Aprendizagem de máquina na determinação de ambientes de produção de cana-de-açúcar

Abstract

A cana-de-açúcar é uma das culturas mais expressivas do mercado agrícola nacional. Visando um aumento de produtividade e qualidade da matéria prima, técnicas como a de manejo localizado, que já vem sendo adotada há muitos anos pelas usinas, porém, ainda de forma manual. O objetivo desse trabalho é determinar ambientes de manejo de cana-de-açúcar utilizando quantidade reduzida de variáveis de baixo custo, por meio de técnica de aprendizagem de máquina. Para atingir a máxima eficiência na predição, os dados foram submetidos à estatística descritiva, em seguida, à seleção de regressão “stepwise” para determinar quais variáveis seriam úteis ao modelo. Em seguida foi aplicado teste de multicolinearidade e, por fim, a árvore de decisão classificatória. Para avaliar a eficiência do modelo foi preparada uma matriz de confusão. Foi detectado que as variáveis ligadas às características de formação do solo foram as escolhidas para determinar os ambientes de produção, dando destaque a variável areia. A técnica de regressão “stepwise” mostrou-se eficiente na seleção de variáveis e a árvore de decisão mostrou eficiência na determinação dos ambientes, obtendo a satisfatória acurácia de 75%, além de ter gerado ambientes de manejo mais contínuos na área de cultivo.

Sugar cane is one of the most significant crops in the national agricultural market. Aiming to increase the quality and quality of the raw material, techniques such as localized management, which has been adopted for many years by the plants, but still manually. The objective of this work is to determine the sugarcane management environments, using the reduced number of low-cost variables, through the machine learning technique. To achieve maximum prediction efficiency, the data were subjected to descriptive statistics, followed by stepwise regression selection to determine useful variable variables useful in the model. Then, the multicollinearity test was applied and, finally, a classification decision tree. To evaluate the efficiency of the model, a confusion matrix was prepared. It was detected that the variables selected to the soil characteristics were chosen to determine the production environments, highlighting a sand variable. A stepwise regression technique was efficient in the selection of variables and a reduced decision tree in the determination of environments, obtaining a satisfactory satisfaction of 75%, besides showing more continuous management environments in the cultivation area.