Aplicação de Métodos de Aprendizado de Máquina para Downscaling de Reanálises Atmosféricas e Previsão de Safras de Trigo no Estado de Santa Catarina

Abstract

Compreender as relações entre o clima e a produtividade agrícola é, cada vez mais, essencial dentro dos modelos de produção e comercialização de commodities nos dias atuais. Poder prever os impactos que as lavouras de Trigo em Santa Catarina podem sofrer a partir das variáveis climáticas, pode auxiliar os triticultores a tomar decisões mais assertivas acerca dos tratos culturais e manejo em campo. A fim de criar um modelo especialista, capaz de prever essas condições, o presente trabalho faz o uso de métodos de aprendizado de máquina para o downscaling de reanálises atmosféricas e previsão de safras de trigo no Estado de Santa Catarina. Os principais objetivos envolvidos no desenvolvimento deste modelo estão em: a) Refinar dados de reanálises (downscaling) a partir de métodos de regressão, via algoritmos de aprendizado de máquina; b) avaliar o desempenho do resultado do downscaling para as estações de referência.; c) elaborar um modelo de aprendizado de máquina capaz de prever a produtividade em quilogramas por hectare por município, a partir das variáveis meteorológicas. Os métodos utilizados para este estudo envolveram o uso de redes neurais artificiais para downscaling, sendo estas alimentadas com o conjunto de 6 reanálises diferentes para as variáveis de temperatura, precipitação, umidade e radiação em valores representativos diários. Os dados de referência foram obtidos a partir de 24 estações meteorológicas automáticas dispostas em todo o Estado de Santa Catarina. A partir dos resultados de downscaling foram elaborados os modelos de rede neural recorrente Long Short-Term Memory previsores de produtividade média em quilogramas por hectare para 130 municípios com produção contínua de trigo em uma série entre 1981 e 2021. O resultado dos modelos de downscaling apresentaram os melhores desempenhos para as variáveis de temperatura, indicando coeficientes de correlação de até 0.99 e desvios médios muito próximos de zero. O pior desempenho foi observado para a variável de umidade mínima, com pontos de referência indicando correlações negativas. Para precipitação e para as variáveis de radiação, a melhora do desempenho foi observada, principalmente na diminuição do desvio padrão. Os modelos previsores de produtividade, foram capazes de prever os valores com erros entre ±10% em relação ao valor real para os anos de 2020 e 2021. A utilização de redes neurais artificiais se mostraram como uma excelente ferramenta para o downscaling dos valores de temperatura. Já para os modelos de redes neurais recorrentes Long Short-Term Memory, apresentaram resultados satisfatórios, mas que carecem de avaliações mais robustas.

Understanding the relationship between climate and agricultural productivity is increasingly essential within the models of production and commercialization of commodities today. Being able to predict the impacts that the Wheat crops, in Santa Catarina, can suffer from climatic variability can help triticulturists to make more assertive decisions about cultural treatments and field management. In order to create an expert model capable of predicting these conditions, this paper makes use of machine learning methods for downscaling atmospheric reanalysis and forecasting wheat crops in Santa Catarina State. The main objectives involved in the development of this methodology are: a) downscaling the data with regression methods, via machine learning algorithms; b) evaluating the performance of the downscaling results for the reference stations; c) developing a machine learning model capable of predicting the productivity in kilograms per hectare per municipality, based on meteorological variables. The methods used for this study involved the use of artificial neural networks for downscaling, these being fed with the set of 6 different reanalyses for the variables of temperature, precipitation, humidity and radiation in daily values. The reference data were obtained from 24 automatic weather stations arranged throughout the State of Santa Catarina. From the downscaling results, Long Short-Term Memory recurrent neural network models were developed to predict average yield in kilograms per hectare for 130 municipalities with continuous wheat production in a series between 1981 and 2021. The best downscaling performances were detected for the temperature variables, with correlation coefficients up to 0.99 and mean deviations very close to zero. The worst performance was observed for the minimum humidity variable, with reference points indicating negative correlations. For precipitation and radiation variables, improved performance was observed, mainly in the decrease of the standard deviation. The yield prediction models were able to predict the values with errors between ±10% compared to the actual value for the years 2020 and 2021. The use of artificial neural networks proved to be an excellent tool for downscaling temperature reanalysis values. As for the Long Short-Term Memory recurrent neural network models, they showed satisfactory results, but need more robust evaluations.