Rolim, Glauco de Souza [UNESP]Silva, Thaís Rayane Gomes da [UNESP]2025-01-092025-01-092024-11-21SILVA, T.R.G. Influência climática no desenvolvimento e produtividade de videira (Vitis vinifera l.) descrito por modelos de aprendizagem de máquina. 2025, 112f. Tese (Doutorado em Agronomia). Universidade Estadual Paulista "Julio de Mesquita Filho", Jaboticabal, 2024.https://hdl.handle.net/11449/259529A produção de uvas para vinificação é altamente relevante globalmente e depende de condições meteorológicas específicas, que influenciam a qualidade e produtividade das videiras. Mudanças no clima, como temperaturas elevadas e variações na precipitação, impactam a fenologia e a composição das uvas, afetando a qualidade do vinho. A modelagem agrometeorológica e algoritmos de aprendizagem de máquina têm se mostrado eficazes para prever a produtividade da videira, permitindo adaptações na viticultura e auxiliando na gestão sustentável diante das variabilidades climáticas. A pesquisa analisou dados de produtividade da videira e variáveis climáticas de sete regiões do Sul do Brasil entre 1982 e 2021. Dados climáticos foram obtidos da NASA-Power e de produtividade do Sidras IBGE, permitindo avaliar o impacto climático nos estádios fenológicos da videira. Foram utilizados modelos de aprendizagem de máquina, como Regressão Linear Múltipla, Random Forest, Suporte Vector Machine e CatBoost, com validação cruzada para prever a produtividade. A correlação de Spearman e modelos de regressão não-linear aprofundaram a análise das relações entre clima e produtividade. O estudo mostrou um aumento gradual nas temperaturas ao longo dos estádios fenológicos da videira, com variações regionais na influência dos elementos climáticos sobre a produtividade. Enquanto a temperatura máxima e radiação líquida foram mais relevantes na região de Vinhos de Bituruna, a temperatura do ar e umidade do solo se destacaram na região da Campanha Gaúcha. Utilizando um conjunto de dados consolidado e modelos de aprendizagem de máquina, o CatBoost apresentou os melhores resultados de precisão e adaptabilidade. A análise demonstrou que a umidade relativa tem correlação positiva com a produtividade, e com a evapotranspiração de referência apresenta correlação negativa moderada. Esses resultados destacam a importância de considerar elementos climáticos e geográficos específicos para otimizar a viticultura.Grape yield for winemaking is highly relevant globally and depends on specific meteorological conditions that influence the quality and yield of vineyards. Climate changes, such as elevated temperatures and variations in precipitation, impact grape phenology and composition, thereby affecting wine quality. Agrometeorological modeling and machine learning algorithms have proven effective in predicting vineyard yield, enabling adaptations in viticulture and supporting sustainable management in the face of climate variability. The research analyzed vineyard yield and climatic variables from seven regions in southern Brazil between 1982 and 2021. Climatic data were obtained from NASA-Power, and yield data from Sidra IBGE, allowing for an assessment of climatic impacts on grapevine phenological stages. Machine learning models, including Multiple Linear Regression, Random Forest, Support Vector Machine, and CatBoost, were employed with cross-validation to predict yield. Spearman correlation and non-linear regression models further deepened the analysis of the relationships between climate and yield. The study revealed a gradual increase in temperatures during the grapevine phenological stages, with regional variations in the influence of climatic elements on yield. While maximum temperature and net radiation were most relevant in the Vinhos de Bituruna region, air temperature and soil moisture stood out in the Campanha Gaúcha region. Using a consolidated dataset and machine learning models, CatBoost demonstrated the best results in terms of accuracy and adaptability. The analysis showed that relative humidity has a positive correlation with yield, while reference evapotranspiration exhibits a moderate negative correlation. These findings underscore the importance of considering specific climatic and geographical elements to optimize viticulture practices.porMachine learningClimatologia agrícolaRegiões vinícolasTese de doutoradoAcesso aberto33004102001P4