Uso de machine learning no manejo da irrigação e estimativa da produtividade de milho em Piracicaba, SP

• Ano de defesa: 2023
• Autor(a) principal: Queiroz, Bruna Marques de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Zea mays; Agricultural yield; Evapotranspiration prediction; Gestão hídrica; Predição da evapotranspiração; Predição da produtividade; Productivity prediction; Rendimento agrícola; Water management
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-01112023-182135/

A agricultura contemporânea vem encontrando desafios, tais como, mudanças climáticas, aumento nos custos de produção, escassez de terras agricultáveis e recursos hídricos. Nesse cenário, torna-se cada vez mais necessária a busca por ferramentas para otimizar os processos agrícolas. O milho caracteriza-se como um produto fundamental para o agronegócio brasileiro e a sua produção é influenciada pela variabilidade climática, fertilidade do solo, tratos culturais, manejo de irrigação e fatores bióticos. Alinhado ao cultivo, o incremento de recursos computacionais e o surgimento da teoria da inteligência artificial, pesquisas utilizando técnicas do aprendizado de máquina vêm demonstrando a capacidade dessas ferramentas em otimizar o uso de recursos e auxiliar em tomadas de decisão. A gestão hídrica associada ao manejo da irrigação, com base na demanda da água pela cultura, representada pela taxa da evapotranspiração, ocupa posição de destaque no cultivo de milho, sendo que para sua obtenção, o método da FAO-56 Penman-Monteith (PM) vem sendo o mais aplicado. Como alternativa a esse método, estudos mostraram que algoritmos de machine learning podem ser eficientes em estimar a evapotranspiração de referência (ETo), bem como o rendimento da produção. Dessa forma, considerando a importância das ferramentas computacionais (e.g., DSSAT, ciência de dados) para a otimização das atividades agrícolas, os principais objetivos dessa pesquisa foram: a) desenvolver modelos preditivos de machine learning para a estimativa da ETo diária e do rendimento agrícola do cultivo de milho na região de Piracicaba e b) avaliar a performance desses modelos comparados a um experimento de campo. Para alcançar esses objetivos, a pesquisa foi dividida em três etapas: etapa 1) uso de uma série climática de 21 anos de dados diários (Posto Meteorológico da ESALQ/USP) para desenvolvimento de modelos preditivos de machine learning da ETo (support vector regression (SVR), histogram-based gradient boosting regression tree (HGBR) e multilayer perceptron regressor (MLPR)); etapa 2) simulação da produtividade de milho com o modelo DSSAT/CERES-MAIZE (Decision Support System for Agrotechnology Transfer) para as condições de Piracicaba para uma série de 30 anos de dados climáticos e desenvolvimento de modelos preditivos do rendimento agrícola utilizando os algoritmos extra-trees (EXT) e random forest (RF) e etapa 3) Aplicação dos modelos desenvolvidos em comparação a dados coletados a partir de um experimento em campo referente à condução do ciclo de cultivo do milho. Diante dos resultados obtidos, houve uma indicativa de que os modelos aplicados apresentaram desempenho satisfatório na predição da ETo e da produtividade do milho na região de Piracicaba, SP. O algoritmo HGBR obteve estimativas mais precisas para a ETo em comparação ao SVR e MLPR. Enquanto que, o RF obteve melhor performance na estimativa da produtividade do milho em comparação ao EXT. Portanto, diante das condições da pesquisa, conclui-se que os algoritmos de aprendizado de máquina apresentaram-se como ferramentas eficazes na predição da ETo e da produtividade do milho para as condições de Piracicaba, SP, inclusive quando comparados à coleta de dados em campo, passando a ser uma alternativa importante a modelos e métodos clássicos utilizados na gestão eficiente do sistema produtivo.