Previsão de produção de cana-de-açúcar utilizando framework low-code pycaret

Abstract

No presente trabalho é a 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 para esse problema, considerando variáveis agronômicas, climáticas e operacionais. O estudo ainda apresentou uma comparação entre os dois métodos que apresentaram os melhores desempenho, 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.

This paper presents a study on the low-code PyCaret framework. This framework selects Machine Learning models in an automated way (AutoML, encompassing preprocessing, feature selection, and result prediction. In the Agribusiness field, one of the possible applications of the framework is the prediction of agricultural productivity, measured in tons of sugarcane per hectare (TCH), in Brazilian mills. Thus, the present study focused on applying the low-code framework to perform the TCH prediction, which performed an evaluation of several regression models for this problem, considering agronomic variables. The study also presented a comparison between the two methods that presented the best performances, according to the framework, based on the mandatory evaluation analyzes.