Estimação da produtividade de soja a partir de modelo agrometeorológico com base em inteligência artificial

Abstract

O Brasil é o maior produtor de soja do mundo e o clima é um dos principais fatores que influenciam a produtividade da soja. Identificar os elementos meteorológicos que influenciam na produtividade da soja, assim como a utilização de modelos de predição de produtividade podem auxiliar os produtores nas tomadas de decisões e estratégias de gerenciamento do campo. Nesse contexto, objetivo deste trabalho foi: a) identificar a influência dos fatores meteorológicos em cada estádio fenológico da soja, b) identificar qual melhor algoritmo de aprendizagem de máquina (ML) para estimação e predição de produtividade de soja no Brasil com base em dados climáticos. Tanto os dados de produtividade quanto os dados meteorológicos são de uma série histórica de 30 anos (1988 a 2018). Os dados metrológicos são provenientes do NASAPOWER, foram coletados: precipitação (mm), temperatura média, máxima e mínima do ar (ºC), velocidade do vento média, máxima e mínima (m s-1), umidade relativa (%), radiação solar no topo da atmosfera (MJ m2 dia-1) e radiação solar global (MJ m2 dia-1). Para o objetivo “a” foi realizado analise de correlação de Pearson, resultando em 4 grupos determinados de acordo com a sua similaridade climática, e para o objetivo “b” foi utilizado o método de modelagem tradicional de regressão linear múltipla (RLM) e três métodos de aprendizado de máquina (ML): Random Forest (RF) Support vector machine (SVM) e Multilayer perceptron. Para avaliação dos modelos foi utilizado o R2 ajustado (R2 adj), erro quadrático médio (RMSE) e erro médio absoluto (MAE). Os dados foram separados em 70% para treino e 30% para teste. Todas as análises foram realizadas no software Python 3.8. Os fatores meteorológicos influenciaram a produtividade de formas diferente de acordo com o estádio fenológico da cultura. O RF apresentou o melhor desempenho para o grupo 4, com R2 adj de 0,76 e RMSE de 389,41 kg ha−1. O RLM apresentou o menor desempenho para grupo 4, com R2 adj de 0,01 e RMSE de 3993,8kg ha−1. Portanto, com os resultados do estudo concluímos que é possível estimar e predizer a produtividade de soja utilizando algoritmos de aprendizado de máquina. O RF possui precisão e acurácia para predizer a produtividade de soja no Brasil. Os fatores meteorológicos influenciam a produtividade da soja de diferentes formas em cada estádio fenológico da cultura.

Brazil is the largest soybean producer in the world and climate is one of the main factors that influence soybean productivity. Identifying the meteorological elements that influence soybean productivity, as well as the use of productivity prediction models can help producers in decision-making and field management strategies. In this context, the objective of this work was: a) to identify the influence of meteorological factors on each soybean phenological stage, b) to identify the best machine learning (ML) algorithm for estimation and predicting soybean productivity in Brazil based on climate data. Both productivity data and meteorological data are from a 30-year historical series (1988 to 2018). The metrological data comes from NASA-POWER and was collected: precipitation (mm), average, maximum and minimum air temperature (ºC), average, maximum and minimum wind speed (m s-1), relative humidity (%), solar radiation at the top of the atmosphere (MJ m2 day-1) and global solar radiation (MJ m2 day-1). For objective “a” a Pearson correlation analysis was carried out, resulting in 4 groups determined according to their climatic similarity, and for objective “b” the traditional modeling method of multiple linear regression (RLM) was used and three machine learning (ML) methods: Random Forest (RF) Support vector machine (SVM) and Multilayer perceptron. To evaluate the models, adjusted R2 (R2 adj), mean squared error (RMSE) and mean absolute error (MAE) were used. The data was separated into 70% for training and 30% for testing. All analyzes were performed using Python 3.8 software. Meteorological factors influenced productivity differently according to the phenological stage of the crop. RF presented the best performance for group 4, with R2 adj of 0.76 and RMSE of 389.41 kg ha−1. The RLM presented the lowest performance for group 4, with R2 adj of 0.01 and RMSE of 3993.8kg ha−1. Therefore, with the results of the study we conclude that it is possible to estimation and predict soybean productivity using machine learning algorithms. The RF has precision and accuracy to predict soybean productivity in Brazil. Meteorological factors influence soybean productivity in different ways at each phenological stage of the crop.