É possível prever uma queda súbita da produção?

Algo tremendamente importante em um cultivo tão técnico quanto o #algodão

⚠️Entre a safra de 2020-21 e a de 2021-22, a produção do nosso cliente caiu de quase 6 T/ha para cerca de 4 T/ha, e no caso da safra houve uma queda de 1,5 T/ha. Os rendimentos da primeira safra e da segunda safra oscilam entre 2 e 6 toneladas por hectare, sendo geralmente a primeira a mais produtiva.

Nossa equipe recebeu a tarefa

👨‍💻 para gerar um modelo de machine learning (#ml ) que levasse em consideração elementos como #clima, solo e material vegetal. Embora primeiro fosse necessário fazer um diagnóstico dos dados e entender a dinâmica específica da lavoura do nosso cliente.

O efeito da genética da planta teve pouco peso em nossa análise, já que 90% da produção veio de apenas duas variedades, sendo a que representava quase 70% da superfície a mais produtiva.

Ainda mais notável foi que a terceira variedade mais utilizada (3,45% da área cultivada) teve rendimentos muito variáveis ​​dependendo do tipo de solo onde estava localizada.

Além disso, aproveitamos a análise dos dados para avaliar se o coeficiente de cultivo que utilizamos para a recomendação de irrigação, com base nos estudos desenvolvidos pela #FAO , considerou como a cultura do cliente se comportou historicamente e descobrimos que, para ser mais eficiente, precisávamos desenvolver um coeficiente específico.

A descoberta

A partir das investigações iniciais, percebemos que a precipitação e a temperatura, bem como sua distribuição temporal, foram um dos principais fatores que contribuíram para a queda da produção. Vimos também que essas circunstâncias se refletiram nos resultados. Com isso, também introduzimos estes fatores no modelo.

Resultado

⭐️Com todas essas informações conseguimos treinar nosso modelo e identificar quais informações realmente são úteis.
O objetivo final do nosso trabalho é que todas essas informações agronômicas possam ser transformadas em #estimativas de #colheita de alta precisão, que ajudem a tomar decisões que protejam a quantidade e a qualidade da produção, em tempo hábil para implementá-las.

Na HEMAV construímos modelos customizados para cada cliente, proporcionando ao nosso machine learning a melhor qualidade de dados, contribuindo com produções mais responsáveis ​​e #eficientes para o futuro do planeta.