PREVISÃO DE PRODUÇÃO DE CANA-DE-AÇÚCAR UTILIZANDO FRAMEWORK LOW-CODE PYCARET
DOI:
https://doi.org/10.31510/infa.v22i2.2371Palavras-chave:
AutoML, TCH, Cana-de-açúcar, PyCaret, Framework, Agricultura de PrecisãoResumo
No presente trabalho é apresentado um estudo sobre o framework low-code PyCaret. Esse framework seleciona modelos de Aprendizado de Máquina de forma automatizada (AutoML), englobando pré-processamento, seleção de características e previsão de resultados. No campo do Agronegócio, uma das possíveis aplicações do framework é a previsão de produtividade agrícola, medida em toneladas de cana por hectare (TCH), em usinas brasileiras. Deste modo, o presente estudo concentrou-se em aplicar o framework low-code para realizar a previsão do TCH, que realizou a avaliação de vários modelos de regressão. O estudo ainda apresentou uma comparação entre os dois métodos que apresentaram os melhores desempenhos, segundo o framework, a partir das métricas de avaliação adotadas. Os resultados apresentados após a validação do modelo, em cenários agrícolas reais, indicaram a presença de outliers e outros problemas que explicaram a seleção de determinados algoritmos. O estudo contribui para a compreensão do uso de AutoML na agricultura de precisão, apresentando algoritmos, validação de modelos e limitações do uso do framework.
Downloads
Referências
ALI, M. PyCaret: An open source, low-code machine learning library in Python. PyCaret version, [s. l.], v. 2, 2020. .
BENJAMIN, S. G.; JAMES, E. P.; SZOKE, E. J.; SCHLATTER, P. T.; BROWN, J. M. The 30 December 2021 Colorado Front Range windstorm and Marshall Fire: Evolution of surface and 3D structure, NWP guidance, NWS forecasts, and decision support. Weather and Forecasting, [s. l.], v. 38, n. 12, p. 2551–2573, 2023. . DOI: https://doi.org/10.1175/WAF-D-23-0086.1
CHAI, T.; DRAXLER, R. R. Root mean square error (RMSE) or mean absolute error (MAE). Geoscientific model development discussions, [s. l.], v. 7, n. 1, p. 1525–1534, 2014. . DOI: https://doi.org/10.5194/gmdd-7-1525-2014
CONAB. Safra 2024/25 de cana-de-açúcar encerra com produção estimada em 676,96 milhões de toneladas. 2025. Companhia Nacional de Abastecimento. Disponível em: https://www.gov.br/conab/pt-br/assuntos/noticias/safra-2024-25-de-cana-de-acucar-encerra-com-producao-estimada-em-676-96-milhoes-de-toneladas. Acesso em: 25 set. 2025.
FILHO, M. As Métricas Mais Populares para Avaliar Modelos de Machine Learning. 6 maio 2018. Disponível em: https://mariofilho.com/as-metricas-mais-populares-para-avaliar-modelos-de-machine-learning/. Acesso em: 25 set. 2025.
HASTIE, T. The elements of statistical learning: data mining, inference, and prediction. [S. l.]: Springer, 2009. DOI: https://doi.org/10.1007/978-0-387-84858-7
HE, X.; ZHAO, K.; CHU, X. AutoML: A survey of the state-of-the-art. Knowledge-Based Systems, [s. l.], v. 212, p. 106622, 5 jan. 2021. https://doi.org/10.1016/j.knosys.2020.106622. DOI: https://doi.org/10.1016/j.knosys.2020.106622
HUBER, P. J. Robust Estimation of a Location Parameter. In: KOTZ, S.; JOHNSON, N. L. (orgs.). Breakthroughs in Statistics. Springer Series in Statistics. New York, NY: Springer New York, 1992. p. 492–518. DOI 10.1007/978-1-4612-4380-9_35. Disponível em: http://link.springer.com/10.1007/978-1-4612-4380-9_35. Acesso em: 25 set. 2025. DOI: https://doi.org/10.1007/978-1-4612-4380-9_35
KE, G.; MENG, Q.; FINLEY, T.; WANG, T.; CHEN, W.; MA, W.; YE, Q.; LIU, T.-Y. Lightgbm: A highly efficient gradient boosting decision tree. Advances in neural information processing systems, [s. l.], v. 30, 2017. Disponível em: https://proceedings.neurips.cc/paper/2017/hash/6449f44a102fde848669bdd9eb6b76fa-Abstract.html. Acesso em: 25 set. 2025.
PAREKH. PyCaret 3.0 | Docs. 19 mar. 2023. Disponível em: https://pycaret.gitbook.io/DOCS. Acesso em: 25 set. 2025.
PEDREGOSA, F.; VAROQUAUX, G.; GRAMFORT, A.; MICHEL, V.; THIRION, B.; GRISEL, O.; BLONDEL, M.; PRETTENHOFER, P.; WEISS, R.; DUBOURG, V. Scikit-learn: Machine learning in Python. the Journal of machine Learning research, [s. l.], v. 12, p. 2825–2830, 2011. .
POPPER, K. The logic of scientific discovery. [S. l.]: Routledge, 2005. Disponível em: https://www.taylorfrancis.com/books/mono/10.4324/9780203994627/logic-scientific-discovery-karl-popper-karl-popper. Acesso em: 25 set. 2025. DOI: https://doi.org/10.4324/9780203994627
SCARPARI, M. S. Modelos para a previsão da produtividade da cana-de-açúcar (Saccharum spp.) através de parâmetros climáticos. 2002. PhD Thesis – Universidade de São Paulo, 2002. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11136/tde-17122002-165859/publico/maximiliano.pdf. Acesso em: 25 set. 2025.
Downloads
Publicado
Edição
Seção
Licença
Direitos autorais (c) 2026 Revista Interface Tecnológica
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos publicados pertencem à revista Interface Tecnológica e seguem o padrão Creative Commons (CC BY 4.0), que permite o remixe, adaptação e criação de obras derivadas do original, mesmo para fins comerciais. As novas obras devem conter menção ao(s) autor(es) nos créditos.
1.png)
1.png)
