Previsão de produtividade de soja com modelos de machine learning

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRolim, Glauco de Souza-
Autor(es): dc.creatorSousa, Maria Gabriela-
Data de aceite: dc.date.accessioned2025-08-21T22:25:03Z-
Data de disponibilização: dc.date.available2025-08-21T22:25:03Z-
Data de envio: dc.date.issued2023-12-19-
Data de envio: dc.date.issued2023-12-19-
Data de envio: dc.date.issued2023-11-27-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/252208-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/252208-
Descrição: dc.descriptionA soja é uma oleaginosa rica em proteínas, principal fonte de óleo vegetal cultivada em diversas regiões do planeta e a sua produção mundial dobrou nos últimos vinte anos. O objetivo deste trabalho é realizar previsão antecipada da produtividade para as principais regiões produtoras de soja do Brasil: Nova Mutum (MT), Sorriso (MT), Formosa do Rio Preto (BA), São Desidério (BA), Itapeva (SP) e Itaberá (SP), a partir de dados meteorológicos e modelos de machine learning. Os dados meteorológicos foram obtidos em escala diária para cada localidade no período de 1989 a 2020. Foram coletados temperatura do ar (máxima, mínima e média), irradiância solar global diária, precipitação, umidade relativa, velocidade do vento, potencial evaporativo, armazenamento de água no solo a partir da plataforma NASA-POWER. A previsão da produtividade foi realizada utilizando os modelos de Regressão Linear Múltipla (RLM), Redes Neurais Artificiais (RNAs), Random Forest (RF) e Extreme Gradient Boosting (XGB), considerando como variáveis independentes as características climatológicas e a variável dependente a produtividade. Para avaliar o desempenho do modelo será usado o coeficiente de determinação ajustado (R2 ajustado), raiz do erro médio quadrático não-sistemático (RMSEu) e raiz do erro médio quadrático sistemático (RMSEs). Os algoritmos machine learning calibrados apresentaram alta precisão e exatidão tanto na calibração quanto nos testes. O melhor modelo na calibração foi a multi-layer perceptron, que apresentou valores de treinamento para R2 adjust, RMSEu e RMSEs de 0.99, 0.01 kg/ha e 0.04 kg/ha respectivamente. O melhor modelo no teste foi a MLP, que apresentou valores de R2 adjust, RMSEu e RMSEs de 0.56, 230.93 kg/ha e 304.763 kg/ha respectivamente.-
Descrição: dc.descriptionSoybeans is an oilseed rich in proteins, the main source of vegetable oil cultivated in different regions of the planet and its global production has doubled in the last twenty years. The objective of this work is to carry out an advance forecast of productivity for the main soybean producing regions in Brazil: Nova Mutum (MT), Sorriso (MT), Formosa do Rio Preto (BA), São Desidério (BA), Itapeva (SP) and Itaberá (SP), based on meteorological data and machine learning models. Meteorological data were obtained on a daily scale for each location from 1989 to 2020. Air temperature (maximum, minimum and average), daily global solar irradiance, precipitation, relative humidity, wind speed, evaporative potential, storage of water in the soil from the NASA-POWER platform. Productivity prediction was carried out using Multiple Linear Regression (RLM), Artificial Neural Networks (ANNs), Random Forest (RF) and Extreme Gradient Boosting (XGB) models, considering climatological characteristics as independent variables and productivity as the dependent variable. To evaluate the model's performance, the adjusted coefficient of determination (adjusted R2), unsystematic root mean square error (RMSEu) and systematic root mean square error (RMSEs) will be used. The calibrated machine learning algorithms showed high precision and accuracy in both calibration and testing. The best model in the calibration was the multi-layer perceptron, which presented training values for R2 adjust, RMSEu and RMSEs of 0.99, 0.01 kg/ha and 0.04 kg/ha respectively. The best model in the test was the MLP, which presented R2 adjust, RMSEu and RMSEs values of 0.56, 230.93 kg/ha and 304.763 kg/ha respectively.-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.description2023/00166-8-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Direitos: dc.rightsinfo:eu-repo/semantics/openAccess-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectSoja-
Palavras-chave: dc.subjectProdutividade-
Título: dc.titlePrevisão de produtividade de soja com modelos de machine learning-
Título: dc.titleSoybean productivity forecasting with machine learning models-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.