Yield modeling of Elaeis guineensis Jacq. using artificial neural networks

A crescente demanda pelo óleo de palma exige a produção em larga escala da cultura e uso otimizado dos recursos ambientais relacionados ao crescimento e desenvolvimento da espécie. O rendimento do óleo está diretamente associado à produção de cachos destinados à fábrica, por isso adotar ferramentas computacionais que possibilitem estimativas confiáveis da produção de cachos é tarefa primordial e importante para direcionar tomadas de decisão. Redes neuronais artificiais (RNAs) correspondem a uma das técnicas de inteligência artificial de amplo uso e eficácia comprovada em estudos de modelagem da produção florestal, principalmente, produtos madeireiros, no entanto para o óleo de palma ainda não é uma realidade. Em virtude disso, o presente estudo teve como objetivo avaliar se redes neuronais artificiais são capazes de estimar a produção mensal corrente e futura de cachos da palma-de- óleo utilizando variáveis do inventário florestal (inflorescências e cachos), elementos climáticos (temperatura, precipitação, umidade relativa do ar e insolação), déficit hídrico, solo, assim como variáveis do cadastro e gestão dos plantios (Fazenda, Ano de plantio, Material genético). Para a estimativa mensal corrente foram utilizadas as variáveis do inventário do mês atual e variáveis climáticas referentes ao mês anterior. A estimativa futura inclui a previsão da produção para os cinco meses futuros utilizando informações de produção e do inventário dos cinco meses anteriores ao mês a ser estimado. A configuração da RNA seguiu o mesmo padrão para ambas as abordagens, sendo uma parametrização simples com função de ativação sigmoidal, algoritmo de treinamento resilient propagation, oito neurônios na camada oculta, e critério de parada de 3000 ciclos. A RNA estimou a produção corrente a nível de parcela com uma correlação acima de 0,6 e erro relativo percentual médio em torno de 13%. As variáveis de maior contribuição na modelagem incluíram àquelas relacionadas à gestão, solos, material genético e a contabilização de cachos maduros. As variáveis climáticas não exerceram tanta importância, porém devido a influência do elemento climático na produtividade do dendê é necessário mantê-las na modelagem. Na estimativa futura foi gerada correlação acima de 0,7 e o erro relativo percentual médio para a produção total estimada em cada mês futuro não ultrapassou 3%. Estes resultados confirmam o quanto a composição histórica do comportamento produtivo é importante para a previsão de cachos. Em ambas as abordagens, a rede neuronal artificial demonstrou ser capaz de modelar a produção da palma-de-óleo, caracterizada por elevada variabilidade, abrindo oportunidades para realização de estudos futuros, combinando e utilizando novas variáveis para melhoria da acurácia das estimativas usando esta ferramenta. Palavras-chave: Palma-de-óleo – Amazônia Oriental. Palma-de-óleo – inteligência artificial. Dendê. Palma-de-óleo – produtividade.The growing demand for palm oil requires large-scale production and optimal use of environmental resources related to the growth and development of the species. Oil yield is directly associated with the bunches yield destined for the factory, so adopting computational tools that allow reliable estimates of bunch yield is a primordial and important task to guide decision making. Artificial Neural Networks (ANNs) correspond to one of the widely used and effective artificial intelligence techniques in studies of modeling forest production, mainly wood products, however for oil palm is not yet a reality. The present study aimed to evaluate whether artificial neural networks are able to estimate the current and future monthly yield of oil palm bunches, using forest inventory variables (inflorescences and bunches), weather elements (temperature, precipitation, humidity relative and insolation), water deficit, soil, as well as variables of the register and management of plantations (Farm, Year of planting, Genetic material). For the current monthly estimate, the inventory variables of the current month and climatic variables referring to the previous month were used. Future estimation includes forecasting yield for the future five months using yield and inventory information for the five months prior to the month to be estimated. The ANN estimated the current yield at the plot level with a correlation above 0.6 and average percentage relative error around 13%. The variables of greatest contribution in the modeling included those related to management, soils, genetic material and the accounting of mature bunches. The climatic variables did not exert much importance, however, due to the influence of the climatic element on oil palm productivity, it is necessary to keep them in the modeling. In the future estimate, a correlation above 0.7 was generated and the average percentage relative error for the estimated total yield in each future month did not exceed 3%. These results confirm how important the historical composition of the productive behavior is for the prediction of bunches. In both approaches, the artificial neural network proved to be able to model the oil palm yield, characterized by high variability, opening opportunities for future studies, combining and using new variables to improve the accuracy of estimates using this tool. Keywords: Oil palm – Eastern Amazon. Oil palm – artificial intelligence. Oil palm. Oil palm – productivity.Coordenação de Aperfeiçoamento de Pessoal de Nível Superio