Desafios na Predição do Consumo de Pesticidas em Escala Global Usando Aprendizado de Máquina

• Bruna Capistrano Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Luma Chen Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Matheus Ribeiro Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Carla Pacheco Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
• Dacy Lobosco Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• João Quadros Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Maria Izabel Barreto Petrobras Biocombustível
• Eduardo Ogasawara Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)

DOI: https://doi.org/10.5753/bresci.2023.233831

Resumo

O consumo de pesticidas é relevante para o agronegócio, governo e sociedade em escala mundial. Tal consumo é um insumo fundamental na cadeia produtiva de alimentos, sendo um indicador importante para o monitoramento dos níveis de intoxicações e de resíduos que degradam o meio ambiente. Analisar o consumo de pesticidas em escala global ao longo do tempo é um grande desafio, pois os dados disponíveis são anuais e recentes. Este trabalho explora diferentes maneiras de otimizar a construção de modelos de previsão, utilizando diferentes abordagens por meio de combinações pareadas entre pré-processamento de dados e métodos de aprendizado de máquina. Foram avaliadas essas abordagens para obter previsões baseadas em dados reais sobre pesticidas nos dez principais países que os consomem. Os resultados mostraram que a utilização de modelos de aprendizado de máquina com desempenho satisfatório é difícil de se obter, considerando esse cenário de poucos dados e, ao mesmo tempo, peculiar de acordo com o país.

Palavras-chave: Pesticidas, Predição, Séries temporais, Arima, Aprendizado de máquina

Referências

Box, G. E. P., Jenkins, G. M., Reinsel, G. C., and Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control. John Wiley & Sons.

Esling, P. and Agon, C. (2012). Time-series data mining. ACM Computing Surveys, 45(1).

FAO (2022).Food and Agriculture Organization of the United Nations.Technical report, http://www.fao.org.

Gomes, H. d. O., Menezes, J., da Costa, J., Coutinho, H., Teixeira, R., and do Nascimento, R. (2020). A socio-environmental perspective on pesticide use and food production. Ecotoxicology and Environmental Safety, 197.

Han, J., Kamber, M., and Pei, J. (2012). Data Mining: Concepts and Techniques.

Huang, G.-B., Zhou, H., Ding, X., and Zhang, R. (2012). Extreme learning machine for regression and multiclass classification. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 42(2):513–529.

Hyndman, R. J. and Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts.

Júnior, D. d. O. S., Oliveira, J. d., and Neto, P. d. M. (2019). An intelligent hybridization of ARIMA with machine learning models for time series forecasting. Knowledge-Based Systems, 175:72–86.

Kitchin, R. and Lauriault, T. (2015). Small data in the era of big data. GeoJournal, 80(4):463–475.

Lee, G.-H. and Choi, K.-C. (2020). Adverse effects of pesticides on the functions of immune system. Comparative Biochemistry and Physiology Part - C: Toxicology and Pharmacology, 235.

Lindemann, B., Müller, T., Vietz, H., Jazdi, N., and Weyrich, M. (2021). A survey on long short-term memory networks for time series prediction. In Procedia CIRP, volume 99, pages 650–655.

Rao, C., Rahul, M., Dasgupta, S., and Hegde, R. (2021). Sustainable Pesticide usage in Agriculture. In 2021 IEEE Mysore Sub Section International Conference, MysuruCon 2021, pages 628–633.

Salles, R., Belloze, K., Porto, F., Gonzalez, P., and Ogasawara, E. (2019). Nonstationary time series transformation methods: An experimental review. Knowledge-Based Systems, 164:274– 291.

Shumway, R. H. and Stoffer, D. S. (2017). Time Series Analysis and Its Applications: With R Examples. Springer, New York, NY, 4 edition.

Siami-Namini, S., Tavakoli, N., and Siami Namin, A. (2019). A Comparison of ARIMA and LSTM in Forecasting Time Series. In Proceedings - 17th IEEE International Conference on Machine Learning and Applications, ICMLA 2018, pages 1394–1401.

Tilman, D., Cassman, K., Matson, P., Naylor, R., and Polasky, S. (2002). Agricultural sustainability and intensive production practices. Nature, 418(6898):671–677.

Tsay, R. S. (2010). Analysis of Financial Time Series. Wiley, Cambridge, Mass, 3 edition.

Yu, W., Han, X., Wang, Y., and Yang, J. (2020). Prediction of pesticide residues in agricultural products based on time series model in Chengdu, China. In IOP Conference Series: Earth and Environmental Science, volume 594.