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 



RESSALVA 

Atendendo solicitação do(a) 
autor(a), o texto completo desta tese 
será disponibilizado somente a partir 

de 02/06/2023. 



 

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 e modelagem 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 

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

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



ii 

 

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. 

 
CONCLUSÕES 
 
  Os modelos de Machine Learning (ML) quando bem treinados e testados 

apresentam desempenhos com RMSE médio de 0.42 t ha-1 na previsão de 

produtividade da palma de óleo. Ao combinar o efeito em diferentes estádios 

fenológicos da planta com a produtividade, o modelo SVM Poly desenvolvido 

apresentou melhor precisão, tendência e acurácia, com antecipação de 4 meses 

antes da colheita. 

Os prognósticos de produtividade do açaizeiro apresentam desempenho 

com antecedência de 6 meses em cultivo de sequeiro. Sendo que os modelos 

apontaram para os cultivos irrigados previsão de produtividade com 4 meses de 

antecipação no primeiro semestre e 7 meses no segundo semestre. 

Foi possível obter modelos preditivos com a até 11 meses antes da 

colheita, com R2 de 0,68 e MAPE de aproximadamente 11% para a previsão da 

produtividade de frutos de coco. A ETR_TFS, TMAX_DF(IV) e DPV_DF(II), foram 

as variáveis mais importantes.  

A disponibilidade de variáveis agrometeorológicos e a caracterização da 

fenologia da cultura, possibilita a calibração de modelos robustos com rotinas 

baseadas em 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. 

 



11 

 

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. 

 

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. 



12 

 

 

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. 

 

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. 



13 

 

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. 

 

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. 

 



14 

 

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.  

 

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. 

 



15 

 

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.  

 

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. 

 



16 

 

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. 

 

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. 

 



17 

 

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. 

 

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.  

 



18 

 

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. 

 

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.  



19 

 

 

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.