Diagnóstico do estado nutricional e previsão da produtividade da batateira

• Autor(a) principal: Passos, Danilo dos Reis Cardoso
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: https://hdl.handle.net/11449/254330
• topic: Olericultura; Nutrição mineral; Aprendizado do computador; Machine Learning na batata; Inteligência artificial na batata

A avaliação do estado nutricional das plantas e as mudanças nas variáveis climáticas têm um impacto significativo na cultura da batata. Com o objetivo de otimizar a produtividade da cultura, melhorar a qualidade do produto e reduzir o impacto ambiental, ferramentas tecnológicas estão cada vez mais sendo utilizadas na agricultura. Entre elas, destaca-se o método de diagnose da composição nutricional (CND), que considera as relações entre todos os nutrientes e a previsão da produtividade. Os modelos de Machine Learning, com base em dados climáticos e nutricionais, são ferramentas úteis para auxiliar os produtores a tomarem decisões durante o cultivo. Os objetivos do Capítulo 2 foram: a) obter as normas dos métodos CND-clr e CND-ilr para avaliação do estado nutricional da batateira; b) identificar as amostras equilibradas ou não-equilibradas nutricionalmente, em situações de alta e baixa produtividade pelo método CND-ilr; c) obter as faixas de teores adequados dos nutrientes para a cultura da batata com alta produtividade; d) conhecer a ordem dos nutrientes limitantes nas amostras classificadas como nutricionalmente desequilibradas e com baixa produtividade. Os objetivos do capítulo 3 foram: a) prever a produtividade da batateira; b) avaliar o desempenho de diferentes modelos de Machine Learning na previsão da produtividade da batateira no estado de São Paulo, Brasil; e c) desenvolver uma aplicativo on-line que faça a previsão da produtividade da batateira. O banco de dados foi composto por 752 amostras que relacionaram os teores foliares de nutrientes e produtividades de culturas da batata, de áreas localizadas no estado de São Paulo, Brasil. A produtividade que separou os grupos de alta e baixa produtividade foi 48.993,24 kg ha-1. Foram obtidas faixas de suficiência dos nutrientes, em geral, mais estreitas que as reportadas na literatura. A ordem de limitação dos nutrientes foi: N, B, S, Ca e Mn. Os parâmetros encontrados no CND-ilr para acurácia, sensibilidade, especificidade, NPV e PPV foram 96,9; 97,1; 93,6; 64,4 e 99,6 %, respectivamente. Para identificar as variáveis que mais impactam na produtividade da batateira, foram desenvolvidos cinco modelos de Machine Learning para análise dos dados. Foi desenvolvida uma aplicação e as opções de modelos utilizados foram: Regressão Linear Múltipla (RLM), K-nearest neighbors ou “K-vizinhos mais próximos” (KNN), Support Vector Machine (SVR), eXtreme Gradient Boosting (XGB) e Redes Neurais Artificiais (RN). Para a construção dos modelos, o banco de dados foi divido em três grupos: variáveis nutricionais, climáticas e top 10 (as principais variáveis que influenciam no modelo pelo método Randon Forest). Dentre os 15 modelos, o SVR top 10 obteve os melhores resultados de R2 ajustado (0.76) e RMSE (5646.80 kg ha-1).