Modelos quantitativos e classificatórios para avaliar a produtividade da soja
Bibliographic record
Abstract
\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
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".