UNIVERSIDADE ESTADUAL PAULISTA – UNESP 

CÂMPUS DE JABOTICABAL 

 

 

 

 

 

 

 

 

 

MODELAGEM AGROMETEOROLÓGICA POR INTELIGÊNCIA ARTIFICIAL PARA 

PREVISÃO DA PRODUTIVIDADE DE PALMEIRAS NA AMAZÔNIA ORIENTAL 

  

 

José Reinaldo da Silva Cabral de Moraes 

Engenheiro Agrônomo 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

    2021 



 

UNIVERSIDADE ESTADUAL PAULISTA – UNESP 

CÂMPUS DE JABOTICABAL 

 

 

 

 

 

 

MODELAGEM AGROMETEOROLÓGICA POR INTELIGÊNCIA ARTIFICIAL PARA 

PREVISÃO DA PRODUTIVIDADE DE PALMEIRAS NA AMAZÔNIA ORIENTAL 

 

 

 

José Reinaldo da Silva Cabral de Moraes 

Orientador: Prof. Dr. Glauco de Souza Rolim 
 

 
Tese apresentada à Faculdade de 
Ciências Agrárias e Veterinárias – UNESP, 
Câmpus de Jaboticabal, como parte das 
exigências para a obtenção do título de 
Doutor em Agronomia (Produção Vegetal). 

 

 

 

 

 

 

 

 

 

 

 

 

    2021 



 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Sistema de geração automática de fichas catalográficas da Unesp. 

Biblioteca da Faculdade de Ciências Agrárias e Veterinárias, 

Jaboticabal. Dados fornecidos pelo autor(a). 

M827m 

Moraes, José Reinaldo da Silva Cabral de 

Modelagem agrometeorológica por inteligência artificial para 

previsão da produtividade de palmeiras na Amazônia Oriental / 

José Reinaldo da Silva Cabral de Moraes. -- Jaboticabal, 2021 

139 p. 

Tese (doutorado) - Universidade Estadual Paulista (Unesp), 

Faculdade de Ciências Agrárias e Veterinárias, Jaboticabal 

Orientador: Glauco de Souza Rolim 

 

1. Agrometeorologia. 2. Amazônia brasileira. 3. Arecaceae. 

4. Machine Learning. 5. Python. I. Título. 



 

 



 

 

DADOS CURRICULARES DO AUTOR 

 

JOSÉ REINALDO DA SILVA CABRAL DE MORAES - Nascido em Castanhal, 

Pará, no dia 27 de abril de 1992, filho de José da Silva Moraes e Lilia da Silva 

Cabral de Moraes, natural de Castanhal, Pará. Cursou o ensino fundamental no 

colégio estadual Aristedes Santa Rosa, no município de Inhangapi, Pará e o 

ensino médio no Instituto de Educação Darwin, no município de Castanhal, Pará, 

tendo finalizado no ano de 2009. Ingressou no ensino superior no ano de 2010 

no curso de Engenharia Agronômica pela Universidade Federal Rural da 

Amazônia (UFRA), Campus Belém, obtendo o título de Engenheiro Agrônomo 

em janeiro de 2015. Durante a graduação foi bolsista do Programa de Educação 

Tutorial (PET) Agronomia, sob a tutoria do Prof. Dr. Carlos Augusto Cordeiro 

Costa por quatro anos e realizando iniciação científica na Empresa Brasileira de 

Pesquisa Agropecuária (EMBRAPA) Amazônia Oriental, também durante quatro 

anos, na área de Agrometeorologia, sob orientação da pesquisadora Dra. 

Lucieta Guerreiro Martorano. Realizou durante um ano estágio curricular na área 

de agrometeorologia na UFRA, sob a orientação do Prof. Dr. Paulo Jorge de 

Oliveira Ponte de Souza, desenvolvendo seu trabalho de conclusão de curso 

com a calibração do modelo DSSAT para o feijão caupi. Em agosto de 2015, 

iniciou o curso de Mestrado em Agronomia, no Programa de Produção Vegetal, 

na área de Modelagem Agrometeorológica, pela Universidade Estadual Paulista 

“Júlio de Mesquita Filho” – Campus de Jaboticabal, São Paulo, sob a orientação 

do Prof. Dr. Glauco de Souza Rolim, concluindo no ano de 2017. No ano de 2017 

iniciou o doutorado na mesma instituição sob a orientação do professor Glauco 

Rolim, submetendo sua tese em abril de 2021 à banca examinadora para 

obtenção do título de doutor em Agronomia. 

 

 

 

 

 

 



 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

O mundo é um livro, e quem fica sentado em 

casa lê somente uma página. 

Santo Agostinho 

 



 

 

 

Aos meus pais, José Moraes e Lilia Moraes por 

toda dedicação, amor e carinho que me foi dado, 

e com seus sacrifícios, me proporcionaram 

caminhos de muitas conquistas e realizações. 

Minhas vitórias são graças a vocês. 

DEDICO  

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Ao meu Avô Sebastião de Oliveira Moraes (In memorian). Que 

apesar do pouco tempo que passamos juntos,  

foi o suficiente para formar homem que sou hoje. 

A minha noiva Aline Michelle da Silva Barbosa, 

pelo seu carinho, amor, dedicação e apoio 

incondicional nas batalhas da vida.  

OFEREÇO 

 



 

 

AGRADECIMENTOS 

A Deus, por ter me guiado e protegido, mostrando sempre o melhor 

caminho a seguir.  

 Ao professor Glauco Rolim, orientador e amigo. Seus ensinamentos 

científicos e de vida me moldaram como profissional e pessoa, obrigado por toda 

paciência e parceria durante esses anos de mestrado e doutorado. 

 À professora Lucieta Guerreiro Martorano, pela amizade, confiança e por 

ter acreditado no meu potencial no início da minha graduação. Nossos caminhos 

terem se cruzado logo no começo da minha vida acadêmica e científica, foi 

fundamental para eu enxergar outras oportunidades e desafios.  

Agradeço a Universidade Federal Rural da Amazônia (UFRA), instituição 

que me formei como engenheiro agrônomo e conquistei grandes amigos. Aos 

professores dessa universidade, em especial ao professor Paulo Jorge de 

Oliveira Ponte de Souza, pelas excelentes aulas de agrometeorologia na 

graduação, e posteriormente pela orientação no meu trabalho de conclusão de 

curso. 

 Ao Programa de Educação Tutorial (PET) Agronomia, em especial ao 

professor Carlos Augusto Cordeiro Costa, pelos conselhos, anos de amizade, 

ensinamentos. Este programa o qual fui bolsista durante quatro anos foi 

fundamental para minha formação como profissional. Também agradeço aos 

amigos bolsistas do PET, por toda convivência, viagens, experimentos de campo 

e amizade.  

  Registro meus agradecimentos a minha família, em especial as minhas 

irmãs, Liliane Moraes, Josi Moraes e Viviane Feio, por todo carinho, apoio e 

pelos sobrinhos maravilhosos que já me deram. Aos meus tios Reinado Moraes 

e Ieda Terra, por todo acolhimento, confiança e carinho.  

 A minha madrinha Ambrósia Marinho (In memorian) que sempre acreditou 

e torceu pelo meu sucesso. À minha avó paterna, Raimunda Monteiro da Silva 

Moraes e materna, Nazaré Cabral, e meus avós de coração, Maria das Dores 

Terra e Antônio Terra da Trindade (In memorian), pelos ensinamentos e carinhos 

frequentes. 



Meus agradecimentos aos funcionários do departamento de ciências 

exatas da UNESP, em especial aos amigos Carlão, Vanessa, Zezé, Shirlei e 

Adriana. E aos amigos Bruna, Gustavo, Daniel e Mara. 

Aos amigos do grupo de pesquisa GAS da UNESP, Lucas Aparecido, 

Taynara Valeriano, Victor Moreto, Kamila Meneses, João Trevizoli, Valter e Aline. 

Aos irmãos que também passaram por Jaboticabal e foram trilhar novos 

caminhos, Daniel Pinheiro, Francisco Carlos, Flávio José e Raphael Leone. 

Amizades construídas durante a pós-graduação e que levo para vida. Registro 

também meus agradecimentos aos companheiros do Galáticos futebol, amigos 

que conquistei durante o mestrado e doutorado. 

Aos amigos do Instituto Federal do Mato Grosso do Sul, em especial ao 

Cícero Teixeira, Gustavo Valente, Daniel Zimmermann, Matheus Bornelli, pela 

amizade e apoio no início da minha carreira docente.    

À Embrapa Amazônia Oriental, em especial aos pesquisadores Dra. 

Socorro Padilha e Dr. João Tomé, pela concessão dos dados de campo para a 

realização dessa pesquisa. Aos amigos do Laboratório de Agrometeorologia da 

Embrapa Amazônia Oriental, por toda parceria científica, carinho e amizade. 

À empresa Sococo em nome do Dr. Paulo Lins, assim como a empresa 

Marboges em nome do Dr. Abreu Pina, pelo fornecimento dos dados de campo 

para realização da minha tese. 

O presente trabalho foi realizado com apoio da Coordenação de 

Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) - Código de 

Financiamento 001.

A todos que contribuíram para minha formação de vida e profissional, 

meus sinceros agradecimentos. 





i 

 

SUMÁRIO 

 

RESUMO............................................................................................................ iii 

ABSTRACT ........................................................................................................ iv 

CAPÍTULO 1 – CONSIDERAÇÕES GERAIS ..................................................... 1 

1.1 Palma de óleo ........................................................................................... 1 

1.2 Coqueiro ................................................................................................... 4 

1.3 Açaizieiro .................................................................................................. 5 

1.4 Inteligência artificial................................................................................... 6 

REFERÊNCIAS ................................................................................................ 10 

CAPÍTULO 2 – Modelagem Agrometeorológica a partir de inteligência artificial 

para prever a produtividade da Palma de óleo no estado do Pará, Amazônia . 19 

2.1 INTRODUÇÃO ........................................................................................... 21 

2.2 MATERIAL E MÉTODOS ........................................................................... 24 

2.2.1 Base de dados ..................................................................................... 24 

2.2.2 Componentes de água no solo ............................................................ 28 

2.2.3 Caracterização fenológicas da palma de óleo ..................................... 30 

2.2.4 Modelos de Machine Learning ............................................................. 32 

2.2.5 Análise de dados ................................................................................. 35 

2.3 RESULTADOS ........................................................................................... 36 

2.4 DISCUSSÃO .............................................................................................. 54 

2.5 CONCLUSÃO ............................................................................................. 59 

2.6 REFERÊNCIAS .......................................................................................... 59 

CAPÍTULO 3 – Previsão de produtividade de frutos de açaí (Euterpe oleracea 

Mart.) na região Nordeste paraense na Amazônia Oriental modelado por 

inteligência artificial .......................................................................................... 68 

3.1 INTRODUÇÃO ........................................................................................... 70 

3.2 MATERIAL E MÉTODOS ........................................................................... 72 

3.2.1 Caracterização fenológica do açaizeiro ............................................... 76 

3.2.2 Modelos de Machine learning .............................................................. 79 



ii 

 

3.3 RESULTADOS E DISCUSSÃO .................................................................. 82 

3.4 CONCLUSÃO ......................................................................................... 94 

3.5 REFERÊNCIAS .......................................................................................... 94 

CAPÍTULO 4 – Previsão agrometeorológica da produtividade do coqueiro 

modelado por Machine Learning .................................................................... 104 

4.1 INTRODUÇÃO ......................................................................................... 106 

4.2 MATERIAL E MÉTODOS ......................................................................... 108 

4.2.1 Área de estudo e origem dos dados .................................................. 108 

4.2.1 Caracterização fenológica do coqueiro .............................................. 114 

4.2.2 Modelos de Machine Learning ........................................................... 115 

4.2.3 Processamento gráfico e estatísticos ................................................ 116 

4.3 RESULTADOS ......................................................................................... 117 

4.4 DISCUSSÃO ............................................................................................ 128 

4.5 CONCLUSÃO ........................................................................................... 131 

4.6 REFERÊNCIAS ........................................................................................ 132 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



iii 

 

MODELAGEM AGROMETEOROLÓGICA POR INTELIGÊNCIA ARTIFICIAL 

PARA PREVISÃO DA PRODUTIVIDADE DE PALMEIRAS NA AMAZÔNIA 

ORIENTAL 

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. 
 
 
Palavras-chave: Agrometeorologia, Amazônia brasileira, Arecaceae, Machine 
Learning, Python 
 



iv 

 

AGROMETEOROLOGICAL MODELING WITH ARTIFICIAL INTELLIGENCE 

IN FORECASTING PALM YIELD IN THE EASTERN AMAZON 

 

ABSTRACT 
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. 
 
 
Keywords: Agrometeorology, Brazilian Amazon, Arecaceae, Machine Learning, 
Python 
 



1 

 

CAPÍTULO 1 – CONSIDERAÇÕES GERAIS 

A maioria das palmeiras se desenvolve em ecossistemas tropicais 

(Eiserhardt et al., 2011) sendo possível a expansão desses cultivos no Brasil, 

principalmente em áreas antropizadas. Os climas tropicais são caracterizados 

por padrões de temperatura previsíveis e com pequena amplitude térmica 

(Moron; Robertson; Wang, 2019). Contudo, os regimes de precipitação pluvial 

não tendem a ser simples e previsíveis, existindo grandes variações no ano e 

entre os anos (Moraes et al., 2020).  

Os produtores agrícolas, agroindústrias e outros, necessitam ter alta 

produtividade e sustentabilidade em seus negócios. Neste sentido, conhecer a 

variabilidade do clima por meio de modelos agrometeorológicos de forma prévia 

na cadeia produtiva de qualquer cultura, é fundamental para estabelecer 

estratégias e melhores tomada de decisão (Klompenburg et al., 2020).   

Dentre as palmeiras de alto valor comercial e de produção, destaca-se a 

palma de óleo o coqueiro e o açaizeiro, do gênero Elaeis, Cocos e Euterpe, 

respectivamente, que tem na Amazônia brasileira suas principais áreas de 

produção e comercialização. Diversos trabalhos vêm estudando a influência do 

clima no desenvolvimento e efeitos na produção dessas culturas, entre esses 

destaca-se, Benezoli et al. (2021), Liu et al. (2021) e Oettli et al. (2018) para 

palma de óleo, Santos et al. (2020), Samarasinghe et al. (2018) e Pathmeswaran 

et al. (2018) para o coqueiro e Moraes et al. (2020) e Viana et al. (2020) para o 

açaizeiro.   

 

1.1 Palma de óleo 

 A palma de óleo (Elaeis guineensis Jacq.) uma das culturas oleaginosas 

mais importantes do mundo, originária da África Tropical. Trazida para o Brasil 

pelos escravos, se adaptou ao clima tropical úmido da Bahia, mas foi na região 

amazônica que o cultivo obteve as maiores produtividades (Vijay et al., 2016). A 

produção de óleo de palma é cinco vezes maior por unidade de terra do que 

outras culturas oleaginosas, como a soja, que, juntamente com a crescente 

demanda global de óleo vegetal e biocombustíveis, impulsiona sua lucratividade 

(Lamade et al., 2016). 



2 

 

Entre as culturas com maior expansão de área colhida nos trópicos úmido, 

a palma de óleo se destaca entre as três maiores, com crescimento de 176% 

entre os anos de 2000 a 2019 (Figura 1), sendo que 87% da produção é 

concentrada principalmente no Sudeste Asiático (FAO, 2021). No Brasil a região 

do nordeste paraense concentra aproximadamente 98% da produção, com mais 

de 160 mil hectares colhidos (Figura 2) (IBGE 2021).  

   

  

Figura 1. Principais culturas agrícolas com expansão de área colhida em 

porcentagem nos países tropicais úmidos.  

Fonte. (FAO, 2021).  

 

Sua inserção na cadeia do Biodiesel no Brasil foi incentivada pelo 

Programa Palma de Óleo, como cultura viável e rentável na recuperação de 

áreas em vias de degradação (Brandão et al., 2021, Garrett et al., 2019). A palma 

de óleo é extremamente versátil, sendo aproveitado óleos da semente, do 

mesocarpo e o óleo de palmiste (Awalludin et al., 2015; Mushtaq; Abdullah; Ani, 

2015). Aproveitam-se ainda cachos, resíduos do processo de extração de óleo 

(glicerina), entre outros usos, além do seu potencial na produção de 

combustíveis alternativos e bioeletrecidade (Pirker et al., 2016). 



3 

 

 

Figura 2. Mapa das principais áreas produtoras de palma de óleo no estado do 

Pará.  

Fonte. (IBGE, 2021).  

 

As evidências de aquecimento global, oscilações nos preços do petróleo 

e mudanças para uma matriz energética renovável incluem a palma de óleo 

como planta com alto potencial para produção de biocombustíveis, 

impulsionando sua lucratividade (Sheil et al., 2009).  

O potencial dessa espécie na produção de óleo e conversão em 

biocombustível ganha importância em áreas com alto grau de degradação, 

inserindo-as ao sistema produtivo, minimizando a pressão do desmatamento, 

capturando carbono e mitigando emissões de gases de efeito estufa (GEE), além 

de promover oferta de emprego ao setor agrícola e industrial na Amazônia (Zarin 

et al., 2016).  

 

 

 

 



4 

 

1.2 Coqueiro 

Outra palmeira de destaque, o coqueiro (Cocos nucifera L), é uma das 

mais importantes do mundo, cultivada em mais de 12 milhões de hectares de 

terras nas planícies costeiras tropicais e subtropicais (FAOSTAT, 2021). Cerca 

de 10 milhões de agricultores familiares são altamente dependentes do produto 

desta palmeira e muitos outros em áreas rurais e semi-urbanas que possuem 

reduzido número de áreas plantadas, contribuem para a subsistência dessas 

populações (Rethinam, 2006).  

O coqueiro é uma palmeira de grande interesse econômico, uma vez que 

são utilizados todos os seus componentes: frutos, folhas, polpa, água, casca e 

fibras. Cada parte da planta pode produzir itens que têm valor comunitário, bem 

como fornecer uma gama de produtos comerciais e industriais (Nguyen et al., 

2015). Esses produtos incluem aqueles com propriedades nutricionais e 

medicinais (Foale, 2003; Perera et al., 2009), com um núcleo maduro 

(endosperma sólido) que contém fibras comestíveis, proteínas, lipídios e 

minerais inorgânicos.  

No Brasil, a principal atividade econômica envolvendo esta espécie 

destinam-se à produção de coco seco in natura, coco ralado, leite de coco, óleo 

de coco e outros derivados do coco seco e água de coco, a partir do coco verde 

(Benassi; Fanton; Santana, 2013). 

Outros produtos derivados da fruta incluem bebidas, amêndoas frescas e 

leite (Lim, 2012), além de produtos refinados, como, o óleo virgem e a fibra da 

casca. O óleo virgem (extraído a baixa temperatura) possui propriedades 

antioxidantes potentes (Marina et al., 2009) e antimicrobianas (Chakraborty e 

Mitra, 2008) e possui potenciais ações anticancerígenas (Koschek et al., 2007). 

No Brasil, o avanço do cultivo ocorre não só pela evolução em patamares 

produtivos, que condicionam ao país lugar de destaque entre os maiores 

produtores mundiais, mas também, pela expansão da área plantada, 

principalmente em regiões não tradicionais (Ferreira; Warwick; Siqueira, 2018). 

O cultivo de coqueiro no Brasil tradicionalmente acontece na região 

Nordeste, mas nos últimos trinta anos as áreas estão se expandindo para outras 

regiões do Brasil, principalmente no Sudeste, Centro Oeste e Norte (Figura 3). 



5 

 

Esta expansão ocorre também em agroecossistemas frágeis como em regiões 

de Mata Atlântica e zonas litorâneas (Martins; Jesus Júnior, 2014). 

 

 

Figura 3. Principais áreas produtoras de coco no Brasil. 

Fonte. (IBGE, 2021).  

 

1.3 Açaizieiro 

O açaizeiro (Euterpe oleracea Mart) que é uma palmeira de hábito perene 

possuindo frutos bastante valorizados para o preparo de bebidas, pertence à 

família Arecaceae, englobando aproximadamente 200 gêneros e cerca de 2600 

espécies, cuja distribuição é predominantemente tropical e subtropical (Goldel et 

al., 2015). Na Amazônia esta família é representada por 39 gêneros e um número 

entre 150 a 180 espécies (Kahn, 1997). 

O açaízeiro desempenha importante papel socioeconômico e ambiental 

para as regiões produtoras (Vallejo et al., 2014).  Silva et al. (2006), verificaram 

aumentos dos retornos sociais do cultivo, após a inserção tecnológica na 

produção na ordem de 238 milhões de reais no ano de 2005, por meio de linhas 

de crédito de financiamento pelos bancos.  



6 

 

O novo contexto do mercado do açaí, tanto ao nível nacional como 

internacional, tem se caracterizado por uma demanda crescente e superior à 

oferta, o que pressiona os preços, sobretudo com o aumento das exportações 

(Homma; Santana, 2009). Nesse mercado a bebida é comercializada como 

commodity, onde o fator determinante é o preço, que oscila devido a 

sazonalidade da safra que se concentra no Pará, Amapá e Maranhão (Nogueira 

et al., 2005). No entanto, apresenta uma produção que ainda demanda de 

pesquisas que visem o melhor manejo do cultivo, assim como o conhecimento 

de áreas com potencial climático para sua expansão. 

A distribuição espacial das espécies de palmeiras está dominantemente 

condicionada aos fatores ambientais limitantes (Bazzaz, 1998), tornando a 

biodiversidade do planeta vulnerável aos fenômenos naturais e processos 

resultantes das ações antrópicas sobre o ambiente.  

Com a busca da expansão desses cultivos e melhor planejamento de 

safra, o uso de modelos de prognósticos agrometeorológicos auxilia no 

planejamento agrícola, identificando as condicionantes de variáveis atmosféricas 

que possam causar perdas de produção e buscar soluções estratégicas para 

tomada de decisão. No entanto, esse monitoramento prévio requer o uso de 

vários conjuntos de dados, não sendo uma tarefa trivial, em vez disso, consiste 

em várias etapas complicadas (Filippi et al., 2019). Neste sentido, o uso da 

inteligência artificial tem sido uma importante ferramenta de apoio a decisão no 

meio agrícola, podendo determinar diferentes padrões e correlações a partir de 

conjuntos de dados, ajudando a melhorar a eficiência no setor agrícola, como a 

produtividade da safra, irrigação, monitoramento de safra, entre outros (Talaviya 

et al., 2020). 

 

1.4 Inteligência artificial 

Na produção agrícola, existem várias metodologias e processos 

diferentes que requerem um consumo de energia bastante elevado (Jha et al. 

2019). Ao mesmo tempo, o mercado exige produtos de saída de alta qualidade 

(Singh; Singh; Kaur, 2021). 



7 

 

Com o aumento da informação no campo, se amplia o horizonte de 

aplicabilidade e uso de modelos matemáticos. Dados históricos de clima e dados 

meteorológicos durante a estação de crescimento, bem como a previsão de 

curto, médio e longo prazo, desempenham papel importante nas aplicações de 

modelagem agrícola (Hogenboom, 2000).  

A demanda por informações rápidas e consistentes impõe que 

pesquisadores, consultores, agricultores e gestores do setor agrícola ampliem 

as aquisições e conhecimento em modelos de simulação (Martorano, 2008). 

Dessa forma, as relações existentes entre os elementos climáticos e a 

produtividade de uma cultura podem ser simulados de forma previa antes da 

colheita, através de modelos agrometeorológicos (Rolim et al., 2008), usando 

algoritmos de Inteligência Artificial (IA) (Klompenburg; Kassahun; Catal, 2020). 

A IA inicia com o estudo sobre a capacidade dos computadores de pensar 

sem a interferência humana (Russell; Norvig, 2011), definindo-se basicamente 

como uma tecnologia que funcione como o cérebro humano, que incluem 

aprendizagem, raciocínio e autocorreção (Parekh; Shah; Shah, 2020) para 

automatizar tarefas complexas (Tada, 2016). Neste conceito, softwares e 

sistemas inteligentes são desenvolvidos, baseados em como o cérebro humano 

pensa, aprende, toma decisões e trabalham enquanto resolvem um problema 

(Talaviya et al., 2020). Esses softwares são alimentados com dados de 

treinamento e, além disso, esses dispositivos inteligentes nos fornecem a saída 

desejada para cada entrada válida, assim como o cérebro humano (Jani et al., 

2020).  

 A IA envolve duas grandes subáreas classificadas como, Deep learning 

(DL) e Machine Learning (ML) (Patel et al., 2020; Sukhadia et al., 2020). A DL é 

uma subárea de ML, que por sua vez é uma subárea da IA (Sharma; Sharma; 

Jindal, 2021) (Figura 4). Enquanto IA é a ciência de fazer máquinas e programas 

inteligentes, ML é a capacidade de aprender algo sem ser explicitamente 

programado e DL é o aprendizado por redes neurais profundas (Kodali; Sahu, 

2016). 



8 

 

 

Figura 4: Inteligência artificial, Aprendizado de máquina e Aprendizagem 

profunda. Adaptado de Goodfellow et al. (2016). 

 

Conforme discutido em Goodfellow et al. (2016), inicialmente o foco da 

inteligência artificial era enfrentar e solucionar problemas intelectualmente 

difíceis para os seres humanos, mas relativamente diretos para os 

computadores, problemas que podem ser descritos por uma lista de regras 

formais e matemáticas. Entretanto, observa-se que o verdadeiro desafio é 

resolver as tarefas fáceis para as pessoas, mas difíceis de descrever 

formalmente, problemas que resolvemos intuitivamente, que parecem 

automáticos, como reconhecer palavras ou faces nas imagens. 

Para prover uma solução a esses problemas mais intuitivos é necessário 

que os computadores aprendam com a experiência e compreendam as 

informações em termos de hierarquia de conceitos, com cada conceito definido 

por sua relação com conceitos mais simples (Goodfellow et al., 2016), assim 

como o ser humano faz. 

Os algoritmos de ML agrupam um grande número de métodos que 

permitem aos computadores generalizar a partir da experiência, aprendendo 

com um conjunto de dados de treinamento a reconhecer padrões em dados de 

alta dimensão (Bonetto; Latzko, 2020; Subasi, 2020). Em geral o ML requer um 

grande conjunto de dados para se treinar e prever o resultado. Entretanto, 

estudos recentes têm apontado o uso de ML como modelos preditivos usando 

pequenos conjuntos de dados (Shaikhina et al., 2015). 



9 

 

Patrício e Rieder (2018) definem que os processos de ML consistem 

basicamente nas seguintes etapas:  

• Preparação e aquisição dos dados: etapa inicial que consiste em obter os 

dados adequados que contenham características a serem consideradas 

na aprendizagem.  

• Seleção das características de Interesse: identificar as características 

mais significativas para o problema que será abordado.  

• Seleção de algoritmos: consiste em selecionar o algoritmo mais adequado 

para tratar o problema em estudo. Como exemplo na agricultura temos a 

Regressão Linear Multipla, Random Forest, Redes Neurais Artificiais, 

Support Vector Machine e outros.  

• Seleção de parâmetros: alguns algoritmos precisam ser ajustados por 

parâmetros que requerem experimentação para serem definidos, dessa 

forma os ajustes de seus parâmetros são fundamentais para um bom 

desempenho do modelo.  

• Treinamento: Selecionado o algoritmo mais adequado e seus parâmetros, 

o treinamento consiste na construção do modelo computacional que será 

utilizado na predição das respostas aos novos dados. 

• Teste: Validação dos resultados quanto a precisão e acurácia dos dados 

de treinamento.  

 

Os algoritmos de ML permitem que se analise grandes volumes de dados 

independentemente da complexidade, com rapidez e precisão. Vastos são as 

aplicações de ML na agricultura, que passam deste a modelos preditivos de 

safras, como observado nos trabalhos de (Pant et al., 2021; Luciano et al., 2021) 

na detecção de doenças (Shah et al., 2016; Chung et al., 2016), qualidade de 

grãos (Zareiforoush et al., 2015; Vithu; Moses, 2016), otimização de irrigação e 

aplicação de herbicidas (Talaviya et al., 2020) e tantas outras aplicações.  

Poucos trabalhos têm investigado aplicações de modelos de IA em cultivos 

perenes como as palmeiras de forma geral e suas respostas produtivas em 

função do clima. O limitado número de trabalhos se deve principalmente ao longo 

período de monitoramento dessas culturas, aumentando os custos operacionais 



10 

 

de campo para aquisição de dados. Neste sentido, este estudo busca avaliar 

modelos agrometeorológicos para previsão de produtividade de palmeiras 

comerciais como a palma de óleo, coco e açaí na Amazônia Oriental, usando 

inteligência artificial. 

 

REFERÊNCIAS 

Awalludin MF, Sulaiman O, Hashim R, Aidawati WN, Nadhari W (2015) An 

overview of the oil palm industry in Malaysia and its waste utilization through 

thermochemical conversion, specifically via liquefaction. Renewable and 

Sustainable Energy Reviews, 50: 1469 – 1484. 

http://dx.doi.org/10.1016/j.rser.2015.05.085. 

 

Bazzaz FA (1998) Elevated CO2 and plant production in the 21 st century: can 

we feed billions and preserve biological diversity. In : Garab G (ed) 

Photosynthesis: mechanisms and effects, V. Kluwer Academic, Dordrecht. 

 

Benassi AC, Fanton CJ, Santana EM (2013) O cultivo do coqueiro-anão-verde: 

Tecnologias de produção. Vitória, ES: Incaper, 120 p. il. (Incaper. Documentos, 

227). 

 

Benezoli VH, Imbuzeiro HMA, Cuadra SV, Colmanetti, MAA, Araújo, AC, Stiegler 

C, Motoike, SY (2021) Modeling oil palm crop for Brazilian climate conditions. 

Agricultural Systems. 190: 103130. DOI: https:// 

doi.org/10.1016/j.agsy.2021.103130. 

 

Bonetto R, Latzko V (2020) Machine learning. Computing in Communication 

Networks. https://doi.org/10.1016/B978-0-12-820488-7.00021-9. 

 

Brandão F, Schoneveld G, Pacheco P, Vieira I, Piraux M, Mota D (2021) The 

challenge of reconciling conservation and development in the tropics: Lessons 

from Brazil’s oil palm governance model. World Development 139:105268. 

https://doi.org/10.1016/j.worlddev.2020.105268. 



11 

 

Chakraborty M, Mitra A (2008) The antioxidant and antimicrobial properties of the 

methanolic extract from Cocos nucifera mesocarp. Food Chem. v. 107, p. 994–

999. doi:10.1016/j.foodchem. 2007.08.083. 

 

Chung CL, Huang KJ, Chen SY, Lai MH, Chen YC, Kuo YF (2016) Detecting 

Bakanae disease in rice seedlings by machine vision. Comput. Electron. Agric. 

121, 404–411. https://doi.org/10.1016/j.compag.2016.01.008. 

 

Eiserhardt WL, Svenning JC, kissling WD, Balslev H (2011) Geographical 

ecology of the palms (Arecaceae): determinants of diversity and distributions 

across spatial scales. Annals of Botany, 108: 1391–1416. 

 

FAO (2021). FAOSTAT Data: Production – Crops. Food and Agriculture 

Organization of the United Nations (FAO) (Accessed 07 February 2021). 

http://www.fao. org/faostat/en/#data/QC. 

 

Ferreira JMS, Warwick DRN, Siqueira LA (2018). A cultura do coqueiro no Brasil. 

Embrapa, Brasília, DF, p. 508. 

 

Filippi P, Jones EJ, Wimalathunge NS, Somarathna PDSN, Pozza LE, Ugbaje 

SU, Bishop TFA (2019) An approach to forecast grain crop yield using 

multilayered, multi-farm data sets and machine learning. Precis. Agric. 1–15. 

https://doi.org/10.1007/s11119-018-09628-4. 

 

Foale M (2003) The coconut odyssey: the bounteous possibilities of the tree of 

life. ACIAR Monography. Canberra, v. 101. 

 

Garrett RD, Levy S, Carlson KM, Gardner TA, Godar J, Clapp J, Villoria N (2019) 

Criteria for effective zero-deforestation commitments. Global Environmental 

Change, 54, 135–147. https://doi.org/10.1016/j.gloenvcha.2018.11.003. 

 



12 

 

Goldel B, Kissling WD, Svenning JC (2015) Geographical variation and 

environmental correlates of functional trait distributions in palms (Arecaceae) 

across the New World. Botanical Journal of the Linnean Society, v. 179, p. 602–

617. 

 

Goodfellow I, Bengio Y, Courville A. Deep learning. MIT press, 2016. 

 

Homma AKO, Santana ACA (2009) agroindústria na Região Norte, In: Zibetti DW 

& Barroso LA (Eds.) Agroindústria: uma análise no contexto socioeconômico e 

jurídico brasileiro. v.1. São Paulo, LEUD. p.19-43. 

Hoogenboom G (2000) Contribution of agrometeorology to the simulation of crop 

production and its applications. Agricultural and Forest Meteorology, v. 103, n. 1, 

p. 137–157. 

 

IBGE (2021). Instituto Brasileiro de Geografia de Estatística. Sistema IBGE de 

Recuperação Automática – SIDRA. (Accessed 16 March 2021). 

https://sidra.ibge.gov.br/home/pimpfbr/brasil. 

 

Jani K, Chaudhuri M, Patel H, Shah M (2020) Machine learning in films: an 

approach towards automation in film censoring. J. of Data, Inf. and Manag. 2, 55–

64. https://doi.org/10.1007/s42488-019-00016-9 

 

Jha K, Doshi A, Patel P, Shah M (2019) A comprehensive review on automation 

in agriculture using artificial intelligence. Artificial Intelligence in Agriculture. 2, 1–

12. 

 

Kahn F (1997) Les palmiers de l”eldorado. Paris: Éditions de l”Oprstom. Journal 

of Nutrology. p. 252. 

 

Klompenburg TV, Kassahun A, Catal C (2020). Crop yield prediction using 

machine learning: A systematic literature review. Computers and Electronics in 

Agriculture, 177, 105709. https://doi.org/10.1016/j.compag.2020.105709. 



13 

 

 

Kodali RK, Sahu A (2016) An IoT based soil moisture monitoring on Losant 

platform. 2nd International Conference on Contemporary Computing and 

Informatics. IEEE. pp. 764–768. 

 

Koschek PR, Alviano DS, Alviano CS, Gattass CR (2007) The husk fiber of Cocos 

nucifera L. (Palmae) is a source of anti-neoplastic activity. Brazilian J Med Biol 

Res. v.40, p. 1339–1343. doi:10.1590/ s0100-879x2006005000153. 

 

Lamade E, Tcherkez G, Darlan NH, Rodrigues RL, Fresneau C, Mauve C, 

Lamothe-Sibold M, Sketriené D, Ghashghaie J (2016) Natural 13C distribution in 

oil palm (Elaeis guineensis Jacq.) and consequences for allocation pattern. Plant, 

Cell and Environment. v. 39, p. 199–212. 

 

Lim TK (2012) Cocos nucifera. In: Lim TK (ed) Edible medicinal and non-

medicinal plants. Springer-Verlag Berlin, Berlin, p. 301–334. doi:10.1007/978-90-

481-8661-7_45. 

 

Liu Y, Heuvelink GBM, Bai Z, He P, Xu Xinpeng, Ding W, Huang S (2021) 

Analysis of spatio-temporal variation of crop yield in China using stepwise 

multiple linear regression. Field Crops Research, 264:108098. 

https://doi.org/10.1016/j.fcr.2021.108098. 

 

Luciano ACS, Picoli MCA, Duft DG, Rocha JV, Leal MRLV, Maire GL (2021) 

Empirical model for forecasting sugarcane yield on a local scale in Brazil using 

Landsat imagery and random forest algorithm. Computers and Electronics in 

Agriculture 184, 106063. DOI: https://doi.org/10.1016/j.compag.2021.106063. 

 

Marina AM, Man YBC, Nazimah SAH, Amin I (2009) Antioxidant capacity and 

phenolic acids of virgin coconut oil. Int J Food Sci Nutr. v. 60, p.114–123. 

doi:10.1080/09637480802549127.  

 



14 

 

Martins CR, Jesus Júnior LA (2014) Produção e Comercialização de Coco no 

Brasil Frente ao Comércio Internacional: Panorama 2014. 51 p. (Documentos / 

Embrapa Tabuleiros Costeiros,1517- 1329; 184. 

 

Martorano LG, Faria RT, Bergamaschi H, Dalmago GA (2008) Evaluation of the 

COPGRO/DSSAT model performance for simulating plant growth and grain yield 

of soybeans, subjected to no-tillage and conventional systems in the subtropical 

southern Brazil. Italian Journal of Agronomy. 3, 795-796. 

 

Moraes JRSC, Rolim GS, Martorano LG, Aparecido LEO, Oliveira MSP, Neto 

JTF (2019) Agrometeorological models to forecast açaí (Euterpe oleracea Mart.) 

yield in the Eastern Amazon. J Sci Food Agric, 100: 1558–1569. 

http://dx.doi.org/10.1002/jsfa.10164. 

Moron V, Robertson AW, Wang L (2019) Weather Within Climate: Subseasonal 

Predictability of Tropical Daily Rainfall Characteristics. Sub-Seasonal to 

Seasonal Prediction, p. 47-64. https://doi.org/10.1016/B978-0-12-811714-

9.00003-6. 

 

Mushtaq F, Abdullah TAT, Mat R, Ani FN (2015) Optimization and 

characterization of bio-oil produced by microwave assisted pyrolysis of oil palm 

shell waste biomass with microwave absorber. Bioresour Technol. 

 

Nguyen QT, Bandupriya HDD, Villalobos AL, Sisunandar S, Foale M, Adkins SW 

(2015) Tissue culture and associated biotechnological interventions for the 

improvement of coconut (Cocos nucifera L.): a review. Planta v. 242, p. 1059–

1076. 

 

Nogueira OL, Figueirêdo FJC, Muller AA (2005) Açaí. Embrapa Amazônia 

Oriental. Belém, Pará. Embrapa Amazônia Oriental. (Sistemas de Produção, 4). 

p.137.  

 



15 

 

Oettli P, Behera SK, Yamagata T (2018) Climate Based Predictability of Oil Palm 

Tree Yield in Malaysia. Scientific Reports, 8:2271. doi:10.1038/s41598-018-

20298-0. 

 

Pant J, Pant RP, Singh MK, Singh DP, Pant H (2021) Analysis of agricultural crop 

yield prediction using statistical techniques of machine learning. Materials Today: 

Proceedings. https://doi.org/10.1016/j.matpr.2021.01.948. 

 

Parekh V, Shah D, Shah M (2020) Fatigue Detection Using Artificial Intelligence 

Framework. Augmented Human Research. 5:5. https://doi.org/10.1007/s41133-

019-0023-4. 

 

Patel D, Shah D, Shah M (2020) The Intertwine of Brain and Body: A Quantitative 

Analysis on HowBig Data Influences the Systemof Sports. Ann. Data. Sci. 7, 1–

16. https:// doi.org/10.1007/s40745-019-00239-y. 

Pathmeswaran C, Lokupitiya E, Waidyarathne KP, Lokupitiya RS (2018). Impact 

of extreme weather events on coconut productivity in three climatic zones of Sri 

Lanka. European Journal of Agronomy 96, 47–53. DOI: 

https:doi.org/10.1016/j.eja.2018.03.001. 

 

Patrício DI, Rieder R (2018) Computer vision and artificial intelligence in precision 

agriculture for grain crops: A systematic review. Computers and Electronics in 

Agriculture 153, 69–81. DOI: https://doi.org/10.1016/j.compag.2018.08.001. 

 

Perera PIP, Vidhanaarachchi VRM, Gunathilake TR, Yakandawala DMD, Hocher 

V, Verdeil JL, Weerakoon LK (2009) Effect of plant growth regulators on ovary 

culture of coconut (Cocos nucifera L.). Plant Cell Tiss Org. v. 99, p. 73–81. 

doi:10.1007/s11240- 009-9577-z.  

 

Pirker J, Mosnier A, Kraxner F, Havlík P, Obersteiner M (2016) What are the limits 

to oil palm expansion? Global Environ. Change 40, 73–81. 

https://doi.org/10.1016/ j. gloenvcha.2016.06.007. 



16 

 

 

Rethinam P (2006) Asian and Pacific coconut community activities, 

achievements and future outlook. ACIAR Proceedings Series, v. 125, p.15–21. 

Rolim GS, Ribeiro RV, Azevedo FA, Camargo MBP, Machado EC (2008) 

Previsão do número de frutos a partir da quantidade de estruturas reprodutivas 

em laranjeiras. Revista Brasileira de Fruticultura. 30, 48-53. 

 

Russell SJ, Norvig P (2011) Artificial Intelligence: A Modern Approach, third ed. 

Pearson. Global Edition. 

 

Samarasinghe CRK, Meegahakumbura MK, Dissanayaka HDMAC, 

Kumarathunge D, Perera L (2018) Variation in yield and yield components of 

different coconut cultivars in response to within year rainfall and temperature 

variation. Scientia Horticulturae, 238, 51–57. DOI: 

https:doi.org/10.1016/j.scienta.2018.03.058. 

 

Santos MMS, Lacerda CF, Neves ALR, Sousa CHCS, Ribeiro AA, Bezerra MA, 

Araújo ICS, Gheyi HR (2020) Ecophysiology of the tall coconut growing under 

different coastal areas of northeastern Brazil. Agricultural Water Management 

232, 106047. https://doi.org/10.1016/j.agwat.2020.106047. 

 

Shah JP, Prajapati HB, Dabhi VK (2016) A survey on detection and classification 

of rice plant diseases. In: 2016 IEEE International Conference on Current Trends 

in Advanced Computing (ICCTAC), 1–8. 

doi:https://doi.org/10.1109/ICCTAC.2016.7567333. 

 

Shaikhina T, Lowe D, Daga S, Briggs D, Hggins R, Khovanova N (2015) Machine 

learning for predictive modelling based on small data in biomedical engineering. 

IFAC Pap Online, 48–20:469–474. https://doi.org/10.1016/j.ifacol.2015.10.185. 

 



17 

 

Sharma N, Sharma R, Jindal N (2021) Machine Learning and Deep Learning 

Applications-A Vision. Global Transitions Proceedings. 2, 24-28. 

https://doi.org/10.1016/j.gltp.2021.01.004. 

 

Sheil D, Casson A, Meijaard E, Van Noordwjik M, Gaskell J, Sunderland-Groves 

J, Wertz K, Kanninen M (2009) Palm Oil Impacts and Opportunities in Southeast 

Asia: What do we know and what do we need to know? Occasional Paper. 

CIFOR, Bogor, Indonésia. v. 51 p. 80.  

 

Silva IM, Santana AC, Reis MS (2006) Análise dos retornos sociais oriundos de 

adoção tecnológica na cultura do açaí no Estado do Pará. Amazônia: Ciência & 

Desenvolvimento, v. 2, p. 25-37. 

 

Singh G,  Singh A, Kaur G (2021) Role of Artificial Intelligence and the Internet of 

Things in Agriculture. Artificial Intelligence to Solve Pervasive Internet of Things 

Issues, 317-330. https://doi.org/10.1016/B978-0-12-818576-6.00016-2. 

 

Subasi A (2020) Machine learning techniques. Practical Machine Learning for 

Data Analysis Using Python, p. 91-202. https://doi.org/10.1016/B978-0-12-

821379-7.00003-5. 

Sukhadia A, Upadhyay K, Gundeti M, Shah S, Shah M (2020) Optimization of 

smart traffic governance system using artificial intelligence. Augment Hum Res 

5, 13. https://doi.org/10.1007/s41133-020-00035-x. 

 

Talaviya T, Shah D, Patel N, Yagnik H, Shah M (2020) Implementation of artificial 

intelligence in agriculture for optimisation of irrigation and application of 

pesticides and herbicides. Artificial Intelligence in Agriculture, 4, 58–73. 

https://doi.org/10.1016/j.aiia.2020.04.002. 

 

Vallejo MI, Galeano G, Bernal R, Zuidem PA (2014) The fate of populations of 

Euterpe oleracea harvested for palm heart in Colombia. Forest Ecology and 

Management. v. 318, p. 274–284. 



18 

 

 

Viana LF, Homma AKO, Menezes AJEA, Santos JC, Farias Neto JT (2020) 

Viabilidade econômica do cultivo de açaizeiro (euterpe oleracea mart.) irrigado 

no nordeste paraense. International Journal of Development Research. 10, 

39177-39182. https://doi.org/10.37118/ijdr.19655.08.2020. 

 

Vijay V, Pimm SL, Jenkins CN, Smith SJ (2016) The Impacts of Oil Palm on 

Recent Deforestation and Biodiversity Loss. PLoS ONE. v. 11: e0159668. 

doi:10.1371/journal.pone. 0159668.  

 

Vithu P, Moses JÁ (2016) Machine vision system for food grain quality evaluation: 

A review. Trends Food Sci. Technol. 56, 13–20. 

https://doi.org/10.1016/j.tifs.2016.07. 011. 

 

Zareiforoush H, Minaei S, Alizadeh MR, Banakar A (2015) Potential applications 

of computer vision in quality inspection of rice: a review. Food Eng. Rev. 7 (3), 

321–345. https://doi.org/10.1007/s12393-014-9101-z. 

 

Zarin DJ, Harris NL, Baccini A, Aksenov D, Hansen MC, Azevedo-Ramos C, 

Azevedo, T, Margono BA, Alencar AC, Gabris C, Allegretti A, Potapov P, Farina 

M, Walker WS, Shevade VS, Loboda TV, Turubanova S, Tyukavina A (2016) Can 

carbon emissions from tropical deforestation drop by 50% in 5 years?. Glob 

Chang Biol. v. 22, p.1336-47.  

 

 

 

 

 

 

 

 

 



19 

 

CAPÍTULO 2 – Modelagem agrometeorológica a partir de inteligência 

artificial para prever a produtividade da Palma de óleo no 

estado do Pará, Amazônia 

 

Resumo: A modelagem agrometeorológica tem avançado a partir de análises 
integradas entre diferentes variáveis respostas biofísicas, apoiadas em 
diferentes áreas do conhecimento científico, como a matemática, física, 
estatística, geomática e lógica em tecnologia da informação. Os prognósticos 
utilizando soluções de modelagem com rotinas de inteligência artificial (IA), têm 
possibilitado combinar, por exemplo, variáveis climáticas e fisiológicas de uma 
determinada cultura melhorando o desempenho dos modelos preditivos. Os 
prognósticos agrometeorológicos visam subsidiar à tomada de decisão quanto a 
adoção de ajustes ou novas técnicas de manejo para atingir as produtividades 
estimadas pelos modelos. Objetiva-se com este trabalho avaliar o desempenho 
de diferentes modelos de IA para a previsão de produtividade da palma de óleo 
no estado do Pará. Foram utilizados dados de variáveis climáticas e fenológicas 
da cultura obtidos de levantamentos cedidos para a pesquisa. Os dados foram 
coletados em uma área comercial de 583 hectares com palma de óleo, localizada 
no município de Moju, Pará. Foram utilizados dados mensais de produtividade 
entre os anos de 2003 a 2018, sendo excluídos os anos entre 2008 a 2012, 
devido alta incidência da doença ‘Amarelecimento Fatal’, na área de estudo. 
Dados diários de precipitação pluvial (P em mm), temperatura máxima (Tmax em 
°C) radiação solar (RAD em MJ m-2 dia-1) e umidade relativa (UR em %) foram 
obtidos usando dados de estação meteorológica de superfície próxima ao local 
de estudo. O balanço hídrico foi calculado pela metodologia de Thornthwaite e 
Mather, sendo posteriormente estimada a porcentagem de armazenagem de 
água no solo. Os modelos de IA ajustados foram: Regressão linear múltipla 
(RLM), Random Forests (RF), Redes neurais artificiais – Multilayer Perceptron 
(MLP) e Support Vector Machines de base radial RBF (SVM_RBF), Linear 
(SVM_Linear) e Polinomial (SVM_Poly), sendo testados pelo R2, MAPE, RMSE 
e ME. O desempenho dos modelos de IA com 4 meses antes da colheita 
representaram os melhores resultados para previsão de produtividade, com R2 
> 0.70, RMSE < 0.50 t h-1, MAPE < 26% e ME (≤ -0.02 e ≥ -0.15 t h-1). O modelo 
SVM_Poly apresentou os melhores ajustes, com R2 = 0.86, RMSE = 0.39, MAPE 
= 16% e ME = -0.06. O modelo SVM_Linear foi o que apresentou os menores 
desempenhos, com R2 = 0.71, RMSE = 0.48 t h-1, MAPE = 24.64% e ME = -0.12 
t h-1. Os modelos de ML são indicados para prever a produtividade da palma de 
óleo em áreas cultivadas no Pará. 
 
 
Palavras-chaves: Amazonia, Elaeis guineensis Jacq., Machine Learning, 
Modelagem agrícola, Python 
 

 

 



20 

 

Agrometeorological modeling using artificial intelligence to forecast oil 

palm yield in Pará state, Amazon 

 

ABSTRACT 
Agrometeorological modeling has advanced, from integrated analyses between 
different variables biophysical responses, supported in different areas of scientific 
knowledge, such as mathematics, physics, statistics, geomatics and logic in 
information technology. Predictions using modeling solutions with artificial 
intelligence (AI) routines have made it possible to combine, for example, climatic 
and physiological variables of a given crop, improving the performance of 
predictive models. The agrometeorological predictions aim to support decision 
making regarding the adoption of adjustments or new management techniques 
to achieve the yields estimated by the models. The objective of this work was to 
evaluate the performance of different AI models to predict oil palm productivity in 
the state of Pará. Data of climatic variables and crop phenology obtained from 
surveys provided for the research were used. The data were collected in a 
commercial area of 583 hectares with oil palm, located in the municipality of Moju, 
Pará. Monthly yield data from the years 2003 to 2018 were used, excluding the 
years between 2008 and 2012 due to the high incidence of the disease 'Fatal 
Yellowing' in the study area. Daily data of rainfall (P in mm), maximum 
temperature (Tmax in °C) solar radiation (RAD in MJ m-2 day-1) and relative 
humidity (RH in %) were obtained using data from surface weather station near 
the study site. The water balance was calculated by Thornthwaite and Mather 
methodology, and subsequently the percentage of water storage in the soil was 
estimated. The fitted AI models were: Multiple Linear Regression (MLR), Random 
Forests (RF), Artificial Neural Networks - Multilayer Perceptron (MLP) and 
Support Vector Machines of radial basis RBF (SVM_RBF), Linear (SVM_Linear) 
and Polynomial (SVM_Poly), being tested by R2, MAPE, RMSE and ME. The 
performance of the AI models at 4 months before harvest represented the best 
results for yield prediction, with R2 > 0.70, RMSE < 0.50 t h-1, MAPE < 26% and 
ME (≤ -0.02 and ≥ -0.15 t h-1). The SVM_Poly model showed the best fits, with 
R2 = 0.86, RMSE = 0.39, MAPE = 16% and ME = -0.06. The SVM_Linear model 
was the lowest performer, with R2 = 0.71, RMSE = 0.48 t h-1, MAPE = 24.64% 
and ME = -0.12 t h-1. The ML models are the most suitable for predicting oil palm 
productivity in cultivated areas in Pará. 
 

Keywords: Amazon, Elaeis guineensis Jacq., Machine Learning, Agricultural 

modeling, Python 

 

 

 



21 

 

2.1 INTRODUÇÃO 

A palma de óleo (Elaeis guineensis Jacq.) ou dendezeiro é uma planta 

perene que faz parte de um setor industrial globalizado, complexo e 

multissetorial, envolvendo pequenos, médio e grandes produtores, agroindústria, 

consumidores, cientistas e governo (Godswill et al., 2016). A palma de óleo se 

destaca pela produção e comercialização de óleo vegetal mais expressiva no 

mundo, apresentando no ano de 2019 uma produção de 74.60 milhões de 

toneladas de óleo beneficiado, superando a produção de óleo de soja que 

contabilizou 56.85 milhões de toneladas (Benezoli et al., 2021), além de render 

industrialmente de 3,5 a 10 vezes mais óleo vegetal do que a soja (Tan et al., 

2009).     

 A tendência mundial do consumo de óleo de palma é expandir-se (Tapia; 

Doliente; Samsatli, 2021), devido à crescente demanda na produção de 

alimentos, cosméticos, químicos e biodiesel (European Sustainable Palm Oil, 

2019; Khatun et al., 2017; Pirker et al., 2016). Nos países tropicais úmido, entre 

os anos de 2000 a 2019 a palma de óleo foi um dos cultivos com maior expansão 

agrícola, tendo um crescimento de 176,9% de área colhida, seguida da soja e 

cana de açúcar com 122.1% e 55.5%, respectivamente (FA0, 2021).  

 Com origem na África Ocidental (Corley; Tinker, 2015), a palma de óleo é 

produzida principalmente no Sudeste Asiático, compreendida principalmente 

pela Indonésia, Malásia e Tailândia (FAO, 2021). Em 2019, esses três países 

somaram 87,9% da produção mundial de cachos de frutas frescas (FFB) de 

palma de óleo (FFB), com 59,7% de FFB concentrados na Indonésia, 24.1% na 

Malásia e 4.1% na Tailândia (FAO, 2021). 

 O Brasil participa com 0,6% da produção de FFB mundial, ocupando a 

nona posição. Na américa em geral, esses valores são mais relevantes, 

contribuindo com uma produção de 2,5 milhões de toneladas e respondendo por 

11,2% da produção, atrás somente da Colômbia (36,4%) e Guatemala (14,2%) 

(FAO, 2021).  

Impulsionado por benefícios socioeconômicos, a palma de óleo veio 

crescendo no Brasil apoiada pelo Projeto de Lei Nº 7.326, de 2010 que culminou 

com a criação do ‘Programa de Produção Sustentável da Palma de Óleo’. A 



22 

 

expansão do cultivo no país ganhou saltos relevantes, concentrado no Pará seu 

principal polo de produção com 164.170 mil hectares colhidos, representando 

98,5% da produção nacional, sendo que entre os anos de 2010 a 2019, houve 

um crescimento de 140,3% de produção de FFB e 214,2% de área plantada na 

região (IBGE, 2021). 

O potencial da palma de óleo na produção de óleo e conversão em 

biocombustível no Pará vêm ganhando importância em áreas com alto grau de 

degradação, inserindo-as ao sistema produtivo, minimizando a pressão do 

desmatamento, capturando carbono e mitigando emissões de gases de efeito 

estufa (GEE), além de promover oferta de emprego ao setor agrícola e industrial 

na Amazônia. Logo, o aumento da produtividade combinado com a expansão 

direcionada para áreas degradadas (Rhebergen et al., 2016) foram as 

estratégias preferidas para atender à crescente demanda pelo cultivo (Woittiez 

et al., 2017).   

Conseguir prever como as condições ambientais afetam os processos 

fisiológicos da planta e, consequentemente a eficiência de sua produção, é 

importante para determinar a sustentabilidade do cultivo no Brasil (Liakos et al., 

2018). Investigações de Brum et al. (2021), destacaram a sensibilidade da palma 

de óleo às condições ambientais, principalmente precipitação pluvial, radiação 

solar e déficit de pressão de vapor, as quais apontaram variações expressivas 

na produção com base nessas variáveis climáticas.  

Hoffmann et al. (2017), destacaram a importância do ambiente e fatores 

internos no ciclo reprodutivo da palma de óleo, comprometendo sua produção. 

Estudos de Caliman e Southworth (1998) apontaram que a variável mais 

determinante para produção da cultura foi o déficit hídrico, pois o estresse hídrico 

desencadeou distúrbios vegetativos, como acúmulo de folhas fechadas, 

senescência prematura de folhas mais velhas e abortamento de frutos nos 

cachos. 

Portanto, as quebras de produtividade do cultivo devem ser estudadas e 

analisadas com base em variáveis agrometeorológicas em áreas de interesse 

produtivo. No entanto, essas relações envolvem sistemas de alta complexidade, 

que não se limitam apenas a modelos lineares, mas sobretudo, o uso de métodos 



23 

 

mais avançados de modelagem para apoiar os produtores na tomada de 

decisões de forma mais rápida e eficiente. 

Neste sentido, os sistemas de gestão agrícola estão evoluindo para 

soluções de modelagem baseadas em machine learning (ML). Os algoritmos de 

ML usam uma abordagem de modelagem empírica para aprender padrões e 

relações úteis, a partir de dados de entrada (Willcock et al., 2018), fornecendo 

importantes caminhos para previsões de produtividade. Chlingaryan et al. 

(2018), ressaltam a vantagem do algoritmo de ML na modelagem nas relações 

não lineares entre várias fontes de dados. Goodfellow et al. (2016), apontaram o 

ganho de desempenho nos modelos de ML, quando se aumentam os dados de 

treinamento disponível, assim como os algoritmos podem ser mais robustos para 

dados com ruídos, diminuindo a variância e o erro das previsões.  

Liakos et al., (2018) realizaram uma revisão sobre as aplicações do ML 

na agricultura, incluindo aplicações em previsão de produtividade, detecção de 

doenças, detecção de ervas daninhas, qualidade dos cultivos, reconhecimento 

de espécies, gestão animal, incluindo aplicações em bem-estar animal, gestão 

da água e manejo do solo, reforçando como a agricultura se beneficiará das 

tecnologias de ML. 

Diferentes modelos de ML têm sido usados para a previsão de safra dos 

cultivos, entre esses se destaca as Redes Neurais Artificiais (MLP), Support 

Vector Machine (SVM), Random Forest (RF) e Regressão linear múltipla (RLM). 

Haghverdi, Allen e Leib (2018), aplicaram o algoritmo de MLP para estimar a 

produtividade da fibra de algodão nos Estados Unidos. Pant et al., (2021), 

avaliaram a previsão de safra usando RF e SVM para os cultivos do milho, 

batata, arroz e trigo na Índia.  

Luciano et al. (2021), utilizaram o modelo RF para prever a produtividade 

da cana-de-açúcar no Brasil com até nove meses antes da colheita.  Moraes et 

al. (2020), avaliaram a previsão de produtividade mensal do Açaí usando 

modelos de RLM no Brasil com bom desempenho até 6 meses antes da colheita. 

No entanto, observa-se que há reduzida disponibilidade de publicações que 

aplicaram os modelos de ML na previsão de Palma de óleo.  



24 

 

Portanto, objetivou-se avaliar o desempenho de diferentes modelos de ML 

para a previsão de produtividade da palma de óleo usando variáveis climáticas 

e fenológicas do cultivo.  

 

2.2 MATERIAL E MÉTODOS 

2.2.1 Base de dados 

O estudo foi realizado em uma área comercial de 583 hectares de plantio 

de palma de óleo, localizada no município de Moju, (Figura 1). As amostras 

utilizadas foram das variedades Tenera (Elaeis guineenses Jacq. var. tenera) 

coletadas em vários anos de colheita. Foram utilizados dados mensais de 

produtividade de cachos de frutas frescas (FFB) entre os anos de 2003 a 2018. 

Foram excluídos os anos entre 2008 a 2012, devido alta incidência da doença 

‘Amarelecimento Fatal’ na área de estudo. 



25 

 

  

Figura 1. Mapa de localização da área comercial de cultivo de palma de óleo e 

classificação climática de Koppen adaptado por Martorano et al. (1993) e 

Thornthwaite (1948) para o estado do Pará.  

 

O clima da região segundo a classificação de Köppen é definido com Af2 

(Martorano et al., 1993), apresentando o mês mais seco precipitação acima de 

60 mm e chuvas anuais entre 2.500 a 3.000 mm ano-1. Pela classificação de 

Thornthwaite (1948) o clima enquadra-se no tipo ArA’a’ que é caracterizado 

como muito úmido, com pequena ou nenhuma deficiência hídrica, 

evapotranspiração potencial superior a 1.140 mm ano-1 e evapotranspiração de 



26 

 

verão menor que 48% da evapotranspiração anual (Moraes et al., 2020; Torres; 

Machado, 2008) (Figura 1). 

O conjunto de dados climáticos e de cultivo da palma de óleo, assim como 

as análises exploratórias para aplicação dos modelos de machine learning na 

previsão de produtividade da cultura aplicados neste estudo, é representado no 

fluxo grama de trabalho da figura 2.  

 

Figura 2. Etapas metodológicas conduzidos para este estudo. Variáveis 

meteorológicas: Precipitação pluvial (P mm), Deficiência hídrica (DEF mm), 

Excedente hídrico (EXC mm), Armazenamento de água no solo (ARM mm), 

Evapotranspiração potencial (ETP mm), Evapotranspiração real (ETR mm), 

Temperatura média (TMED °C), Temperatura mínima (TMIN °C), Temperatura 



27 

 

máxima (TMAX °C), Percentage Available Water holding Capacity (AWHC %), 

h) Radiação solar (RAD MJ m-2 dia-1), déficit de pressão de vapor (DPV kPa), 

umidade relativa (UR %). Variáveis de cultivo: Diferenciação do sexo (DSEX), 

Desenvolvimento (DD), Número de espiga (NP), Flor por espiga (FP), Aborto de 

inflorescência (ABI), Peso de carcaça (PC), Polinização (POL), Falha de cacho 

(FC), Maturação (MAT).  

  

A base de dados agrometeorológicos utilizada corresponde ao período de 

1993 a 2018. Foram analisados dados diários de precipitação pluvial (P em mm), 

com coletas pluviais localizadas na área de cultivo de palma de óleo, temperatura 

máxima (Tmax em °C), radiação solar (RAD em MJ m-2 dia-1) e umidade relativa 

(UR em %) de estações meteorológicas próximas a região de estudo, 

especificamente no raio de 36 km da área de coleta de dados da cultura. Com 

base nos dados de UR, foi calculado o déficit de pressão de vapor (DPV) por 

meio das seguintes equações (1 a 3): 

 

𝐷𝑃𝑉 = 𝐸𝑠 − 𝐸𝑎         (1) 

𝐸𝑠 = 0.6108 × 10(
7.5 ×𝑇𝑀𝐸𝐷

237.3+𝑇𝑀𝐸𝐷
)                                                                         (2) 

𝐸𝑎 =
𝑈𝑅 ×𝐸𝑠

100
          (3)                                             

 

em que, DPV= Déficit de pressão de vapor (kPa); Es = Pressão de saturação de 

vapor (kPa); Ea = Pressão parcial de vapor (kPa); UR= Umidade relativa (%); 

TMED= Temperatura média do ar (°C). 

 

Foi realizada a retirada de tendência temporal das séries por ajuste linear, 

conforme proposto por Gujarati e Porter (2011), para a visualização de outros 

componentes capazes de influenciar a produção em função de efeitos do clima 

na produção de FFB por hectare. 

 

 

 



28 

 

2.2.2 Componentes de água no solo  

Para determinação do balanço hídrico (BH), seguindo a metodologia de 

Thornthwaite e Mather (1955), foi utilizado uma capacidade de água disponível 

no solo (CAD) igual a 125 mm, sendo mais indicada para fins de caracterização 

dos cultivos de palma de óleo (Gonçalves et al., 2010). A evapotranspiração foi 

calculada seguindo o método de Camargo (1971), equação 4, utilizando dados 

de temperatura média do ar para estimar a evapotranspiração potencial (ETP). 

 

𝐸𝑇𝑃 = 𝐹 𝑄𝑜 𝑇 𝑁𝐷          (4) 

sendo Qo (mm dia-1) a radiação solar extraterrestre diária expressa em 

equivalente de evaporação, no período considerado, T (°C) é a temperatura 

média do ar durante o período; F é o fator de ajuste que varia com a temperatura 

média anual do local (para Tm até 23 °C, F = 0,01; Tm = 24 °C, F = 0,0105; Tm 

= 25 °C, F = 0,011; Tm = 26 °C, F = 0,0115; Tm > 26 °C, F = 0,012); e ND é o 

número de dias do período. 

Com a evapotranspiração potencial obtida foram estimados aos seguintes 

componentes de BH: armazenamento de água no solo (STO), deficiência hídrica 

(DEF) e excedente hídrico (EXC) (Figura 3).  



29 

 

 

Figura 3. Diagrama do modelo de balanço hídrico de Thornthwaite e Mather 

(1955): Fonte Rolim et al. (2020). 

 em que ETP é a evapotranspiração potencial (mm), AWC é a capacidade de 

água disponível no solo (mm), SWS é o armazenamento de água no solo (mm), 

NAC é o negativo acumulado, ou seja precipitação acumulada menos a 

evapotranspiração potencial, P é a precipitação (mm), DEF é o déficit de água 

no sistema solo-planta-atmosfera (mm), ETR é a evapotranspiração real (mm), 

EXC é o excedente de água do sistema solo-planta-atmosfera (mm), ALT é o 

armazenamento de água do solo para o mês corrente menos o armazenamento 

de água do solo para o mês anterior (mm), e i é o período mensal (Adaptado de 

Rolim et al. 2020). 

 

Com base nos componentes de BH, foi calculado a porcentagem de 

capacidade de armazenamento de água no solo disponível no final do mês 

(AWHC %) (Surre, 1968), utilizando-se a seguinte equação (5): 



30 

 

 

% AWHC = ((SWS + P – ETP – EXC) / AWC) × 100%    (5) 

sendo %AWHC é a porcentagem da capacidade de retenção de água disponível 

no final do mês, SWS é o armazenamento de água no solo (mm), e AWC é a 

capacidade de água disponível (mm). 

 

2.2.3 Caracterização fenológicas da palma de óleo  

 Foram definidos 9 estádios fenológicos para palma de óleo (Hormaza; 

Fuquen EM; Romero HM, 2012; Forero DC, Hormaza P, Romero HM, 2012), 

considerando-se principalmente a linha do tempo de desenvolvimento da 

inflorescência até a maturação, com base na seguinte caracterização: 

Diferenciação do sexo (DSEX), estádio esse que leva a divisão de inflorescência 

masculina e feminina, ocorrendo entre 23 a 25 meses antes da colheita. 

Desenvolvimento (DD), com antecipação de (19 a 22 meses), Número de espiga 

(NP, 16 a 18 meses), Flor por espiga (FP, 12 a 15 meses), Aborto de 

inflorescência (ABI, 10 a 11 meses), Peso de carcaça (PC, 7 a 9 meses), 

Polinização/antese (POL, 5 a 6 meses), Falha de cacho (FC, 2 a 5 meses) e 

Maturação (MAT) com ocorrência 1 mês antes da colheita de FFB (Figura 4). 



31 

 

 

Figura 4. Descrição dos estádios fenológicos da palma de óleo. Adaptado de 

Hormaza et al. (2012).  

 

 Para verificar a influência do clima em cada estádio fenológico foi 

realizada a quantificação entre (P, DEF, EXC, ARM, ETR, AWHC, TMAX, RAD 

e DPV) com a fenologia do cultivo, levando a um conjunto de dados de 81 

variáveis para seleção entre os modelos de previsão. No entanto, antes da 

implementação do modelo final, avaliações prévias foram realizadas no banco 

de dados, buscando tanto a seleção quanto na extração de variáveis.  

Foi analisada a multicolinearidade dos dados, ou seja, condição em que 

duas variáveis são correlacionadas e, portanto, apresentam informações 

semelhantes sobre a variação em um determinado conjunto de informações. 

Para isso, o Fator de Inflação de Variância (FIV), usando a biblioteca 

StatsModels da linguagem de programação Python foi utilizada para diagnosticar 

a multicolinearidade entre as variáveis. Esse método é baseado no valor R2 

obtido através da regressão de um preditor sobre todos os outros preditores na 

análise (Forthofer; Lee; Hernandez, 2007).  



32 

 

Em regra geral, se a FIV for maior que 10, então a multicolinearidade é 

alta, sendo assim, exclui-se a variável explicativa com FIV mais alta e reforma-

se o modelo (Miles, 2014). Uma das técnicas também utilizada foi análise da 

matriz de correlação de Pearson, para a avaliação do grau de associação entre 

as variáveis de estudo. 

Por fim, objetivando resumir a maior parte da variância dos dados a um 

número mínimo de fatores para fins de previsão, foi aplicado análise de 

componente principal (Farrugia et al., 2021, Hotelling, 1933), por meio da 

biblioteca sklearn.decomposition.PCA.  

 

2.2.4 Modelos de Machine Learning  

 Foram utilizados diferentes modelos de machine learning para prever a 

produtividade da palma de óleo. Os dados de produtividade por hectare 

corresponderam a variável dependente e os elementos meteorológicos as 

variáveis independentes. Para todos os modelos, foram separados 70% dos 

dados para treinamento e 30% para teste. Os modelos machine learning 

ajustados foram: Regressão Linear Múltipla (RLM), Random Forests (RF), Redes 

neurais artificiais – Multilayer Perceptron (MLP) e Support Vector Machines de 

base radial RBF (SVM_RBF), Linear (SVM_Linear) e Polinomial (SVM_Poly), 

usando a linguagem de programação Python.  

 A análise de regressão linear múltipla (RLM) modela a relação entre uma 

variável dependente (produtividade da colheita) e variáveis independentes 

(climáticas) ajustando uma equação linear através de dados observados. Uma 

primeira etapa na regressão múltipla é examinar as relações de pares entre 

todas as variáveis, uma vez que isso é útil para entender os dados. Este método 

também evita o mau condicionamento da matriz das variáveis das 

independentes (Features), controlando a inflação e a instabilidade geral 

encontrados em estimadores de mínimos quadrados (Liu et al., 2021). 

O Random Forest (RF) são variantes de árvores de decisão que são 

procedimentos para classificação e/ou regressão que utilizam grande quantidade 

de dados (Adetiloye, Awasthi, 2017). A grande vantagem do RF é dada a sua 

adequação para lidar com ruído nos dados, sendo, portanto, muito robusto. Esse 



33 

 

algoritmo é amplamente usado no aprendizado de máquina, devido ao seu bom 

equilíbrio entre robustez e alta qualidade do modelo (Hariharan, 2021).  

As redes neurais são um conjunto de unidades individuais 

interconectadas chamadas neurônios (Du e Swamy, 2014). O neurônio individual 

tem um número finito de entradas e uma saída. Cada entrada está associada a 

um valor de ponderação. Multilayer Perceptron (MLP) é um tipo de rede neural 

artificial que foi proposta por Frank Rosentblatt em 1957 (Shi et al., 2020), sendo 

mais comumente usadas devido à sua operação rápida, facilidade de 

implementação e requisitos de dados para o conjunto de treinamento menores 

(Kocyigit et al., 2008).  

O MLP consiste em camadas sequenciais: camadas de entrada, camadas 

ocultas e de saída (Alkhasawneh e Tay, 2017). A camada oculta processa e 

transmite as informações de entrada para a camada de saída. Um modelo MLP 

com número insuficiente ou excessivo de neurônios na camada oculta 

provavelmente causa problemas de má generalização e superajuste 

(Antanasijević; Antanasijević; Pocajt, 2018). Não existe um método analítico para 

determinar o número de neurônios na camada oculta. Portanto, ele só é 

encontrado por tentativa e erro (Wang; Hafshejani; Wang, 2021). 

O Support Vector Machine (SVM) é um algoritmo de ML baseado na teoria 

de aprendizado estatístico. O SVM mostrou muitas vantagens, devido ao seu 

bom desempenho com um número limitado de amostras (Shaharum et al., 2018). 

Outras aplicações também são no reconhecimento de padrões não lineares e de 

alta dimensão, podendo ser aplicado a outros problemas de ML, como ajustes 

de funções (Cortes e Vapnik, 1995).  

Os algoritmos de SVM são selecionados por parâmetros da função 

Kernel, dividindo-se em função de Base Radial (RBF), Linear e polinomial. No 

entanto, atualmente não existe um critério padrão para seleção da função kernel 

adequada para um problema específico no algoritmo SVM. Sendo assim, o 

método atual para seleção do melhor kernel é aplicar diferentes funções e 

selecionar a de menor erro (Manjunathan et al., 2020). 

Os parâmetros de treinamento para cada modelo e seus respectivos 

valores padrão, foram estimados pelo método gridsearchCV uma biblioteca para 



34 

 

python. Esse método funciona da seguinte forma: a partir de valores pré-

estabelecidos de cada parâmetro, o método faz uma combinação de todas as 

possibilidades formando um ‘grid’. Será selecionado como resposta a 

combinação que apresentar menor erro em relação aos dados observados. Os 

valores dos hiperparâmetros e cada modelo selecionado são apresentados na 

tabela 1. 

 

Tabela 1. Valores dos hiperparâmetros utilizados pelos modelos de Machine 

Learning entre as diferentes épocas de previsão. 4, 6 e 9 meses antes da 

colheita. 

Modelo Hiperparâmetros 4 meses 6 meses 9 meses 

RF 

max_depth 10 8 10 

min_impurity_decreas 0 0 0 

n_estimators 80 40 40 

random_state 0 0 0 

MLP 

hidden_layer_sizes 9,14,18 11,15,17 2,3,5 

learning_rate_init 0.1 0.1 0.1 

learning_rate constant constant constant 

activation logistic logistic logistic 

solver lbfgs lbfgs lbfgs 

alpha 0.1 0.1 0.1 

random_state 50 50 50 

max_iter 1000 1000 1000 

SVM_RBF 

kernel rbf rbf rbf 

C 3 8 8 

 gamma auto auto auto 

epsilon 1 1 1 

SVM_LINEAR 

kernel linear linear linear 

C 4 2 2 

 gamma auto auto auto 

epsilon 1 2 3 

SVM_POLY 

kernel poly poly poly 

C 1 2 2 

 gamma auto auto auto 

epsilon 0.1 0.1 0.1 

coef0 2 2 2 

 

 

 

 



35 

 

2.2.5 Análise de dados 

Os dados observados em campo e obtidos pelos modelos de machine 

learning foram comparados através de indicadores estatísticos: precisão, 

acurácia e tendência (Tabela 2). A precisão que indica o grau de dispersão entre 

os valores estimados e observados, foi estimada pelo coeficiente de 

determinação (R2) (Equação 12). A acurácia determina o afastamento entre 

valores estimados e observados, sendo medido pela Raiz do erro quadrático 

médio (RMSE) e do Erro absoluto médio (MAPE) (Equação 13, 14), 

respectivamente. O RMSE reflete o quão distantes os valores previstos em 

média estão dos valores observados e o MAPE qual a porcentagem de erro entre 

o valor previsto e observado. O erro médio (ME) (Equação 15), representa o erro 

sistemático do modelo, ou seja, quanto é o erro de subestimação ou 

superestimação em relação ao valor observado.  

Tabela 2. Métricas de precisão, acurácia e tendência dos índices estatísticos 

utilizados. 

Índice estatístico Equação 

Precisão 

R2 R2 =
∑ (Y𝑒𝑠𝑡−𝑌𝑒𝑠𝑡̅̅ ̅̅ ̅̅ )2𝑛

𝑖=1

∑ (Yobs−𝑌𝑒𝑠𝑡̅̅ ̅̅ ̅̅ )2𝑛
𝑖=1

                                                                              (6)
 

Acurácia 

RMSE 
RMSE =  √

∑ (Yobs−Yest)2𝑛
𝑖=1

𝑛
                                          

(7)
       

MAPE 
MAPE =  

∑ (
|Yobs−Yest|

Yobs
)𝑛

𝑖=1

𝑛
∗ 100                                     

(8)
       

Tendência 

ME ME =
1

n
 ∑ (Yest − Yobs)n

i=1                                        (9)
       

Yest é o valor estimado de y; Yobs é o valor observado de y; 𝑌𝑒𝑠𝑡̅̅ ̅̅ ̅̅  é o valor médio 

estimado de y; n é número de dados. 

 

 



36 

 

2.3 RESULTADOS 

Nas áreas de cultivo de palma de óleo foi observado grande variabilidade 

nos estoques hídricos e médias térmicas de variáveis agrometeorológicas entre 

janeiro e dezembro (Figura 5). A precipitação pluvial (P) (Figura 5.a) entre janeiro 

e maio apresentou os maiores valores em oferta de chuva, representando neste 

período quase 70% dos acumulados de P anual. As chuvas máximas ocorreram 

entre fevereiro e abril, com 650 mm cada, no entanto, as maiores médias entre 

os 24 anos analisados foram de, aproximadamente 455 mm para março e abril. 

No segundo semestre, principalmente entre julho e outubro, ocorreram as 

menores cotas pluviais, mas mantendo-se no mês menos chuvoso valores acima 

de 60 mm, confirmando-se a inclusão da área na tipologia climática Af2, de 

acordo com Martorano et al. (1993) e Martorano et al. (2017), ao analisar as 

tipologias climáticas no estado do Pará. 

A deficiência hídrica (DEF) (Figura 5.b), devido ao grande acumulado de 

chuva durante o primeiro semestre, não apresenta limitações 

evapotranspiratórias para plantas, principalmente entre janeiro e junho. Entre 

setembro e novembro, observa-se maior DEF, chegando a valores médios acima 

de 20 mm, mas como a CAD foi de 125 mm, reforça que esse fator não 

apresentou limitações a cultura.  

O excedente hídrico (EXC) (Figura 5.c), de forma inversa ao DEF e direta 

a P, armazenamento de água no solo (ARM) (Figura 5.d) e capacidade de 

retenção de água disponível (AWHC) (Figura 5.e) apresentaram no primeiro 

semestre seus maiores valores acumulados e no segundo semestre os menores 

volumes. A Evapotranspiração real (ETR), obteve no segundo semestre a menor 

demanda evapotranspiratória, destacando-se entre setembro e novembro 

(Figura 5.e).  

A temperatura máxima (Tmax) (Figura 5.f) e a radiação solar (Rs) (Figura 

5.h), fatores que regulam diretamente a fotossíntese e o acúmulo de biomassa, 

apresentaram amplitudes de 1,8 °C e 5,3 MJ m2 dia-1, respectivamente. Entre 

agosto a novembro são os meses com os maiores índices dessas variáveis, 

chegando a médias de Tmax acima de 34,5 °C e médias de Rs acima de 22 MJ 

m2 dia-1.  



37 

 

O déficit de pressão de vapor (DPV) variou entre 0,7 a 1,7 kPa. De forma 

geral no segundo semestre, principalmente entre agosto e novembro ocorre 

maior demanda evaporativa da atmosfera, com valores acima de 1,5 kPa e 

médias acima de 1,2 kPa. Entre janeiro a abril são observados os menores 

valores de DPV, com variações médias abaixo de 0.7 kPa (Figura 5.i).  

 

 

Figura 5. Mapa de calor das variáveis meteorológicas, a) Precipitação pluvial (P 

mm), b) Deficiência hídrica (DEF mm), c) Excedente hídrico (EXC mm), d) 

Armazenamento de água no solo (ARM mm), e) Evapotranspiração real (ETR 

mm), f) Temperatura máxima (TMAX °C), g) Percentage Available Water Holding 

Capacity (AWHC %), h) Radiação solar (RAD MJ m-2 dia-1) e déficit de pressão 



38 

 

de vapor (DPV kPa), em regiões de cultivo de palma de óleo, no município de 

Moju-Pará.  

 

Todas as fases fenológicas da palma de óleo sofrem grande influência do 

clima (Figura 6). As variáveis hídricas para a fase DSEX (23 a 25 meses antes 

da colheita de FFB) como P, EXC, ARM e AWHC apresentam em média maiores 

valores entre os meses de colheita de fevereiro a abril. Portanto, durante esses 

meses as condições meteorológicas que acontecem 23 a 25 meses antes da 

colheita é condicionada por maiores ofertas hídricas. Por outro lado, os meses 

de colheita de setembro a novembro, apresentam os menores acumulados 

hídricos (Figura 6.a).  

Quando avaliada as variáveis energéticas como radiação solar (RAD) e 

temperatura máxima (TMAX), os maiores valores médios obtidos em DSEX 

estão concentrados entre setembro e novembro e os menores valores entre 

fevereiro e março. Vale destacar que a amplitude obtida entre os meses de 

colheita para TMAX foi de 1,54 °C e RAD de 4,90 MJ m-2 dia-1, apontando as 

pequenas variações que ocorrem durante os meses de colheita durante o DSEX 

(Figura 6.g). 

As maiores produtividades de FFB estão concentradas entre outubro e 

novembro (Figura 6.a), e as menores entre março a maio. Esses dados 

corroboram com os estudos de Benezoli et al. (2021) em investigações com 

produtividade de palma de óleo realizadas no nordeste do Pará. É importante 

observar que durante os meses de maior produção, as fases fenológicas de 

Desenvolvimento diferencial (DD) que se inicia 19 a 22 mês antes da colheita de 

FFB, Numero de espiga (NP) 16 a 18 meses antes da colheita, Peso de Cacho 

de carcaça (PC) 7 a 9 meses antes da colheita e polinização (POL) 5 a 6 meses 

antes da colheita, apresentam acumulados significantes de EXC e P, ou seja, 

para esses meses de maiores produtividades de FFB, as fases fenológicas 

descritas acima acontecem em média em períodos com maior oferta hídrica.  

Durante março e maio, períodos de menor produtividade de FFB, as fases 

de Falha de Cacho (FC) 2 a 4 meses antes da colheita, Polinização (POL) 5 a 6 

meses antes da colheita e Número de Espiga (NP) 16 a 18 meses antes da 



39 

 

colheita, acontecem em média em períodos mais secos, representando maiores 

déficits de água no solo e consequentemente menor capacidade 

evapotranspiratória da planta.  

O déficit de pressão de vapor (DPV) (Figura 6.f), variável de grande 

importância dada as suas contribuições na troca de carbono entre a superfície e 

atmosfera, apresentou nos meses de menor produtividade (março a maio) nas 

fases, POL 5 a 6 meses antes da colheita, PC 7 a 9 antes da colheita e NP 16 a 

18 meses antes da colheita, valores elevados de DPV. Por outro lado, em meses 

de maior produtividade de FFB, foi observado menores variações de DPV nas 

fases DD, ABI e PC, sendo esses 19 a 22, 10 a 11 e 7 a 9 meses antes da 

colheita, respectivamente. 

 



40 

 

Figura 6. Acumulado das condições meteorológicas para diferentes meses de 

produção e fenológicos no cultivo de palma de óleo no município de Moju- Pará. 

a) Precipitação pluvial e Produtividade (FFB, t ha-1), b) Excedente hídrico (EXC), 

c) Deficiência hídrica (DEF), d) Armazenamento de água no solo (ARM), e) 

Evapotranspiração real (ETR), f) déficit de pressão de vapor (DPV), g) 

Temperatura máxima (TMAX), h) Radiação solar (RAD), e) AWHC. 

 

Do conjunto de dados obtidos pela interação entre as condições 

agrometeorológicas e a fenologia da palma de óleo foram selecionadas 9 

variáveis de acordo com o critério estabelecido de correlação de Pearson, Fator 



41 

 

de Inflação de Variância, objetivando remover preditores que estão altamente 

correlacionados, e análise de fatores para redução de dimensionamento (Figura 

7). Os valores correspondem a acumulados de EXC, e médias de TMAX, DPV, 

AWHC e RAD, durante os estádios fenológicos da planta.  

O EXC durante a fase de DD (EXC_DD), 19 a 22 meses antes da colheita 

de FFB, apresentou entre os meses de novembro, dezembro e janeiro suas 

maiores médias, com 1078, 1086 e 934 mm, respectivamente. Enquanto maio a 

junho representaram as menores médias, com valores ≤ 70 mm (Figura 7.a). Na 

fase de polinização, os maiores EXC se concentram durante agosto a outubro, 

com acumulados ≥ 500 mm, e entre janeiro a maio se observou em média valores 

≤ 50 mm (Figura 7.b).  

Para TMAX durante a POL (TMAX_POL), maiores valores foram 

observados entre fevereiro a maio, com médias ≥ 34,5 °C. Julho a setembro 

apresentaram as menores médias, com valores ≤ 34,0 °C (Figura 7.c). O DPV 

durante a fase de PC (DPV_PC) (Figura 7.d), variou entre o período de maio a 

junho com valores ≥ 1,2 kPa e entre outubro a novembro com valores ≤ 0,85 kPa, 

sendo esses os períodos de maiores e menores valores, respectivamente. 

Durante a FP, o DPV, diferente da fase PC, obteve seus picos entre outubro a 

dezembro (≥ 1,2 kPa) e menores entre março a maio (≤0,82 kPa) (Figura 7.e).  

O AWHC prevaleceu entre as variáveis hídricas e térmicas, sendo um 

importante elemento na variabilidade de três fases fenológicas para previsão de 

produtividade, sendo, NP, FP e ABI (Figura 7.f, h), respectivamente. AWHC 

durante os períodos de julho a outubro em NP, abril a junho em FP e de 

dezembro a abril em ABI não apresentam limitações hídricas, com valores 

médios (≥ 95%). Por outro lado, fevereiro a abril, outubro a dezembro e julho a 

outubro, são os menores índices de AWHC (≤ 50%), para NP, FP e ABI, 

respectivamente.  

No conjunto de variáveis, a radiação solar contribui nos modelos de 

previsão durante a fase de FP (Figura 7.i). Esse estádio para os períodos de 

colheita de outubro e novembro apresentaram as maiores médias de radiação, 

com valores ≥ 22 MJ m-2 dia-1. Por outro lado, entre março a maio a radiação 



42 

 

variou entre 17.5 a 18 m-2 dia-1, correspondendo, portanto, a períodos com 

menores valores.  

 

 

Figura 7. Boxplot da variabilidade mensal dos totais e médias climáticas para as 

principais fases fenológicas da palma de óleo, selecionadas pelo modelo de 

machine learning. EXC_DD (Excedente no desenvolvimento), EXC_POL 

(Excedente na polinização), TMAX_POL (Temperatura máxima na polinização), 

DPV_PC (Déficit de pressão de vapor no peso de cacho), DPV_FP (Déficit de 

pressão de vapor na flor por espiga), AWHC_NP (Porcentagem de 

armazenamento de água no número de espiga), AWHC_FP (Porcentagem de 

armazenamento de água em flor por espiga), AWHC_ABI (Porcentagem de 

armazenamento de água no aborto de inflorescência), RAD_FP (Radiação solar 

na flor por espiga).  

 



43 

 

Pela correlação de Pearson (Figura 8), as variáveis que respondem 

diretamente a produtividade, ou seja, quanto o valor de uma variável aumenta, 

maior será a produtividade, são (DPV_FP = 0.73), (RAD_FP = 0.65), (EXC_DD 

= 0.53), (AWHC_NP = 0.39), (EXC_POL = 0.33) e (AWHC_ABI = 0.1). De forma 

inversa, as variáveis que respondem de forma indireta a produtividade foram 

(DPV_PC = -0.67), (AWHC_FP = -0.58) e (TMAX_POL = -0.33). 

 

 

Figura 8. Coeficiente de correlação de Pearson das principais fases fenológicas 

e variáveis meteorológicas selecionadas pelo modelo de machine learning. 

DPV_FP (Déficit de pressão de vapor na flor por espiga), RAD_FP (Radiação 

solar na flor por espiga), EXC_DD (Excedente no desenvolvimento), AWHC_NP 

(Porcentagem de armazenamento de água no número de espiga), EXC_POL 

(Excedente na polinização), AWHC_ABI (Porcentagem de armazenamento de 

água no aborto de inflorescência), TMAX_POL (Temperatura máxima na 

polinização), AWHC_FP (Porcentagem de armazenamento de água em flor por 

espiga), DPV_PC (Déficit de pressão de vapor no peso de cacho). 

 

O desempenho de todos os modelos de Machine Learning para previsão 

de produtividade de FFB com 4 meses de antecedência foram satisfatórios, 

apresentando R2 > 0,70, RMSE < 0,50 t ha-1, MAPE < 26% e ME (≤ -0,02 e ≥ -

0,15 t ha-1) (Figura 9). O modelo Support Vector Machine de kernel polinomial 

(SVM_Poly) (Figura 9.f), apresentou os melhores ajustes, com medidas de 

precisão (R2 = 0,86), acurácia (RMSE = 0,39 e MAPE = 16%) e tendência (ME = 



44 

 

-0,06). Em contrapartida, o modelo Support Vector Machine de kernel linear 

(SVM_Linear) apresentou os menores desempenhos, com (R2 = 0,71, RMSE = 

0,48 t h-1, MAPE = 24,64% e ME = -0,12 t h-1). (Figura 9.e).  

Embora tenha sido observado desempenho satisfatório na previsão de 

FFB, os modelos apresentaram limitações para prever os picos e vales de 

produtividade (Figura 9.a.1 a f.1). No entanto, o comportamento crescente e 

decrescente da produtividade dos dados observados ao longo do tempo é 

acompanhado pelo modelo estimado, tendendo os modelos em média a 

subestimação. 

No conjunto de dados, observa-se também que o erro entre os valores 

observados e estimados, tende a ser maior à medida que se tem menores 

valores de produtividade, principalmente em faixas menores que 1 t ha-1. Para 

produtividades mais altas, acima de 2 t ha-1, os erros tendem a ser mais 

conservador. Importante destacar que à medida que a produtividade aumenta, 

os dados estimados tendem a subestimar os dados observados em campo, por 

outro lado, produtividades mais baixas os modelos tendem a superestimar os 

valores reais (Figura 9). 



45 

 

 

 

Figura 9. Comparação da produtividade observada obtida em campo e da 

produtividade prevista com 4 meses antes da colheita, simulada pelos diferentes 

modelos de machine learning. a) Regressão Linear Múltipla (RLM), b) Random 

Forest (RF), c) Multilayer Perceptron (MLP), d) Support Vector Machine RBF 

(SVM_RBF), e)  Support Vector Machine Linear (SVM_Linear), f) Support Vector 

Machine Poly (SVM_Poly). 

 



46 

 

 

  Para previsão de FFB com 6 meses de antecedência (Figura 10), os 

valores de precisão, tendência e acurácia apresentaram valores mais baixos. O 

nível de precisão variou entre (R2 ≥ 0,.70 e ≤ 0,77), acurácia (MAPE ≥ 24% e ≤ 

28%, RMSE ≥ 0,45 t ha-1e ≤ 0,52 t ha-1) e tendência (ME ≥ -0,21 t ha-1 e ≤ -0,02 

t ha-1). O RF (Figura 10.b) e RLM (Figura 10.a) apresentaram os melhores 

resultados de precisão (R2 = 0,77 e 0,74), acurácia (RMSE = 0,45 t ha-1 e 0,46 t 

ha-1); (MAPE = 24,41% e 25,11%) e tendência (ME = -0,02 t ha-1 e -0,13 t ha-1), 

respectivamente. Desempenhos ligeiramente menores foram observados para 

os demais modelos previsores, com R2 ≤ 0,73, MAPE ≥ 25% e RMSE ≥ 0,48 t 

ha-1 e ME ≥ 0,14 t ha-1. 

 Apesar do desempenho satisfatório para os níveis de precisão e acurácia 

na previsão com 4 meses de antecedência (Figura 9), o modelo SVM_Poly 

apresentou baixo desempenho para prever a produtividade com 6 meses antes 

da colheita, apresentando subestimação média de – 0,21 t ha-1 (Figura 10.f).  

  



47 

 

 

Figura 10. Comparação da produtividade observada obtida em campo e da 

produtividade prevista com 6 meses antes da colheita, simulada pelos diferentes 

modelos de machine learning. a) Regressão Linear Múltipla (RLM), b) Random 

Forest (RF), c) Multilayer Perceptron (MLP), d) Support Vector Machine RBF 

(SVM_RBF), e)  Support Vector Machine Linear (SVM_Linear), f) Support Vector 

Machine Poly (SVM_Poly). 

 

  



48 

 

No conjunto dos modelos de previsão, observou-se menores 

desempenhos ao expandir-se o tempo das estimativas em previsibilidade. 

Portanto, para níveis de previsão de produtividade com 9 meses de antecedência 

(Figura 11), os índices estatísticos de precisão variaram entre (R2 ≥ 0,62 e ≤ 

0.77), acurácia (MAPE ≥ 24% e ≤32%, RMSE ≥ 0,46 t ha-1 e ≤ 0,75 t ha-1) e 

tendência (ME ≥ -0,09 t ha-1 e ≤ 0,0003 t ha-1).  

Modelos de MLP (Figura 11.c) e RF (Figura 11.b), obtiveram desempenho 

satisfatório, com reduzida diferença entre suas métricas estatísticas, R2 (0.77 e 

0.74), RMSE (0.46 ha-1), MAPE (28.51% e 24.71%) e ME (-0.09 t ha-1, 0.0003 t 

ha-1), respectivamente. Por outro lado, RLM (Figura 10.a), SVM_Linear (Figura 

11.e) e SMV_Poly (Figura 11. f), obtiveram os menores desempenho de 

previsões de produtividade de FFB, com R2 (≤ 0,66), RMSE (≥0,52 t ha-1), MAPE 

(≥ 29%). 

Os resultados também evidenciaram limitações dos modelos para as 

produtividades mais baixas (≤ 1 t ha-1), com erros que podem chegar a (≥ 50%). 

Reforçou-se também a superestimação à medida que se diminui a produtividade 

e subestimação com produtividades mais altas (Figura 11).    

 

 

 

 



49 

 

 

Figura 11. Comparação da produtividade observada obtida em campo e da 

produtividade prevista com 9 meses antes da colheita, simulada pelos diferentes 

modelos de machine learning. a) Regressão Linear Múltipla (RLM), b) Random 

Forest (RF), c) Multilayer Perceptron (MLP), d) Support Vector Machine RBF 

(SVM_RBF), e)  Support Vector Machine Linear (SVM_Linear), f) Support Vector 

Machine Poly (SVM_Poly). 

 

 



50 

 

 Avaliando o erro relativo (ER) em razão dos meses de produtividade 

(janeiro a dezembro) entre os modelos de ML, observa-se que em junho para 

todos os modelos e períodos diferentes de previsão (4 meses, 6 meses e 9 

meses antes da colheita), apresenta em média os maiores erros, tanto para 

subestimação quanto para superestimação (Figura 12). Reforça-se também que 

os modelos de ML tendem subestimar os valores observados de FFB para 

produtividade mais elevadas. 

 Para as previsões com 4 meses de antecedência da colheita, os maiores 

ER foram observados para o modelo RF, apresentando em junho erros com 

valores que chegam em média a 75% (Figura 12.a). Em contrapartida, em 

janeiro, fevereiro, agosto, novembro e dezembro, apresentaram ER menores 

que 10%. O SVM_Poly, modelo de melhor desempenho para previsão de FFB 

(Figura 9), com exceção do mês de abril que apresentou ER de 30, os demais 

meses do ano obtiveram ER < 10%. Em janeiro, março, maio, julho, agosto, 

outubro e dezembro destacaram-se entre o SVM_Poly com ER < 4% (Figura 

12.a). 

 A superestimação observada em abril para o SVM_Poly, pode ser 

explicada pelo EXC na POL, TMAX na POL e DPV no PC, pois para as previsões 

com 9 meses antes da colheita, onde essas variáveis não são estimadas, a 

tendência do ER segue a mesma variação para todos os modelos, com maior 

ER em junho.  



51 

 

 

Figura 12. Erro relativo mensal de produtividade da palma de óleo pelos 

diferentes modelos de Machine Learning para os 3 períodos de previsão, a) 4 

meses, b) 6 meses e c) 9 meses antes da colheita. 

 

 As variáveis independentes utilizadas, tiveram a mesma robustez pela 

matriz de correlação de Pearson entre os modelos de ML (Figura 13).  O DPV 

durante a fase de FP (DPV_FP) e RAD_FP, apresentaram as maiores 

correlações positivas entre todos os modelos, com valores > 0.70. Enquanto 

AWHC_FP e DPV_PC, apresentaram as maiores correlações negativas com 

valores > - 0.65.  

 O modelo SVM_Poly, que apresentou melhor desempenho para previsão 

com 4 meses de antecedência (Figura 9.f), obteve correlações positivas na 

ordem de (DPV_FP = 0.78), (RAD_FP = 0.74), (EXC_DD = 0.54), (AWHC_NP = 

0.38), (EXC_POL = 0.38) e (AWHC_ABI = 0.03). Essas variáveis detêm a uma 

relação linear com a produtividade. De forma inversa, correlações negativas 

foram obtidas na ordem de -0.32, -0.67 e -0.77 para TMAX_POL, AWHC_FP e 

DPV_PC, respectivamente (Figura 13.a).  

 



52 

 

 

Figura 13. Correlação de Pearson entre a produtividade da palma de óleo e 

variáveis independentes selecionadas pelos modelos de Machine Learning para 

os 3 períodos de previsão, a) 4 meses, b) 6 meses e c) 9 meses antes da 

colheita. 

 

 No processo de seleção de variáveis/features de maior importância nos 

modelos de previsão utilizando o algoritmo de Random Forest (Figura 14), foi 

retornado 9 elementos para previsão com 4 meses, 7 elementos para previsão 

com 6 meses e 6 elementos para previsão com 9 meses. DPV_FP apresentou 

maior peso (> 0.4) no conjunto de variáveis para os três modelos de previsão (4, 

6 e 9 meses de antecedência), acompanhada de AWHC_FP e RAD_FP. Por 

outro lado, as variáveis de menor peso foi EXC_POL para previsão com 4 meses 

e AWHC_ABI para previsões com 6 e 9 meses antes da colheita de FFB (Figura 

14. a, b, c), respectivamente.   

 



53 

 

 

Figura 13. Análise de importância das variáveis selecionas pelos modelos de 

machine learning. a) Previsão de produtividade com 4 (quatro) meses de 

antecedência, b) Previsão de produtividade com 6 (seis) meses de antecedência, 

c) Previsão de produtividade com 9 (nove) meses de antecedência. 

 

Os modelos com melhores desempenho foram selecionados para estimar 

a produção de óleo de palma (Figura 15). A estimativa de óleo de palma em 

função dos dados observados de FFB, apresentou desempenho satisfatório com 

coeficiente de determinação R2 = 0,71. O modelo de previsão SVM_Poly foi 

selecionado para estimativa de óleo de palma com 4 meses de antecedência, 

enquanto o RF para 6 e 9 meses, devido aos menores erros de produtividade de 

FFB obtidos nas suas validações (Figura 9,10,11), respectivamente.  

Assim como para previsão de FFB, a produtividade de óleo de palma 

apresentou maior precisão na sua estimativa com o modelo de previsão 

SVM_Poly (Figura 15. b), com R2 = 0,61. Mostrando que para cada aumento de 

1 t ha-1 de FFB, ocorre um crescimento de produtividade de 0.0767 t ha-1 de óleo 

de palma. O modelo RF para estimativa com 6 e 9 meses de antecedência 



54 

 

apresentou precisões ligeiramente menores, com R2 = 0,52 e 0,50, 

respectivamente, (Figura 15. c,d). 

 

 

Figura 15. Análise de regressão para estimativa de óleo de palma em função da 

produção de frutos maduros de palma de óleo (FFB). a) observado, b) 

SVM_Poly_4meses, c) RF_6meses, d) RF_9meses. 

2.4 DISCUSSÃO   

A previsão de produtividade da palma de óleo é uma informação crucial 

para tomada de decisão em todo processo industrial, sendo uma contribuição 

agrometeorológica que permite subsidiar estratégias de decisão durante os 

estádios e crescimento, desenvolvimento e produtividade de uma cultura 

agrícola. 

 Os resultados das métricas estatísticas obtidos, corroboram com outros 

estudos para previsão de produtividade da palma de óleo com diferentes 



55 

 

modelos. Keong e Keng (2012) em estudos conduzido na Malásia, avaliaram um 

modelo de regressão linear múltipla (RLM) estabelecendo a produtividade 

mensal da palma como variável dependente e empregando variáveis 

agrometeorológicas em diferentes estádios fenológicos como variáveis 

independentes. O modelo de RLM apresentou desempenho aceitável, podendo 

prever com razoável precisão a produtividade da palma de óleo com 9 meses 

antes da colheita, já que o coeficiente de determinação R2 foi igual a 0,68. Esses 

autores observaram que a porcentagem de capacidade de retenção de água no 

solo disponível (%AWHC) tem implicações significativas na produtividade 

mensal de cachos de frutas frescas por hectare do cultivo.  

 Mustakim, Buono e Hermadi (2016), avaliaram o desempenho dos 

métodos de ML Support Vector Machines (SVM) e Rede neural artificial (MLP) 

na predição de produtividade da palma de óleo em Riau, Indonésia. O modelo 

SVM de kernel RBF apresentou os melhores resultados (R2 = 0.95) com erros 

de 6% de predição, enquanto o MLP apresentou menor coeficiente de 

determinação, com R2 = 0,74. Os melhores desempenhos obtidos pelo modelo 

SVM_RBF é dado pela facilidade de modelo trabalhar com número limitado de 

informações. Contudo, deve-se ressaltar que os resultados obtidos não 

consideram a natureza ou outros fatores no campo que poderia afetar a 

produtividade da planta durante o ano, baseando-se apenas na temporalidade 

da produção.  

Oettli, Behera e Yamagata (2018), avaliaram a predição de modelos 

estatístico de regressão linear múltipla na produtividade de cachos de frutas 

frescas de palma (FFB) na Malásia, combinando condições climáticas locais e 

modelos de variação climática em grande escala (ENSO). Foram ajustados dois 

modelos de previsão, um contento apenas valores reais de variáveis 

atmosféricas locais (Modelo 1) e outros adicionando os fenômenos climáticos de 

grande escala (Modelo 2). Para toda a Malásia, o modelo 1 apresentou 

superestimação de FFB, com R2 = 0,39. Por outro lado, o modelo 2 apresentou 

melhor desempenho na simulação da produtividade observada com R2 = 0,78, 

reforçando a importância de avalições de fenômenos de grande escala como El 

Niño e La Niña na variabilidade produtiva da Palma de óleo. As médias espaciais 



56 

 

mensais para cada grupo de anos foram calculadas entre dezembro, do ano da 

colheita, e janeiro, três anos antes, ou seja, para um período de 48 meses. Este 

período cobre diferentes estágios do ciclo da palmeira.  

Shanmuganathan et al. (2014) na Malásia, aplicaram análise de regressão 

linear múltipla na previsibilidade da FFB da palma de óleo, por meio de variações 

na temperatura em diferentes fases de dese