Modelos de aprendizado de máquina no estudo da influência climática sobre a produtividade de soja

Abstract

O objetivo deste estudo foi avaliar o desempenho de modelos de aprendizado de máquina na predição da produtividade da soja (Glycine max L.) a partir de variáveis agronômicas e climáticas, considerando cenários de mudanças climáticas. Foram analisadas 411 observações com variáveis de desenvolvimento e componentes de rendimento, associadas a dados climáticos, utilizando os modelos M5P, Random Forest, Random Tree e Regressão Linear. O método de seleção de atributos empregado foi o CfsSubsetEval com busca GreedyStepwise, e a validação dos modelos foi realizada por meio de cross-validation 10-fold. O modelo M5P apresentou o melhor desempenho, com R = 0,99, RMSE = 302,35 e MAE = 143,22, demonstrando elevada capacidade preditiva. Observou-se que a temperatura mínima exerce influência negativa significativa sobre a produtividade da soja, indicando que o aumento das temperaturas noturnas pode comprometer o rendimento da cultura. As projeções climáticas dos cenários RCP 4.5 e RCP 8.5 revelaram tendência de aumento das anomalias de temperatura mínima até 2100, com maior intensidade no cenário RCP 8.5. Conclui-se que o uso de técnicas de aprendizado de máquina integradas a dados climáticos constitui ferramenta promissora para a previsão de produtividade e para o planejamento agrícola frente às mudanças climáticas.

The objective of this study was to evaluate the performance of machine learning models in predicting soybean (Glycine max L.) yield based on agronomic and climatic variables, considering future climate change scenarios. A total of 411 observations were analyzed, combining developmental and yield component variables with climatic data, using the M5P, Random Forest, Random Tree, and Linear Regression models. The attribute selection method employed was CfsSubsetEval with GreedyStepwise search, and model validation was performed through 10-fold cross-validation. The M5P model showed the best performance, with com R = 0,99, RMSE = 302,35 and MAE = 143,22, demonstrating high predictive accuracy. The results indicated that minimum temperature has a significant negative influence on soybean yield, suggesting that increasing nighttime temperatures may compromise crop productivity. Climate projections for RCP 4.5 and RCP 8.5 scenarios revealed a trend of increasing minimum temperature anomalies up to 2100, with greater intensity under RCP 8.5. It is concluded that the use of machine learning techniques integrated with climatic data is a promising tool for yield prediction and agricultural planning in the context of climate change.