Estimativa da Produtividade de Cana-de-Açúcar com um Sistema Neuro-Fuzzy Adaptativo

Resumen

O Brasil é o maior produtor mundial de cana-de-açúcar, com uma produção de aproximadamente 480 milhões de toneladas cultivadas em mais de sete milhões de hectares. Essa produção é, em sua maioria, processada industrialmente para a obtenção de açúcar e etanol. Nesse contexto, a utilização de métodos para a estimativa da produtividade dos canaviais é fundamental para o planejamento do setor sucroenergético. Segundo Leal et al. [3], técnicas de modelagem matemática são essenciais para a análise de processos que envolvem múltiplos fatores. Além disso, Simões e Shaw [4] destacam que a modelagem de sistemas reais é crucial, pois reduz custos ao permitir a realização de ensaios e experimentos de forma mais acessível. Dada a complexidade dos modelos matemáticos envolvidos, têm sido empregadas técnicas computacionais que possibilitam ajustes cada vez mais refinados. Entre essas abordagens, destaca-se o uso de sistemas híbridos de inteligência artificial, como o sistema neuro-fuzzy, que combina redes neurais artificiais e lógica fuzzy [1]. A pesquisa foi conduzida em parceria com a empresa Coruripe Ltda., com base em dados da safra 2018/2019 da cultivar RB855156, no segundo corte. As variáveis analisadas incluíram: número de colmos por metro linear, massa média de 20 colmos, produtividade de colmos por hectare, diâmetro médio do colmo, graus Brix, porcentagem de sacarose no caldo, porcentagem de fibra no colmo, pureza, porcentagem de açúcares redutores (AR), estimativa dos açúcares totais recuperáveis (ATR) e estimativa da produção de ATR por hectare. Inicialmente, foi realizada a análise descritiva de cada variável, seguida de uma análise de correlações lineares simples utilizando o software R. Posteriormente, ainda no software R, foram ajustadas regressões múltiplas para modelar a produção de ATR por hectare (variável dependente) em função de variáveis biométricas e de qualidade tecnológica. O objetivo foi selecionar as variáveis que resultassem nas melhores equações para estimar a produção de ATR por hectare, empregando o método stepwise, com um nível de significância de 10% para inclusão e exclusão de variáveis no modelo. Após essas análises preliminares, foi aplicado um sistema híbrido de inteligência artificial, especificamente o sistema neuro-fuzzy adaptativo (Adaptive Network-Based Fuzzy Inference System – ANFIS), desenvolvido por Jang [2]. O ANFIS combina a capacidade de aprendizado das redes neurais artificiais com o poder interpretativo da lógica fuzzy. A implementação do sistema foi realizada no software MATLAB. O método stepwise selecionou as seguintes variáveis preditoras: número de colmos por metro linear, massa de 20 colmos, teor de sacarose, teor de fibra e ATR. Essas variáveis foram utilizadas como entradas no sistema neuro-fuzzy, enquanto a produtividade de ATR por hectare foi definida como a variável de saída. A estrutura do sistema de inferência neuro-fuzzy está representada na Figura 1. [...]