Modelagem agrometeorológica por inteligência artificial para previsão da produtividade de palmeiras na Amazônia Oriental

Carregando...
Imagem de Miniatura

Data

2021-06-02

Autores

Moraes, José Reinaldo Da Silva Cabral De [UNESP]

Título da Revista

ISSN da Revista

Título de Volume

Editor

Universidade Estadual Paulista (Unesp)

Resumo

A expansão de palmeiras de alto valor comercial e industrial como a palma de óleo, o açaizeiro e o coqueiro, necessitam de informações e estratégias sustentáveis para seus sistemas de cultivos. Modelos agrometeorológicos atuam como uma ferramenta exploratória para os tomadores de decisão e aliado a inteligência artificial (IA) auxiliam no planejamento do uso da terra para cultivos agrícolas anuais e/ou perenes. Tais métodos desempenham um papel importante na previsão de produtividade, no entanto, poucas pesquisas têm sido aplicadas visando a modelagem de palmeiras, que sejam suficientemente simples e ao mesmo tempo incorporem o conhecimento fenológico e climático suficientes para ser estudada em locais com diferentes condições de crescimento e práticas de manejo. Neste sentido, objetiva-se avaliar o desempenho de modelos de IA na modelagem agrometeorológica para previsão da produtividade da palma de óleo, açaí e do coco na Amazônia Oriental. O estudo foi realizado em várias regiões do estado do Pará. Os dados de produtividade de palma de óleo e coco foram disponibilizados por empresas produtoras situadas na Amazônia, e de açaí de áreas experimentais da Embrapa Amazônia oriental. Foram utilizados diferentes modelos de IA para prever a produtividade das culturas. Para todos os modelos, foram separados 70% dos dados para treinamento e 30% para teste. Os modelos ajustados foram: Regressão linear múltipla (RLM), Random Forest (RF), Redes neurais artificiais Multilayer Perceptron (MLP) e Support Vector Machine de base radial RBF (SVM_RBF), Linear (SVM_Linear) e Polinomial (SVM_Poly), usando a linguagem de programação Python. Os modelos foram avaliados por meio da acurácia, precisão e tendência, comparando dados observados e previstos. Os dados observados em campo e obtidos pelos modelos de IA foram comparados pelo R2, MAPE, RMSE e ME. Modelos de IA com 4 meses antes da colheita apresentaram acurácia média (MAPE) de 22% para previsão de produtividade da palma de óleo. Para o açaí, variaram de 4 a 7 meses entre os diferentes tipos de manejo e épocas do ano com MAPE médio igual a 19%. Para o coqueiro, os resultados apontaram previsões com até 11 meses antes da colheita com MAPE médio igual a 15%. Houve uma perda de precisão dos modelos ao prever dados extremos, com subestimação na previsão em situações de altas produtividades e superestimação em baixas produtividades. No geral, os modelos de IA demostraram desempenho importante para prever a produtividade das palmeiras estudadas, subsidiando produtores, agroindústrias e outros planejadores a melhor tomada de decisão.
The expansion of high commercial and industrial value palm trees such as the oil palm, the açaizeiro and the coconut palm, require information and sustainable strategies for their cropping systems. Agrometeorological models consist of an exploratory tool for decision makers and allied with artificial intelligence (AI) assist in land use planning for annual and/or perennial agricultural crops. This methods play an important role in yield prediction, however, few researches have been applied aiming at palm tree modeling that are simple enough and at the same time incorporate enough phenological and climatic knowledge to be studied in locations with different growing conditions and management practices. This, we aimed to evaluate the performance of AI models in agrometeorological modeling for predicting the yield of oil palm, acai and coconut in the Eastern Amazon. The study was conducted in several regions of the state of Pará, Brazil. Yield data for oil palm and coconut were provided by production companies located in the Amazon, and for açaí from experimental areas of Embrapa Amazônia oriental. Several AI models were used to predict crop yield. We use 70% of the data to calibrate and 30% to test the AI models. The fitted AI models were: Multiple Linear Regression (MLR), Random Forest (RF), Multilayer Perceptron (MLP) artificial neural networks, and Support Vector Machine of radial RBF (SVM_RBF), Linear (SVM_Linear) and Polynomial (SVM_Poly) bases. We using the Python programming language to perform the analysis. The models were evaluated using accuracy, precision, and trend, comparing observed and predicted data. Field-observed data and data obtained by the AI models were compared by R2 , MAPE, RMSE, and ME. AI models with 4 months before harvest showed average accuracy (MAPE) of 22% for predicting oil palm yields. We observed that it ranged from 4 to 7 months between the different types of management and times of the year with an average MAPE equal to 19% for açaí. As for the coconut palm, the results showed predictions up to 11 months before harvest with an average MAPE equal to 15%. There was a loss of accuracy of the models when predicting extreme data, with underestimation in the prediction in situations of high yields and overestimation in low yields. Overall, the AI models demonstrated an important performance in predicting the yield of the studied palms, supporting producers, agro-industries and other planners to make better decisions.

Descrição

Palavras-chave

Meteorologia florestal, Palmeira, Coqueiro, Python (Computer program language)

Como citar