Aplicação de Machine Learning na Previsão da Produtividade da Soja

Resumo

Este artigo apresenta estudo sobre a aplicação de técnicas de aprendizado de máquina para estimar a produtividade da soja na região oeste do Paraná, utilizando dados agrometeorológicos como temperatura, umidade relativa, radiação solar e evapotranspiração. O objetivo foi desenvolver modelos que auxiliem na previsão da produtividade, fornecendo informações valiosas para a gestão agrícola. A metodologia incluiu o uso de três modelos de aprendizado de máquina: Regressão Linear, Random Forest e Extreme Gradient Boosting, comparados em termos de acurácia e desempenho preditivo. O estudo se baseou em dados coletados entre 2008 e 2022 de 47 municípios do oeste do Paraná. Dentre os modelos, o Random Forest foi o que teve o melhor desempenho, com um coeficiente de determinação (R²) de 0,86 no conjunto de treino e 0,81 no conjunto de teste. Em comparação, o Extreme Gradient Boosting apresentou R² de 0,77 no treino e 0,71 no teste, enquanto o modelo de Regressão Linear foi o de menor precisão, com R² de apenas 0,03. Conclui-se que os modelos de aprendizado de máquina são ferramentas com uma boa acurácia para otimizar a estimativa da produtividade de soja, possibilitando tomadas de decisão mais precisas e eficazes no campo.