Aprendizagem de máquina na definição de zonas homogêneas de manejo para soja

Abstract

A soja (Glycine max) é a principal cultura do agronegócio brasileiro, com expectativa de aumento de produtividade e de área de cultivo nos próximos anos, o que torna necessária a adoção de técnicas e tecnologias mais eficientes e sustentáveis, frente aos elevados custos de produção da cultura. Para isso, se faz necessário lançar mão de tecnologias de agricultura de precisão que permitam que essas áreas sejam manejadas de acordo com seu potencial produtivo e uma forma disso ser feito é por meio da adoção de zonas homogêneas de manejo. Os objetivos deste trabalho foram verificar a eficiência de técnicas de aprendizagem de máquina e análise de dados de solo, relevo, produtividade e sensoriamento remoto, a fim de identificar e definir zonas de manejo para a cultura da soja. Dados conjuntos de sensoriamento remoto, atributos do solo e produtividade da cultura da soja foram utilizados para definir zonas homogêneas de manejo, por meio de técnicas de modelagem de dados e aprendizagem de máquinas. Observou-se ligação direta de influência do histórico de manejo das áreas na separação das zonas, o que evidencia a necessidade da adoção de robustos bancos de dados e ferramentas de análise para a segura definição das divisões. Técnicas de aprendizagem de máquina mostraram-se eficientes na delimitação das zonas homogêneas de manejo para a cultura da soja e podem ser replicadas em outros locais ou períodos, desde que os modelos sejam corretamente calibrados para a situação em questão.

Soybean (Glycine max) is the main crop in Brazilian agribusiness, with an expected increase in productivity and area of cultivation in the coming years, which makes it necessary to adopt more efficient and sustainable techniques and technologies, given the high production costs of the crop. For this, it is necessary to make use of precision agriculture technologies that allow these areas to be managed according to their yield potential, and one way to do this is through the adoption of homogeneous management zones. The objectives of this work were to verify the efficiency of machine learning techniques and data analysis of soil, relief, yield, and remote sensing, to identify and define management zones for the soybean crop. Joint remote sensing data, soil attributes and soybean yield were used to define homogeneous management zones, through data modeling and machine learning techniques. There was a direct connection of influence of the history of management of the areas in the separation of the zones, which evidences the need to adopt robust databases and analysis tools for the safe definition of the divisions. Machine learning techniques proved to be efficient in delimiting homogeneous management zones for soybean and can be replicated in other places or periods, if the models are correctly calibrated for the situation.