Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | IFMS | - |
Autor(es): dc.contributor | Instituto Federal do Sul de Minas Gerais (IFSULDEMINAS) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Torsoni, Guilherme Botega | - |
Autor(es): dc.creator | de Oliveira Aparecido, Lucas Eduardo | - |
Autor(es): dc.creator | dos Santos, Gabriela Marins | - |
Autor(es): dc.creator | Chiquitto, Alisson Gaspar | - |
Autor(es): dc.creator | da Silva Cabral Moraes, José Reinaldo | - |
Autor(es): dc.creator | de Souza Rolim, Glauco | - |
Data de aceite: dc.date.accessioned | 2025-08-21T19:44:20Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T19:44:20Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-01-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1007/s00704-022-04341-9 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/246606 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/246606 | - |
Descrição: dc.description | Soybean cultivation plays an important role in Mato Grosso do Sul and around the world. Given the inherent complexity of the agricultural system, this study aimed to develop climate-based yield prediction models using ML, considering the most correlated meteorological variables for each condition, test the best model with independent data, and define zones of higher soybean yield in Mato Grosso do Sul to recommend better planting sites. The study was carried out in two stages. First, meteorological and soybean yield data obtained from 47 locations in the state of Mato Grosso do Sul were used to calibrate the machine learning (ML) algorithms. Second, the best algorithm was used to predict soybean yields throughout Mato Grosso do Sul. Daily meteorological data of air temperature (T, °C), precipitation (P, mm), global solar irradiance (Qg, MJ m−2 day−1), wind speed (u2, m s−1), net radiation (Rn, MJ m−2 day−1), and relative humidity (RH, %) of the NASA-POWER system from 2002 to 2021 were used. The reference evapotranspiration (ETo) by the standard FAO method and water balance (WB) by Thornthwaite and Mather (1955) were calculated for each collection point. The MLs used in this stage consisted of multiple linear regression (MLR), multilayer perceptron (MLP), support vector machine (SVM), random forest (RF), extreme gradient boosting (XGBOOSTING), and gradient boosted decision (GradBOOSTING). The ML models were calibrated using 70% of the data selected for training and 30% for validation. Algorithms were evaluated by accuracy, precision, and tendency. All analyses were performed using Python 3.8 software. Climate variables showed high spatial and seasonal variability throughout Mato Grosso do Sul (MS). Pearson’s univariate correlations between soybean yield and climate variables of the phenological period showed distinct relationships and different intensities. For instance, soil water storage (ARM) showed negative, neutral, and positive correlations in October, November, and December, respectively. The calibrated ML algorithms had a high precision and accuracy in both calibration and testing. For instance, the best model in the calibration was XGBOOSTING, which showed MAPE, R2, RMSE, MSE, and MAE values of 1.84%, 0.95, 2.06%, 4.24%, and 0.921%, respectively. Random forest (RF), extreme gradient boosting (XGBOOSTING), and gradient boosting (GradBOOSTING) were the most precise machine learning algorithms, with R2 values of 0.71, 0.62, and 0.62 in the test, respectively. | - |
Descrição: dc.description | Instituto Federal de Educação Ciência E Tecnologia de Mato Grosso Do Sul IFMS, Campus de Naviraí | - |
Descrição: dc.description | Instituto Federal do Sul de Minas Gerais (IFSULDEMINAS), Campus Muzambinho | - |
Descrição: dc.description | Universidade Estadual de São Paulo (FCAV/UNESP), Jaboticabal | - |
Descrição: dc.description | Universidade Estadual de São Paulo (FCAV/UNESP), Jaboticabal | - |
Formato: dc.format | 1709-1725 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Theoretical and Applied Climatology | - |
???dc.source???: dc.source | Scopus | - |
Título: dc.title | Soybean yield prediction by machine learning and climate | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: