MODELAGEM COMPARATIVA DA BIOATIVIDADE DE HERBICIDAS UTILIZANDO INTELIGÊNCIA ARTIFICIAL

Autores

  • Victor Inácio de Oliveira ifg@ifg.edu.br
    Instituto Federal de Educação, Ciência e Tecnologia de Goiás, Câmpus Inhumas
  • Wesley Pacheco Calixto Calixto ifg@ifg.edu.br
    Instituto Federal de Educação, Ciência e Tecnologia de Goiás, Câmpus Inhumas
  • Viviane Margarida Gomes Pacheco ifg@ifg.edu.br
    Instituto Federal de Educação, Ciência e Tecnologia de Goiás, Câmpus Inhumas

Palavras-chave:

Inteligência Artificial, XGBoost, SHAP, Otimização, Bioatividade de Herbicidas

Resumo

O presente trabalho apresenta a expansão de um framework de inteligência artificial para a otimização de doses dos seguintes herbicidas pré-emergência: diclosulam, flumioxazin, imazethapyr, metribuzin e sulfentrazone. Recomendações estáticas presentes nas bulas ignoram a diversidade edáfica, que por sua vez pode gerar super ou hipodosagem, levando à contaminação do solo ou ineficiência dos presentes herbicidas. O objetivo deste estudo foi modelar a resposta à diversidade edáfica, utilizando aprendizado de máquina e otimização paramétrica e validando a arquitetura em sete solos fracamente intemperizados (1.225 unidades experimentais). O pipeline computacional foi desenvolvido em Python, utilizando regressão via XGBoost com hiperparâmetros otimizados por busca Bayesiana através do framework Optuna e validação cruzada estratificada do tipo Leave-One-Soil-Out. A explicabilidade do modelo foi garantida pelo método SHAP, que identificou os atributos mais sensíveis do solo. Posteriormente, os resultados foram condensados em Funções Dose-Resposta (DRFs) paramétricas utilizando otimização híbrida (Evolução Diferencial e Nelder-Mead). Alcançou-se alto poder preditivo através dos modelos XGBoost (R² entre 0,835 e 0,926). A análise SHAP confirmou a dose como preditor dominante e identificou moduladores edáficos específicos por molécula. As DRFs reproduziram as superfícies da IA com erro percentual absoluto médio (MAPE) entre 1,55% e 6,45%. O desenvolvimento do pipeline demonstra como técnicas de Machine Learning interpretável podem apoiar o manejo agronômico localizado e decisões multicritério que equilibram eficácia preditiva e risco ambiental. Com o modelo de aprendizado de máquina garantindo robustez de generalização de ponta-a-ponta, a adoção de um modelo substituto paramétrico (surrogate) de baixa dimensão construído sobre essa superfície provou ser a estratégia arquitetural oportuna para evitar a explosão de variância dos resíduos, limitando as formulações paramétricas complexas e, simultaneamente, oferecendo estabilidade para sumarização operacional. Conclui-se que a arquitetura computacional proposta é robusta e transferível entre diferentes famílias químicas, permitindo recomendações de dose específicas por sítio, reduzindo o uso de agroquímicos e mitigando riscos ambientais.

Downloads

Não há dados estatísticos.

Downloads

Publicado

2026-11-18

Métricas


Visualizações do artigo: 6     PDF downloads: 2

Como Citar

OLIVEIRA, Victor Inácio de; CALIXTO, Wesley Pacheco Calixto; GOMES PACHECO, Viviane Margarida. MODELAGEM COMPARATIVA DA BIOATIVIDADE DE HERBICIDAS UTILIZANDO INTELIGÊNCIA ARTIFICIAL. Anais do Seminário de Iniciação Científica e Tecnológica do IFG, [S. l.], v. 19, n. 1, 2026. Disponível em: https://periodicos.ifg.edu.br/sicti/article/view/3813. Acesso em: 20 nov. 2026.

Artigos mais lidos pelo mesmo(s) autor(es)