ESTUDO COMPARATIVO ENTRE DIFERENTES REGRESSORES PARA ESTIMAR PRODUTIVIDADE DE CANA-DE-AÇÚCAR

Modelos de aprendizado de máquina têm obtido resultados notáveis em diversas áreas do conhecimento, inclusive em agricultura de precisão. Contudo, a diversidade de modelos distintos disponíveis e a carência de análises comparativas torna a seleção de um modelo uma tarefa desafiadora. Este artigo faz uma avaliação de diferentes regressores em tarefas de predição de produtividade de cana-de-açúcar, modeladas a partir de características compostas por índices vegetativos. O estudo realizado considerou os regressores MLP, SVR, Random Forest, Ada Boost e Gradient Boosting, ajustados a partir de hiperparâmetros obtidos com o método grid search. Foram utilizados conjuntos de dados públicos, referente a áreas cultivadas em 2 campos experimentais na Austrália. Foram considerados 5 modelos obtidos a partir de 10 índices vegetativos multiespectrais e RGB, escolhidos com base no redutor de dimensionalidade Análise de Componentes Principais (PCA). Além de imagens multiespectrais, bandas LiDAR também foram utilizadas no estudo comparativo.