Modelos de machine learning para estimação de produtividade de soja e eucalipto no Cerrado brasileiro
Carregando...
Data
2024-05-09
Autores
Orientador
Rolim, Glauco de Souza 
Coorientador
Pós-graduação
Agronomia (Ciência do Solo) - FCAV
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Tese de doutorado
Direito de acesso
Acesso restrito
Resumo
Resumo (português)
As mudanças ocorridas no Cerrado promoveram grandes desafios para o bioma. Em geral, a conservação do Cerrado tem sido conduzida por meio de políticas nacionais e locais. Essas políticas consideram a variação cultural e socioeconômica entre os municípios do Cerrado proporcionando avanços tecnológicos tanto na área florestal quanto na agricultura, tornando o Brasil líder mundial na produção de soja. Buscando reduzir a pressão do desmatamento e a manutenção da biodiversidade, ocorreu a introdução do eucalipto no Cerrado. Dessa forma, avaliou-se diferentes modelos de machine learning para estimação de produtividade de soja para o sul do Maranhão, com até um mês antecedência. Os resultados mostraram que o algoritmo Random Forest - RF atinge a maior precisão e acurácia, com R2 de 0,81, RMSE de 176,93 kg ha-1 e tendência (EME) de 1,99 kg ha-1. Por outro lado, o algoritmo Suport vector machine kernel RBF - SVM_RBF apresentou o menor desempenho com R2 de 0,74, RMSE de 213,58 kg ha-1 e EME de 15,06 kg ha-1. Em um segundo estudo buscamos estimar o volume de madeira de eucalipto no cerrado brasileiro utilizando técnicas de machine learning e apenas dados climáticos como entrada dos modelos, abrangendo diferentes idades de crescimento em dois períodos do ano entre janeiro e junho e entre julho e dezembro. Os modelos apresentaram ótimos resultados na estimativa do volume de madeira. O modelo Random Forest apresentou as melhores métricas durante o treinamento e teste com, R2= 0,93 e RMSE = 18,36 m3ha-1 para o modelo janeiro-junho e R2= 0,92 e RMSE = 19,52 m3ha-1 para o modelo de julho-dezembro.
Resumo (inglês)
The changes that occurred in the Cerrado promoted major challenges for the biome. In general, Cerrado conservation has been driven through national and local policies. These policies consider the cultural and socioeconomic variation between the municipalities of the Cerrado, providing technological advances in both forestry and agriculture, making Brazil a world leader in soybean production. Seeking to reduce the pressure of deforestation and maintain biodiversity, eucalyptus was introduced into the Cerrado. In this way, different ML models were evaluated to predict soybean productivity for the south of Maranhão, up to one month in advance. The results showed that the RF algorithm achieves the highest precision and accuracy, with R2 of 0.81, RMSE of 176.93 kg ha-1 and trend (EME) of 1.99 kg ha-1 . On the other hand, the SVM_RBF algorithm presented the lowest performance with R2 of 0.74, RMSE of 213.58 kg ha-1 and EME of 15.06 kg ha-1 . In a second study, we sought to estimate the volume of eucalyptus wood in the Brazilian cerrado using machine learning techniques and only climate data as model inputs, covering different growth ages in two periods of the year between January and June and between July and December. The models showed excellent results in estimating the volume of wood. The Random Forest model presented the best metrics during training and testing with R2= 0.93 and RMSE = 18.36 m3ha-1 for the January-June model and R2= 0.92 and RMSE = 19.52 m3ha-1 for the July-December model.
Descrição
Palavras-chave
Idioma
Português
Como citar
SANTOS, V.B. - Modelos de machine learning para estimação de produtividade de soja e eucalipto no Cerrado brasileiro - 2024, 78f - Tese (Doutorado em Agronomia) - Universidade Estadual Paulista "Julio de Mesquita Filho", Jaboticabal, 2024.