Diagnóstico do estado nutricional e previsão da produtividade da batateira

Abstract

A avaliação do estado nutricional das plantas e as mudanças nas variáveis climáticas têm um impacto significativo na cultura da batata. Com o objetivo de otimizar a produtividade da cultura, melhorar a qualidade do produto e reduzir o impacto ambiental, ferramentas tecnológicas estão cada vez mais sendo utilizadas na agricultura. Entre elas, destaca-se o método de diagnose da composição nutricional (CND), que considera as relações entre todos os nutrientes e a previsão da produtividade. Os modelos de Machine Learning, com base em dados climáticos e nutricionais, são ferramentas úteis para auxiliar os produtores a tomarem decisões durante o cultivo. Os objetivos do Capítulo 2 foram: a) obter as normas dos métodos CND-clr e CND-ilr para avaliação do estado nutricional da batateira; b) identificar as amostras equilibradas ou não-equilibradas nutricionalmente, em situações de alta e baixa produtividade pelo método CND-ilr; c) obter as faixas de teores adequados dos nutrientes para a cultura da batata com alta produtividade; d) conhecer a ordem dos nutrientes limitantes nas amostras classificadas como nutricionalmente desequilibradas e com baixa produtividade. Os objetivos do capítulo 3 foram: a) prever a produtividade da batateira; b) avaliar o desempenho de diferentes modelos de Machine Learning na previsão da produtividade da batateira no estado de São Paulo, Brasil; e c) desenvolver uma aplicativo on-line que faça a previsão da produtividade da batateira. O banco de dados foi composto por 752 amostras que relacionaram os teores foliares de nutrientes e produtividades de culturas da batata, de áreas localizadas no estado de São Paulo, Brasil. A produtividade que separou os grupos de alta e baixa produtividade foi 48.993,24 kg ha-1. Foram obtidas faixas de suficiência dos nutrientes, em geral, mais estreitas que as reportadas na literatura. A ordem de limitação dos nutrientes foi: N, B, S, Ca e Mn. Os parâmetros encontrados no CND-ilr para acurácia, sensibilidade, especificidade, NPV e PPV foram 96,9; 97,1; 93,6; 64,4 e 99,6 %, respectivamente. Para identificar as variáveis que mais impactam na produtividade da batateira, foram desenvolvidos cinco modelos de Machine Learning para análise dos dados. Foi desenvolvida uma aplicação e as opções de modelos utilizados foram: Regressão Linear Múltipla (RLM), K-nearest neighbors ou “K-vizinhos mais próximos” (KNN), Support Vector Machine (SVR), eXtreme Gradient Boosting (XGB) e Redes Neurais Artificiais (RN). Para a construção dos modelos, o banco de dados foi divido em três grupos: variáveis nutricionais, climáticas e top 10 (as principais variáveis que influenciam no modelo pelo método Randon Forest). Dentre os 15 modelos, o SVR top 10 obteve os melhores resultados de R2 ajustado (0.76) e RMSE (5646.80 kg ha-1).

The assessment of the nutritional status of plants and changes in climatic variables have a significant impact on potato cultivation. In order to optimize crop productivity, improve product quality and reduce environmental impact, technological tools are increasingly being used in agriculture. Among them, the CND stands out, which considers the relationships between all nutrients, and the prediction of productivity from Machine Learning models based on climatic and nutritional data are useful tools to help producers make decisions during cultivation. The objectives of chapter 2 were: a) to obtain the norms of the CND-clr and CND-ilr methods for evaluating the nutritional status of the potato plant; b) identification of nutritionally balanced or non-balanced samples, in situations of high and low productivity by the CND-ilr method; c) obtaining the ranges of adequate levels of nutrients for the potato crop with high productivity; d) knowing the order of limiting nutrients in samples classified as nutritionally unbalanced and with low productivity. The objectives of chapter 3 were: a) to predict potato productivity; b) to evaluate the performance of different Machine Learning models in predicting potato productivity in the state of São Paulo, Brazil; c) to develop an online application that forecast the productivity of agricultural crops. The database consisted of 752 samples that related leaf nutrient contents and yields of potato crops from areas located in the state of São Paulo, Brazil. The productivity that separated the high and low productivity groups was 48,993.24 kg ha-1 . Nutrient sufficiency ranges were generally narrower than those reported in the literature. The order of nutrient limitation was: N, B, S, Ca and Mn. The parameters found in the CND-ilrfor accuracy, sensitivity, specificity, NPV and PPV were 96.9; 97.1; 93.6; 64.4 and 99.6%, respectively. To identify the variables that most impact potato productivity, five Machine Learning models were developed for data analysis. An application was developed to perform calculations based on user interaction. The model options used were: Multiple Linear Regression (RLM), K-nearest neighbors or “K-nearest neighbors” (KNN), Support Vector Machine (SVR), eXtreme Gradient Boosting (XGB) and Artificial Neural Networks (RN). for the construction of the models, the database was divided into three groups: nutritional, climatic and top 10 variables (the main variables that influence the model according to the Randon Forest method). Among the 15 models, the top 10 SVR obtained the best adjusted R2 (0.76) and RMSE (5646.80 kg ha-1 ) results.