Machine learning aplicado à predição da arquitetura radicular de cultivares de soja sob duas condições de disponibilidade hídrica
Duarte, Anunciene BarbosaFerreira, Dalton de OliveiraFerreria, Lucas BorgesSilva, Felipe Lopes da
O objetivo deste estudo foi avaliar o desempenho de quatro modelos de machine learning, bem como multitask learning, para predizer variáveis radiculares de soja a partir de variáveis simples, em duas condições de disponibilidade hídrica. Para isso,100 cultivares de soja foram conduzidas em casa de vegetação sob uma condição controle e uma condição estresse. Foram avaliadas as variáveis da parte aérea e da raiz. Os modelos machine learning usados para predizer variáveis complexas do sistema radicular foram rede neural artificial (RNA), random forest (RF), extreme gradient boosting (EGBoost) e support vector machine (SVM). O modelo linear foi usado para fins de comparação. O multitask learning foi empregado para RNA e RF. Além disso, a importância das variáveis foi definida usando algoritmos RF e XGBoost. Todos os modelos de machine learning apresentaram melhor desempenho do que o modelo linear. Em geral, SVM apresentou o maior potencial de predição da maioria das variáveis raiz, com melhores valores de RMSE, MAE e R2. O peso seco da parte aérea e o volume da raiz exibiram as maiores importâncias nas predições. Os modelos desenvolvidos por meio do multitask learning apresentaram desempenhos semelhantes aos desenvolvidos convencionalmente. Por fim, conclui-se que os modelos de machine learning avaliados podem ser usados para predizer variáveis radiculares de soja a partir de variáveis facilmente mensuráveis, como massa seca da parte aérea e volume radicular.(AU)
Texto completo