Modelos quantitativos e classificatórios para avaliar a produtividade da soja
Notice bibliographique
Résumé
\n O aumento de produtividade de uma lavoura é um dos pilares para preservar a sustentabilidade do negócio agrícola. O Desafio Nacional de Máxima Produtividade promovido pelo CESB (Comitê Estratégico Soja Brasil) tem revelado diversas lavouras de produtividades superiores a 5.400 kg.ha-1 , bem acima da produtividade média brasileira, que é de 3.000 a 3.600 kg.ha-1 Dessa forma, é uma oportunidade entender os fatores agronômicos envolvidos na alta produtividade de soja, assim como elaborar algoritmos capazes de predizer a produtividade de soja com base em variáveis agronômicas, para auxiliar os técnicos a manejar os fatores que levam a soja a expressar seu potencial produtivo. A produtividade de uma lavoura é resultante de um conjunto de fatores agronômicos de clima, solo e manejo e, por esse motivo, é importante o conhecimento das variáveis agronômicas de forma abrangente, para a construção do algoritmo. Foram reunidos dados de 91 lavouras com variáveis de clima, manejo, fertilidade de superfície e subsuperfície do solo e resistência do solo ao crescimento radicular, totalizando 219 variáveis agronômicas. Foram aplicados modelos quantitativos e classificatórios para estimar a produtividade de soja por meio das metodologias Floresta Randômica, Rede Neural, Suport Vector Machine e Análise Discriminante e identificados os fatores agronômicos em comum na alta produtividade de soja. A Análise Discriminante teve um índice de acerto de 91,5%, classificando produtividades acima e abaixo de 5.500 kg.ha-1 . Das 219 variáveis agronômicas, o modelo discriminante destacou 7 fatores agronômicos: resistência do solo a 20 cm e 50 cm de profundidade; pH CaCl2 na profundidade de 10-20 cm e 80-100 cm, saturação de alumínio a 0-10 cm, Fósforo a 0-10 cm; Enxofre a 80-100 cm de profundidade; cobre a 10-20 cm de profundidade; temperatura média do estádio fenológico de R1 a R5, temperatura mínima do estabelecimento à emergência e o déficit hídrico durante o ciclo da soja. O modelo discriminante demonstrou a relevância dos atributos físicos do solo e da fertilidade química na superfície e, principalmente, em subsuperfície para a obtenção de alta produtividade de soja. As metodologias Floresta Randômica, Rede Neural e Support Vector Machine não construíram bons modelos por causa da necessidade de um número maior de dados para aplicação desses modelos.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».