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

Abstract

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.

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.