Management zones and space-time prediction of soybean yield variability: machine learning techniques applied to soil physical quality parameters (2023)
- Authors:
- Autor USP: PEREIRA, GISLAINE SILVA - ESALQ
- Unidade: ESALQ
- Sigla do Departamento: LEB
- DOI: 10.11606/T.11.2023.tde-04012024-105156
- Subjects: AGRICULTURA DE PRECISÃO; ANÁLISE DE CONGLOMERADOS; APRENDIZADO COMPUTACIONAL; MODELAGEM DE DADOS; QUALIDADE DO SOLO; SOJA; VARIABILIDADE ESPACIAL
- Language: Inglês
- Abstract: Os métodos e ferramentas da agricultura de precisão são chave para garantir o aumento da produção de soja. Para isso, conhecer as variabilidades intra-campo é a chave para auxiliar na tomada de decisão do produtor agrícola. Embora os métodos de modelagem para estimativa da produção sejam baseados em condições regionais e/ou modelos agroecossistêmicos que não representam escalas locais, esta tese tem como objetivo utilizar técnicas de aprendizado de máquina em busca de melhorar a qualidade de dados para previsão de produtividade a nível de zonas de manejo. Sendo assim, esta pesquisa foi dividida em três capítulos que utilizam técnicas e métodos com foco em agricultura de precisão para validar a necessidade de garantir um maior suporte ao produtor agrícola a nível local. O primeiro capítulo teve como objetivo utilizar machine learning para melhorar a qualidade de dados oriundos do mapeamento de produtividade e informações de sensores de alta resolução na geração de zonas de manejo (MZs) além de validar as diferenças entre e intra MZs sob os aspectos relacionados as variáveis de solo. A hipótese deste primeiro capítulo esteve centrada na necessidade de utilizar a técnica de análise multivariada de componentes principais (PCA) para melhorar a qualidade de predição das MZs a partir dos dados originais. O segundo capítulo teve como objetivo estimar a produtividade de soja em cada MZs para múltiplos anos, em função de mapas de água no solo e do desenvolvimento das culturas. Comohipóteses para o capítulo se avaliou a necessidade de comprovar a existência de variabilidade da produtividade intra-regiões. Uma segunda hipótese focou em testar a qualidade de superfícies de refletância no infravermelho próximo (NIR) para representar o desenvolvimento da cultura em comparação ao uso de índice de vegetação por diferença normalizada (NDVI). A terceira hipótese foi de que a técnica de machine learning Random Forest (RF) apresenta uma maior qualidade de predição da produtividade devido sua eficiência em trabalhar com dados desbalanceadas em comparação ao método convencional de análise de regressão múltipla (MLR). O objetivo do terceiro capítulo foi entender a sensibilidade de modelos de cultura (Aquacrop e CROPGRO) na estimativa da produtividade de soja a níveis de zona de manejo em função de fatores de solo. A hipótese deste capítulo verificou a capacidade de modelos de cultura em apresentar variabilidade reduzida para estimar a produtividade em função da variação desses fatores, principalmente água no solo. Os resultados do capítulo 1 evidenciaram que a técnica de PCA resulta em maior qualidade de agrupamento em relação ao método convencional de normalização, além de garantir uma maior estabilidade na definição do número de MZs. As variáveis de solo foram fundamentais para validação das especificidades em cada região, o que foi demonstrado com a técnica de árvore de classificação. Os resultados do capítulo 2 mostraram as diferenças entre as superfícies deágua no solo em função das MZs, evidenciando a importância do manejo diferenciado nas regiões, mesmo em nível local. A refletância NIR melhorou a qualidade da previsão da produtividade de soja nas regiões em comparação ao uso do NDVI. O método de RF apresentou desempenho superior nas estimativas em comparação ao método de MLR. Os resultados do capítulo 3 evidenciaram que os modelos de cultura Aquacrop e CROPGRO apresentaram desempenho variável na estimativa da produtividade de soja nas zonas em decorrência de anos predominantemente secos ou úmidos. Mais estudos devem ser realizados com modelos de cultura para previsão da produtividade de soja a nível local. Por fim, como resultado do trabalho foi possível evidenciar a importância da avaliação em escala local e do uso de métodos de machine learning e mapeamento digital como suporte à agricultura de precisão. Verificou-se que o uso de MZs é adequado para conhecer a variabilidade de fatores de solo e planta que podem influenciar no planejamento para uso localizado de insumos e impactar nos resultados de produtividade em um mesmo talhão. Como estudos futuros, sugere-se aqueles envolvendo o uso de sensores locais para monitorar a variabilidade temporal do clima, solo e planta, como meios para elevar o desempenho de métodos de machine learning na agricultura
- Imprenta:
- Publisher place: Piracicaba
- Date published: 2023
- Data da defesa: 11.10.2023
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
PEREIRA, Gislaine Silva. Management zones and space-time prediction of soybean yield variability: machine learning techniques applied to soil physical quality parameters. 2023. Tese (Doutorado) – Universidade de São Paulo, Piracicaba, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-04012024-105156/. Acesso em: 28 dez. 2025. -
APA
Pereira, G. S. (2023). Management zones and space-time prediction of soybean yield variability: machine learning techniques applied to soil physical quality parameters (Tese (Doutorado). Universidade de São Paulo, Piracicaba. Recuperado de https://www.teses.usp.br/teses/disponiveis/11/11152/tde-04012024-105156/ -
NLM
Pereira GS. Management zones and space-time prediction of soybean yield variability: machine learning techniques applied to soil physical quality parameters [Internet]. 2023 ;[citado 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-04012024-105156/ -
Vancouver
Pereira GS. Management zones and space-time prediction of soybean yield variability: machine learning techniques applied to soil physical quality parameters [Internet]. 2023 ;[citado 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-04012024-105156/ - Caracterização dos padrões de distribuição espacial da produtividade de grãos por meio de método supervisionado e não supevisionado
- Climatic risk zoning for potential occurrence of cacao moniliasis disease in northeastern Brazil under the influence of ENSO phases
- Soil nitrous oxide emissions after the introduction of integrated cropping systems in subtropical condition
- Effects of water, organic matter, and iron forms in mid-IR spectra of soils: Assessments from laboratory to satellite-simulated data
Informações sobre o DOI: 10.11606/T.11.2023.tde-04012024-105156 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
