Menu



Exportar registro bibliográfico

Metrics:

Tese

From data to decisions: yield-centric analytics as the foundation for trustworthy datadriven insights in agriculture (2025)

  • Authors:
  • Autor USP: WEI, MARCELO CHAN FU - ESALQ
  • Unidade: ESALQ
  • Sigla do Departamento: LEB
  • DOI: 10.11606/T.11.2025.tde-06012026-154446
  • Subjects: AGRICULTURA; ANÁLISE DE DADOS; CANA-DE-AÇÚCAR; CAUSALIDADE; FRUTAS CÍTRICAS; MODELOS PARA PROCESSOS ESTOCÁSTICOS; PREVISÃO (ANÁLISE DE SÉRIES TEMPORAIS); TOMADA DE DECISÃO
  • Agências de fomento:
  • Language: Inglês
  • Abstract: Soluções baseadas em dados (SBD) são uma ferramenta transformadora na agricultura, mas sua adoção enfrenta desafios: (1) incompatibilidade entre dados de treinamento e condições locais, limitando decisões práticas no campo; (2) excesso de confiança em modelos globais que carecem de adaptação contextual; e (3) excesso de expectativa sobre os algoritmos de aprendizado de máquina (do inglês Machine Learning ML), agravadas pela opacidade e desigualdades estruturais. Esta tese supera essas lacunas ao integrar SBD com a experimentação na fazenda (do inglês On-Farm Experimentation OFE), ML e inferência causal. O Capítulo 1 estabelece a base teóricaa sinergia inexplorada entre SBD e OFE e suas limitações. Enquanto as SBD destacam-se na extração de padrões de conjuntos de dados, a OFE incorpora esses resultados às condições locais.O Capítulo 2 traduz a teoria em prática desenvolvendo uma lógica estrutural de Zonas de Estabilidade de Produtividade para citricultura. Utilizando dados temporais de produtividade (2012-2016) e ML interpretáveis (árvores de decisão - AD), o estudo identifica zonas de produção espacialmente consistentes e fatores que influenciaram a sua produção, como variedade de porta-enxerto e distribuição pluviométrica. Além disso, avaliações anuais isoladas falham em capturar variabilidade interanual. Apesar da facilidade de interpretação dos resultados pela AD, ela é limitada quanto a sua capacidade preditiva, motivando a investigação no Capítulo 3. O Capítulo 3avalia três modelos de ML - AD, Florestas Aleatórias (do inglês Random Forest -RF) e algoritmos de aumento de gradiente (como XGBoost) - para produtividade de cana-de-açúcar, utilizando ferramentas de inteligência artificial explicável (como SHAP e LIME). O XGBoost obteve maior acurácia (R2 = 0,94) apenas uma variável (variedade RB985476) apresentou-se consistentemente influente, enquanto outras (como fósforo e potássio) apresentam efeitos mistos. Assim, levanta-se um questionamento: essas associações estatísticas refletem causalidade? O Capítulo 4 responde esta questão integrando inferência causal a lógica estrutural. Analisando dados temporais de cana-de-açúcar, o estudo distingue fatores agronomicamente válidos (como pH e teor de cálcio solo) de correlações dúbias. Diagramas causais mapeiam relações entre variáveis, como a influência do pH na disponibilidade de fósforo, e que devidamente alinhado com resultados de ML e com conhecimento científico garantem que elas se tornem decisões práticasrequisito essencial para adoção pelos agricultores. Coletivamente, estes capítulos representam uma lógica estrutural escalável baseado em três pilares: (1) qualidade de dados (dados temporais de alta resolução); (2) interpretabilidade de modelos (abordagens híbridas como XGBoost + AD + SHAP); e (3) validação causal (distinção de variáveis com relações mecanísticas de aleatórias). A tese finaliza propondo um ciclo de melhoria contínua (Planejar-Fazer-Verificar-Agir do inglêsPlan-Do-Check-Act), onde resultados suportam OFE e tomadas de decisões. O sucesso da implementação depende de dados e validação dos resultados com especialistassem estes, a agricultura digital e de precisão permanece especulativa. Com a ciência de dados, agronomia e participação dos agricultores, este trabalho avança para uma agricultura orientada por dados. A inovação sustentável requer não apenas algoritmos avançados, mas também dados de qualidade, interpretabilidade e lógica causaluma mudança de paradigma para uma agricultura resiliente baseada em evidências na era das mudanças climáticas
  • Imprenta:
  • Data da defesa: 31.10.2025
    • Acesso à fonteAcesso à fonteDOI
    Informações sobre o DOI: 10.11606/T.11.2025.tde-06012026-154446 (Fonte: oaDOI API)
    • Este periódico é de acesso aberto
    • Este artigo NÃO é de acesso aberto
    How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      WEI, Marcelo Chan Fu. From data to decisions: yield-centric analytics as the foundation for trustworthy datadriven insights in agriculture. 2025. Tese (Doutorado) – Universidade de São Paulo, Piracicaba, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-06012026-154446/. Acesso em: 20 jan. 2026.

    • APA

      Wei, M. C. F. (2025). From data to decisions: yield-centric analytics as the foundation for trustworthy datadriven insights in agriculture (Tese (Doutorado). Universidade de São Paulo, Piracicaba. Recuperado de https://www.teses.usp.br/teses/disponiveis/11/11152/tde-06012026-154446/

    • NLM

      Wei MCF. From data to decisions: yield-centric analytics as the foundation for trustworthy datadriven insights in agriculture [Internet]. 2025 ;[citado 2026 jan. 20 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-06012026-154446/

    • Vancouver

      Wei MCF. From data to decisions: yield-centric analytics as the foundation for trustworthy datadriven insights in agriculture [Internet]. 2025 ;[citado 2026 jan. 20 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-06012026-154446/

    Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

Digital Library of Intellectual Production of Universidade de São Paulo     2012 - 2026