Previsão de Produção Agrícola usando Aprendizado de Máquina

A produtividade agrícola é significativamente influenciada pelas características do solo e pela variabilidade climática, embora os métodos tradicionais de estimativa de produção geralmente dependam de testes manuais de solo e de médias históricas que podem não refletir as circunstâncias reais do campo em tempo real. Este artigo propõe um sistema inteligente de previsão de produção agrícola que incorpora análise de imagens do solo, algoritmos de aprendizado de máquina e dados geo-meteorológicos para aprimorar a tomada de decisão agrícola baseada em dados. A estrutura proposta coleta imagens do solo dos agricultores e as processa usando técnicas de aprimoramento de imagens e modelos de aprendizado supervisionado para estimar o pH do solo e classificar o tipo de solo. Simultaneamente, o sistema obtém características ambientais específicas do local, como temperatura, precipitação, umidade e radiação solar por meio da integração com API de clima baseada em coordenadas geográficas. Essas variáveis do solo e meteorológicas são combinadas com registros agrícolas históricos para treinar um modelo de Regressão Random Forest para previsão da produção agrícola por hectare. A avaliação experimental revela que a fusão das propriedades do solo derivadas da imagem com dados meteorológicos em tempo real melhora a precisão da previsão em comparação com modelos padrões de fonte única. A tecnologia oferece ainda visualização comparativa da produção e recomenda as culturas mais adequadas para condições específicas do campo. Os resultados indicam que a abordagem proposta pode auxiliar os agricultores na otimização das escolhas de culturas, aumentando a produtividade e reduzindo a dependência de testes laboratoriais de solo, contribuindo assim para uma agricultura sustentável e habilitada por tecnologia.