Das Montanhas de Minas ao Oceano: Os Caminhos da Ciência para um Futuro Sustentável
20 a 25 de outubro de 2025
Trabalho 22539
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Dimensões Ambientais: ODS13 |
| Setor | Departamento de Engenharia Agrícola |
| Bolsa | Outros |
| Conclusão de bolsa | Sim |
| Apoio financeiro | Outros |
| Primeiro autor | Matheus Otávio Lisboa |
| Orientador | DANIEL LOUZADA FERNANDES |
| Outros membros | Gustavo Santos Mairink, Lucas Louzada Fernandes, MARCOS HEIL COSTA |
| Título | Predição do início da estação chuvosa no Mato Grosso usando algoritmos aprendizado de máquina |
| Resumo | A definição do início da estação chuvosa no estado de Mato Grosso (MT) é um fator crítico para o planejamento agrícola, especialmente para a cultura da soja, influenciando diretamente a escolha entre a adoção de um sistema de safra única ou de dupla safra de sequeiro. Este trabalho explorou a aplicação de modelos de Inteligência Artificial, mais especificamente de Aprendizado de Máquina (AM), para prever o período referente ao início da estação chuvosa no MT, de forma espacialmente explícita. A metodologia teve início com a identificação de preditores climáticos: foram selecionadas, juntamente com as variáveis de latitude e longitude, as anomalias de Temperatura da Superfície do Mar em três regiões do oceano Atlântico, previamente identificadas com alta correlação com o início das chuvas no MT, utilizando dados da reanálise do ERA5. O alvo da previsão foi definido a partir de dados de precipitação do CHIRPS, determinando, para cada pixel do mapa do MT (com resolução espacial de 0,5º), qual dos cinco períodos de previsão previamente definidos correspondem ao início da estação chuvosa, com base no intervalo de 1981 a 2024. O trabalho consistiu em uma avaliação comparativa de seis algoritmos supervisionados de AM aplicados a esse conjunto de dados para a tarefa de classificação. Entre os modelos testados, aqueles baseados em Boosting (XGBoost e CatBoost) e Bagging (Random Forest) apresentaram desempenho superior, sendo estatisticamente equivalentes entre si. O modelo XGBoost se destacou por apresentar o menor tempo de processamento e o melhor desempenho numérico na maioria das métricas avaliadas, alcançando acurácia, precisão, sensibilidade e F1-score médios de 75,4%, área sob a curva (AUC) de 94,0% e coeficiente de correlação de Matthews (MCC) de 66,6%. O modelo foi otimizado por meio do ajuste de hiperparâmetros e validado utilizando o método de validação cruzada estratificada de 10 partes, demonstrando um bom desempenho no contexto de previsão climática. Uma análise mais detalhada do modelo XGBoost revelou que 74,3% dos erros de previsão concentram-se em um intervalo de até 15 dias antes ou após o início das chuvas verificado nos dados observados, indicando uma baixa tendência de erros. Dessa forma, os resultados demonstraram que a abordagem baseada em AM constitui uma ferramenta promissora para a previsão do início da estação chuvosa, oferecendo suporte valioso à tomada de decisão no agronegócio mato-grossense. |
| Palavras-chave | Inteligência Artificial, Aprendizado de Máquina, Estação Chuvosa |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|