Quantitative and qualitative models to evaluate soybean yield

O aumento de produtividade de uma lavoura é um dos pilares para preservar a sustentabilidade do negócio agrícola. O Desafio Nacional de Máxima Produtividade promovido pelo CESB (Comitê Estratégico Soja Brasil) tem revelado diversas lavouras de produtividades superiores a 5.400 kg.ha-1 , bem acima da produtividade média brasileira, que é de 3.000 a 3.600 kg.ha-1 Dessa forma, é uma oportunidade entender os fatores agronômicos envolvidos na alta produtividade de soja, assim como elaborar algoritmos capazes de predizer a produtividade de soja com base em variáveis agronômicas, para auxiliar os técnicos a manejar os fatores que levam a soja a expressar seu potencial produtivo. A produtividade de uma lavoura é resultante de um conjunto de fatores agronômicos de clima, solo e manejo e, por esse motivo, é importante o conhecimento das variáveis agronômicas de forma abrangente, para a construção do algoritmo. Foram reunidos dados de 91 lavouras com variáveis de clima, manejo, fertilidade de superfície e subsuperfície do solo e resistência do solo ao crescimento radicular, totalizando 219 variáveis agronômicas. Foram aplicados modelos quantitativos e classificatórios para estimar a produtividade de soja por meio das metodologias Floresta Randômica, Rede Neural, Suport Vector Machine e Análise Discriminante e identificados os fatores agronômicos em comum na alta produtividade de soja. A Análise Discriminante teve um índice de acerto de 91,5%, classificando produtividades acima e abaixo de 5.500 kg.ha-1 . Das 219 variáveis agronômicas, o modelo discriminante destacou 7 fatores agronômicos: resistência do solo a 20 cm e 50 cm de profundidade; pH CaCl2 na profundidade de 10-20 cm e 80-100 cm, saturação de alumínio a 0-10 cm, Fósforo a 0-10 cm; Enxofre a 80-100 cm de profundidade; cobre a 10-20 cm de profundidade; temperatura média do estádio fenológico de R1 a R5, temperatura mínima do estabelecimento à emergência e o déficit hídrico durante o ciclo da soja. O modelo discriminante demonstrou a relevância dos atributos físicos do solo e da fertilidade química na superfície e, principalmente, em subsuperfície para a obtenção de alta produtividade de soja. As metodologias Floresta Randômica, Rede Neural e Support Vector Machine não construíram bons modelos por causa da necessidade de um número maior de dados para aplicação desses modelos.Increasing the productivity of a crop is one of the pillars to preserve the sustainability of the agricultural business. The National Maximum Productivity Challenge promoted by CESB (Brazilian Soybean Strategic Committee) has revealed several crops with yields above 5,400 kg.ha-1 , much superior than Brazilians productivity average, of 3,000 to 3,600 kg.ha-1. Thus, understanding the agronomic factors involved in high soybean productivity it is an opportunity, as well as developing algorithms capable of predicting soybean productivity, based on agronomic variables, to help technicians to manage the factors that lead soybean to express its productive potential. The productivity of a crop is the result of a set of agronomic factors, such as climate, soil and management. Therefore, it is important to know the agronomic variables comprehensively, in order to build the algorithm. Data from 91 crops were collected, with climate, management, soil surface and subsurface fertility and soil resistance to root growth variables, totaling 219 agronomic variables. Quantitative and classificatory models were applied to estimate soybean productivity using the Random Forest, Neural Network, Support Vector Machine and Discriminant Analysis methodologies. The Discriminant Analysis had a 91,5% success rate, classifying productivity above and below 5,500 kg.ha-1. Considering the 219 agronomic variables collected, the discriminating model highlighted 7 agronomic factors: soil resistance at 20 cm and 50 cm depth; pH CaCl2 at 10-20 cm and 60-80 cm depth; aluminum saturation at 0-10 cm; phosphorus at 0-10 cm; sulfur at 80-100 cm depht; copper at 10-20 cm; medium temperature of soybean phelogical stage R1 to R5; minimum temperature from seedling to emergence and water deficit during the soybean cycle. The discriminant model demonstrates the relevance of understanding the physical attributes of the soil and fertility on the surface and, mainly, on the subsurface, to high soybean productivity. The Random Forest, Neural Network and Support Vector Machine methodologies did not build good models considering the data volume withing the collected database