Estimativa De Produtividade Do Algodão No Texas
Por séculos, agricultores desejaram saber o rendimento potencial de seus campos para escolher a cultura mais rentável e minimizar os riscos de diversos fatores negativos. Atualmente, a estimativa e a previsão precisas de produtividade podem ser realizadas de várias formas, sendo uma delas o uso de inteligência artificial e algoritmos de aprendizado de máquina. A EOS Data Analytics (EOSDA), provedora global de análises de imagens de satélite baseadas em IA, desenvolveu uma solução personalizada para a previsão de produtividade agrícola. Essa ferramenta permite à empresa prever com precisão o volume de colheita utilizando sensoriamento remoto e aprendizado de máquina (ML).
A EOSDA recentemente concluiu um projeto personalizado para garantir que o modelo seja aplicável ao algodão. O modelo de previsão de produtividade precisou ser ajustado às especificidades dessa cultura, então a equipe reuniu conjuntos de dados, arregaçou as mangas e começou a trabalhar. Veja como foi o processo.
| Desafio | Prever a produtividade do algodão no Texas não foi uma tarefa fácil, já que o modelo carecia de dados. A equipe da EOSDA utilizou os conjuntos de dados disponíveis para cinco condados. |
| Solução | A equipe escolheu o modelo de regressão Random Forest, reuniu todos os dados disponíveis e ajustou o modelo de previsão de produtividade para prever com precisão os rendimentos do algodão. |
| Resultado | Eles conseguiram prever os rendimentos com 80% de precisão. O modelo apresenta potencial de desenvolvimento. |
Visão Geral: Produção De Algodão No Texas
O algodão é utilizado em tudo, de camisetas a cédulas de dólar. Ele ocupa extensas áreas de terras aráveis, e os Estados Unidos são o terceiro maior país produtor de algodão e um dos maiores exportadores do mundo . Nos EUA, o Texas é responsável por 40% da produção de algodão . No estado, muitas gerações de agricultores cultivam essa cultura há séculos.
No entanto, o cenário está mudando. Ondas de calor, secas e outros fenômenos naturais criam condições difíceis para o cultivo de algodão, levando agricultores e empresas agrícolas a perderem bilhões de dólares . Estamos falando não apenas do impacto direto na produtividade das colheitas, mas também da interrupção do calendário de plantio, do esgotamento de recursos hídricos e do aumento da prevalência de pragas e doenças.
Devido a essas intensas mudanças climáticas, os agricultores são forçados a adotar novas práticas agrícolas, investir em sistemas de irrigação caros e obter ferramentas que possam prever com precisão as secas ou mostrar seus efeitos, para poderem agir o mais cedo possível. Uma ferramenta que pode auxiliar os produtores de algodão a enfrentar as consequências das mudanças climáticas é a estimativa e a previsão de produtividade.
Os dados de previsão de produtividade podem ajudar de muitas maneiras. Eles garantem o uso eficiente de recursos, melhoram o planejamento financeiro e mantêm a cadeia de suprimentos funcionando sem problemas. Previsões precisas ajudam a reduzir riscos, orientar estratégias de mercado e cumprir contratos. No geral, isso leva a operações mais suaves, melhor saúde financeira e uma posição mais forte no mercado.
A equipe de cientistas da EOS Data Analytics decidiu testar seu modelo de previsão de produtividade no algodão para garantir sua precisão.
Desafio: Poucos Dados Para A Previsão De Produtividade Do Algodão
A equipe científica precisava testar o modelo de previsão de produtividade para garantir que ele funcionasse para o algodão com uma precisão satisfatória em diferentes condados, dadas as diferenças nas condições de cultivo e na disponibilidade de dados. Como o modelo exigia muitos conjuntos de dados diferentes, a equipe combinou dados históricos de clima, informações sobre o calendário de cultivo, estatísticas de produtividade e outras informações relevantes.
Não havia dados suficientes para o Texas. Havia informações de quatro ou cinco anos de dados de colheitas anteriores para vários condados, mas não eram precisas o suficiente para aplicar ao nosso modelo atual. O projeto seria muito mais simples se o conjunto de dados fosse baseado em campos com datas de semeadura conhecidas.
Com os dados disponíveis, os objetivos para testar o modelo no algodão foram os seguintes:
- Verificar a precisão do modelo;
- Identificar possíveis desafios e maneiras de melhorar o modelo para a área de interesse (AOI);
- Tomar uma decisão informada sobre a expansão futura do projeto.
Solução: Ajuste Do Modelo
A pesquisa concentrou-se na estimativa da produtividade agrícola para 2023. A área de interesse, de acordo com os dados disponíveis do Serviço Nacional de Estatísticas Agrícolas do USDA, Escritório de Campo do Texas (parte do Escritório Regional de Campo das Planícies do Sul), abrangeu cinco condados centrais produtores de algodão — Lubbock, Hale, Lynn, Crosby e Nueces. Essas áreas foram escolhidas devido à sua significativa produção de algodão e à disponibilidade de imagens de satélite de alta qualidade. Suas fronteiras podem ser vistas nos mapas abaixo.
Os dados utilizados no projeto incluíram estatísticas de produtividade, dados climáticos, informações do calendário agrícola e outros conjuntos de dados, como resultados de raster e camadas de limites de campo.
As estatísticas de produtividade, conforme mencionado, foram obtidas do Serviço Nacional de Estatísticas Agrícolas do USDA para os condados-alvo entre 2020 e 2022.
As informações climáticas exigiam dados do mesmo período durante a temporada de cultivo de algodão, retirados da plataforma Copernicus Climate Data Store. Esses dados incluíam médias mensais de temperatura a 2 metros de altura, evaporação, radiação solar, temperatura da superfície do solo em dois níveis (0–7 cm e 7–28 cm), precipitação total e umidade do solo em quatro níveis (0–7 cm, 7–28 cm, 28–100 cm e 100–289 cm).
Os dados do calendário agrícola estavam disponíveis publicamente sobre o calendário de cultivo de algodão no Texas e seus condados. O período de crescimento de março a outubro para cada temporada de 2020 a 2023 foi analisado. Outros conjuntos de dados incluíram a produção de algodão no nível do campo, como resultados raster de classificação de culturas e camadas vetoriais com limites de campo detectados para toda a área de interesse (AOI), ambas realizadas anteriormente pela equipe da EOSDA.
Para estimar a produtividade do algodão nos condados-alvo deste projeto, a equipe de cientistas, juntamente com as equipes de engenharia e análise de dados, escolheu o modelo de Regressão Random Forest. Este modelo foi selecionado devido à sua eficiência nos cálculos e à capacidade de trabalhar com dados de entrada agregados e limitados. O Random Forest Regression é um algoritmo de aprendizado supervisionado e técnica de bagging que utiliza aprendizado em conjunto para regressão em ML — as árvores em uma floresta aleatória operam em paralelo sem interação durante sua construção. Os principais preditores do modelo foram os dados climáticos das temporadas de cultivo agregados ao nível mensal e os dados de solo e fenologia para o período de 2020 a 2023. A variável-alvo foi o rendimento estatístico no nível do condado para os mesmos anos.
Operações matemáticas simples foram utilizadas para os cálculos de produção neste projeto. Especificamente, o valor de produtividade obtido para cada condado foi multiplicado pelo número de acres de cada campo detectado. O número de acres foi determinado a partir da máscara vetorial com os limites do campo. Assim, a produção de um campo específico em um condado foi calculada multiplicando sua área em acres pelo rendimento em libras por acre para aquele estado.
O projeto foi realizado em várias etapas principais, cada uma com detalhes essenciais. A equipe da EOS Data Analytics começou analisando as características da zona climática, vegetação e terreno da área. Em seguida, reuniu os dados necessários, incluindo estatísticas de produtividade e dados climáticos. O modelo foi então treinado com dados das temporadas de 2020–2022. A etapa final foi a modelagem de produtividade para estimar o rendimento do algodão para cada condado-alvo em 2023.
A etapa de cálculo da produção incluiu várias tarefas de pós-processamento. A equipe filtrou os resultados de classificação de culturas pelos condados-alvo, excluindo todas as culturas não-alvo e retendo apenas o algodão. Esses resultados foram então vetorizados e combinados com os dados de detecção dos limites dos campos. Em seguida, calcularam a área de cada campo de algodão detectado nos condados-alvo e realizaram os cálculos de produção para cada campo, conforme descrito anteriormente.
A etapa final foi preparar as camadas vetoriais finais, criar mapas de visualização e compilar o relatório do projeto.
O modelo em si não é único, mas o número e a qualidade dos preditores variam de uma empresa para outra. Os dados usados para estabelecer a conexão do modelo com o valor de produtividade previsto são diferentes em cada caso.
Resultado: Precisão Na Previsão De Produtividade Do Algodão
O relatório do projeto apresentou a visualização dos resultados, como pode ser visto nas imagens abaixo.
A precisão da amostra de teste foi de cerca de 80%, avaliada utilizando a abordagem de validação cruzada. Esse nível de precisão pode ser considerado satisfatório para modelos de estimativa e previsão de produtividade. O projeto provou que a EOS Data Analytics automatiza os processos de ML e IA, economizando tempo e recursos normalmente gastos na coleta e análise manual de dados. Isso ajuda nossos parceiros a permanecerem competitivos no mercado de commodities.
Também existem perspectivas para ampliar o modelo. A abordagem utilizada pode ser escalada para áreas maiores, se necessário, ou reduzida com a quantidade apropriada de dados. Quanto mais preditores o modelo usa, mais preciso ele se torna. Por exemplo, a adição de temperatura, umidade relativa do solo, produção total ou do solo, necessidades totais de água e consumo aumentariam a precisão do modelo de previsão de produtividade.
Embora modelagem biofísica e assimilação de dados de satélite, como WOFOST, não tenham sido utilizadas neste projeto, incorporá-las pode ser um passo futuro para aumentar a precisão e servir como preditor adicional para estimativas de produtividade.
Somos uma empresa de dados baseada em satélite, então, neste modelo, também podemos usar índices de vegetação médios, como índice de vegetação por diferença normalizada, índice de área foliar ou índice de água por diferença normalizada. Esses índices só podem ser acessados de cima, a partir da análise de imagens de satélite.
A estimativa da produtividade do algodão é possível no Texas, como prova este estudo de caso. Agricultores e empresas agrícolas podem prever facilmente seus níveis de colheita utilizando serviços como o Crop Yield Prediction. As perspectivas de desenvolvimento deste modelo são amplas, e nossa equipe está ansiosa para testar todas elas.
Sobre o promotor:
Kseniia Kunakh possui mais de 6 anos de experiência em redação, trabalhando em diversos domínios, incluindo textos empresariais, educacionais e direcionados à mídia. Suas experiências anteriores como gerente de desenvolvimento em uma NGO ambiental da Ucrânia e como identificadora de talentos em uma empresa de IT a tornam uma combinação perfeita para alguém que é apaixonado por inovações eco-tecnológicas e pode comunicar sobre elas com facilidade.
Artigos recentes
Como Plantar Laranjas: Da Escolha Do Terreno A Colher
As laranjas têm alta demanda globalmente, tanto para consumo in natura quanto para produção de suco. Essa demanda pode resultar em preços favoráveis, tornando o cultivo lucrativo.
Ácaro-aranha: Como Identificá-lo E Eliminar
Os ácaros aranha podem rapidamente dominar as culturas sem monitoramento adequado. Este guia aborda aspectos essenciais do manejo de pragas em ambientes agrícolas comerciais.
Plantar Mandioca: Da Escolha Do Terreno A Colher
A mandioca cresce bem até em solos pobres e secos, onde outras culturas falham. Assim, agricultores podem obter altos rendimentos mesmo em condições menos ideais, sem grande investimento.