, enabling management practices that optimize the use of inputs and increase production. Machine learning prediction offers strategic support to the sugarcane and energy sector, promoting operational efficiency and climate resilience, in line with SDGs 7, 9, 12, and 13.Publication3d807254-e442-45e5-a80b-0f6bf3a26e48virtual::207857-13d807254-e442-45e5-a80b-0f6bf3a26e48virtual::207857-141f61bf2-c6ae-4f42-b8be-11d404205522virtual::207854-141f61bf2-c6ae-4f42-b8be-11d404205522virtual::207854-1TEXTsilva_jpb_me_jabo.pdf.txtWritten by FormatFilter org.dspace.app.mediafilter.TikaTextExtractionFilter on 2026-03-20T21:29:29Z (GMT).Extracted texttext/plain103004https://repositorio.unesp.br/bitstreams/096a69b1-3446-4d90-8c69-82b255a4f5cc/downloadc0ad56d7ae116b5f1cb43320973db0feMD54falseAnonymousREADTHUMBNAILsilva_jpb_me_jabo.pdf.jpgWritten by FormatFilter org.dspace.app.mediafilter.PDFBoxThumbnail on 2026-03-20T21:29:29Z (GMT).Generated Thumbnailimage/jpeg3202https://repositorio.unesp.br/bitstreams/cac59f98-97ef-440b-9e40-d82fb62f5efb/download7b52dcdae0dc9bb6b11478abe9e90beeMD55falseAnonymousREADORIGINALsilva_jpb_me_jabo.pdfsilva_jpb_me_jabo.pdfapplication/pdf3795652https://repositorio.unesp.br/bitstreams/405ae6e3-e91a-4bdc-ba18-f59e19014008/downloade071835464a6d8e2542d30280d08045dMD53trueAnonymousREADLICENSElicense.txtWritten by org.dspace.content.LicenseUtilstext/plain; charset=utf-82192https://repositorio.unesp.br/bitstreams/3cf8cd93-8cea-4de6-b488-0df83d2d21f9/download9a2966d4a2cfb71a0b846f3fe5f2c26cMD52falseAnonymousREAD11449/3204002026-03-21T05:00:50.639803Zopen.accessoai:repositorio.unesp.br:11449/320400https://repositorio.unesp.brRepositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462026-03-21T05:00:50Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)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
dc.title.pt.fl_str_mv Modelagem agrometeorológica aplicada à previsão de parâmetros ecofisiológicos e da produtividade de cana-de-açúcar
dc.title.alternative.en.fl_str_mv Agrometeorological modeling applied to the prediction of ecophysiological parameters and sugarcane productivity
title Modelagem agrometeorológica aplicada à previsão de parâmetros ecofisiológicos e da produtividade de cana-de-açúcar
spellingShingle Modelagem agrometeorológica aplicada à previsão de parâmetros ecofisiológicos e da produtividade de cana-de-açúcar
Silva, Joao Paulo Balbino da [UNESP]
Cana-de-açúcar
Agronomia
Modelagem Agrometeorológica
title_short Modelagem agrometeorológica aplicada à previsão de parâmetros ecofisiológicos e da produtividade de cana-de-açúcar
title_full Modelagem agrometeorológica aplicada à previsão de parâmetros ecofisiológicos e da produtividade de cana-de-açúcar
title_fullStr Modelagem agrometeorológica aplicada à previsão de parâmetros ecofisiológicos e da produtividade de cana-de-açúcar
title_full_unstemmed Modelagem agrometeorológica aplicada à previsão de parâmetros ecofisiológicos e da produtividade de cana-de-açúcar
title_sort Modelagem agrometeorológica aplicada à previsão de parâmetros ecofisiológicos e da produtividade de cana-de-açúcar
author Silva, Joao Paulo Balbino da [UNESP]
author_facet Silva, Joao Paulo Balbino da [UNESP]
author_role author
dc.contributor.institution.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.contributor.coadvisor.none.fl_str_mv Aparecido, Lucas Eduardo de Oliveira
dc.contributor.committeeMember.none.fl_str_mv Torsoni, Guilherme Botega
Silva, Thais Rayane Gomes da [UNESP]
dc.contributor.author.fl_str_mv Silva, Joao Paulo Balbino da [UNESP]
dc.contributor.advisor1.fl_str_mv Rolim, Glauco de Souza [UNESP]
contributor_str_mv Rolim, Glauco de Souza [UNESP]
dc.subject.por.fl_str_mv Cana-de-açúcar
Agronomia
topic Cana-de-açúcar
Agronomia
Modelagem Agrometeorológica
dc.subject.eng.fl_str_mv Modelagem Agrometeorológica
description A cana-de-açúcar (Saccharum spp.) desempenha um papel central na economia e na matriz energética brasileira, exigindo ferramentas precisas para o monitoramento do seu desenvolvimento e a previsão de safra frente às variabilidades climáticas. Esta dissertação teve como objetivo aprofundar o entendimento da interação entre variáveis ambientais e o cultivo através de duas abordagens distintas: a modelagem ecofisiológica não linear e a aplicação de algoritmos de aprendizado de máquina (Machine Learning). O trabalho foi estruturado em dois estudos principais. O primeiro analisou a dinâmica de crescimento biométrico de sete cultivares de cana-de-açúcar (ciclo de 18 meses) em função de graus-dia acumulados (SDD). Foram testados os modelos de Richards, Gompertz e Michaelis-Menten, sendo o modelo de Richards o mais robusto (R2adj de 0,96 para altura), permitindo identificar estratégias genotípicas distintas de crescimento ("Lento/Alto Potencial" vs. "Rápido/Baixo Potencial") e correlacionar parâmetros biométricos com o potencial produtivo. O segundo estudo focou na previsão da produtividade em escala nacional com seis meses de antecedência, utilizando uma série histórica de 30 anos (1992–2022). Foram treinados seis algoritmos de Machine Learning, dentre os quais o Random Forest apresentou o melhor desempenho (Radj2=0,63), superando modelos lineares e de redes neurais. A análise de importância das variáveis indicou que a produtividade é definida majoritariamente entre o 16º e o 29º decêndio do ciclo, sendo o armazenamento de água no solo e a umidade relativa do ar os preditores mais críticos. Conclui-se que a integração de modelos não lineares para caracterização fenotípica e de Machine Learning para predição de safra oferece ferramentas estratégicas para o manejo agronômico de precisão, o melhoramento genético e o planejamento logístico do setor sucroenergético.
publishDate 2026
dc.date.accessioned.fl_str_mv 2026-03-20T16:40:11Z
dc.date.issued.fl_str_mv 2026-02-25
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv SILVA, J. P. B. - Modelagem agrometeorológica aplicada à previsão de parâmetros ecofisiológicos e da produtividade de cana-de-açúcar. 2026, 90f - Dissertação (Mestrado em Agronomia) Universidade Estadual Paulista "Júlio de Mesquita Filho", Jaboticabal, 2026.
dc.identifier.uri.fl_str_mv https://hdl.handle.net/11449/320400
dc.identifier.capes.none.fl_str_mv 33004102001P4
dc.identifier.lattes.none.fl_str_mv 9371276383601631
dc.identifier.orcid.none.fl_str_mv 0009-0008-0194-1423
identifier_str_mv SILVA, J. P. B. - Modelagem agrometeorológica aplicada à previsão de parâmetros ecofisiológicos e da produtividade de cana-de-açúcar. 2026, 90f - Dissertação (Mestrado em Agronomia) Universidade Estadual Paulista "Júlio de Mesquita Filho", Jaboticabal, 2026.
33004102001P4
9371276383601631
0009-0008-0194-1423
url https://hdl.handle.net/11449/320400
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
bitstream.url.fl_str_mv https://repositorio.unesp.br/bitstreams/096a69b1-3446-4d90-8c69-82b255a4f5cc/download
https://repositorio.unesp.br/bitstreams/cac59f98-97ef-440b-9e40-d82fb62f5efb/download
https://repositorio.unesp.br/bitstreams/405ae6e3-e91a-4bdc-ba18-f59e19014008/download
https://repositorio.unesp.br/bitstreams/3cf8cd93-8cea-4de6-b488-0df83d2d21f9/download
bitstream.checksum.fl_str_mv c0ad56d7ae116b5f1cb43320973db0fe
7b52dcdae0dc9bb6b11478abe9e90bee
e071835464a6d8e2542d30280d08045d
9a2966d4a2cfb71a0b846f3fe5f2c26c
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv repositoriounesp@unesp.br
_version_ 1878344087444127744