Modelos convencionais e de machine learning na predição do crescimento de bulbos de cebola

Abstract

Esse estudo investiga o uso de modelos de regressão não linear e algoritmos de Aprendizado de Máquina para descrever o crescimento do bulbo da cebola ao longo do tempo, visando otimizar a produção agrícola. Utilizando dados experimentais foram ajustados três modelos de crescimento não lineares: Gompertz, Von Bertalanffy e Logístico, ao peso seco do bulbo da cebola, com o tempo de crescimento como variável explicativa. A análise foi realizada no software R, empregando critérios de seleção como AIC (Critério de Informação de Akaike) e BIC (Critério de Informação Bayesiano) para identificar o modelo que melhor se ajusta aos dados. Além disso, foram aplicados algoritmos de Aprendizado de Máquina, incluindo Random Forest, Support Vector Machine (SVM), Árvore de Decisão e XGBoost, com o objetivo de melhorar a precisão preditiva. A validação cruzada e o uso de métricas como RMSE indicaram que o modelo Logístico foi o mais apropriado entre os modelos não lineares, enquanto os algoritmos de Aprendizado de Máquina demonstraram maior capacidade preditiva em cenários complexos. Essa abordagem integrada permitiu simular cenários futuros e realizar ajustes em práticas de manejo, como irrigação e fertilização, proporcionando uma base científica para a tomada de decisões na agricultura.