A synergistic approach to sugarcane yield forecasting using machine learning, remote sensing, and process-based modeling (2023)
- Authors:
- Autor USP: GRUBERT, DANIEL ALVES DA VEIGA - ESALQ
- Unidade: ESALQ
- Sigla do Departamento: LEB
- DOI: 10.11606/T.11.2023.tde-03112023-103445
- Subjects: APRENDIZADO COMPUTACIONAL; CANA-DE-AÇÚCAR; SENSORIAMENTO REMOTO; SIMULAÇÃO
- Agências de fomento:
- Language: Inglês
- Abstract: Previsões precisas e acuradas da produtividade de culturas agrícolas são fundamentais para agricultores e tomadores de decisão. Este estudo tem como objetivo avaliar uma abordagem híbrida que envolve dados de sensoriamento remoto, modelagem de culturas com modelos baseados em processos e algoritmos de aprendizado de máquina para melhorar as previsões de produtividade da cana-de-açúcar. Para isso, foi desenvolvida uma abordagem híbrida de previsão de produtividade que combina várias fontes de dados, incluindo variáveis simuladas de solo e da planta do modelo APSIM (um modelo de cultura baseado em processos), dados meteorológicos e índices de vegetação. Esses dados foram utilizados como entrada em modelos de aprendizado de máquina para prever a produtividade final da cana-de-açúcar. Neste estudo, foram avaliados 16 modelos de regressão para prever a produtividade da cana-de-açúcar no final da safra ao nível municipal, no estado de São Paulo, Brasil, durante o período 2010-2020. Os resultados indicaram que a abordagem híbrida desenvolvida utilizando o algoritmo K-Neighbors Regressor apresentou a melhor performance estatística, resultando no menor erro absoluto médio (MAE) de 3.26 t ha-1, com um erro percentual absoluto médio (MAPE) de 4.54%. As previsões de produtividade da cana-de-açúcar proporcionaram maior grau de precisão entre 1-2 meses antes da colheita. Além disso, determinou-se quais variáveis exerceram maior influência para a previsão da produtividade dacana-de-açúcar, excluindo parcialmente algumas variáveis do modelo de previsão. Os resultados mostraram que a adição de variáveis simuladas pelo modelo baseado em processos (APSIM) como variáveis de entrada para modelos de aprendizado de máquina, pode reduzir o erro quadrático médio (RMSE) da previsão de produtividade, variando entre 7,7 e 26,9%, enquanto que, os índices de vegetação tiveram o menor impacto nas previsões. A análise mostrou que os dados meteorológicos têm um impacto maior na previsão da produtividade quando fornecidos ao modelo baseado em processos do que quando usados diretamente em algoritmos de aprendizado de máquina. Esse resultado indica que as variáveis simuladas fornecidas pelo APSIM oferecem uma descrição biofísica mais completa da interação entre solo, planta e atmosfera
- Imprenta:
- Publisher place: Piracicaba
- Date published: 2023
- Data da defesa: 28.08.2023
- 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
GRUBERT, Daniel Alves da Veiga. A synergistic approach to sugarcane yield forecasting using machine learning, remote sensing, and process-based modeling. 2023. Tese (Doutorado) – Universidade de São Paulo, Piracicaba, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-03112023-103445/. Acesso em: 02 jun. 2024. -
APA
Grubert, D. A. da V. (2023). A synergistic approach to sugarcane yield forecasting using machine learning, remote sensing, and process-based modeling (Tese (Doutorado). Universidade de São Paulo, Piracicaba. Recuperado de https://www.teses.usp.br/teses/disponiveis/11/11152/tde-03112023-103445/ -
NLM
Grubert DA da V. A synergistic approach to sugarcane yield forecasting using machine learning, remote sensing, and process-based modeling [Internet]. 2023 ;[citado 2024 jun. 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-03112023-103445/ -
Vancouver
Grubert DA da V. A synergistic approach to sugarcane yield forecasting using machine learning, remote sensing, and process-based modeling [Internet]. 2023 ;[citado 2024 jun. 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-03112023-103445/
Informações sobre o DOI: 10.11606/T.11.2023.tde-03112023-103445 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
