Modelagem Preditiva e Interpretação de Emissões de Dióxido de Carbono em Máquinas Agrícolas com Técnicas de IA
Resumo
Os desastres naturais, como queimadas e eventos climáticos extremos, têm se intensificado nos últimos anos, impulsionados por mudanças climáticas e atividades antrópicas. Nesse cenário, torna-se crucial investir em pesquisas para reduzir gases poluentes, como o Dióxido de Carbono (CO2). Contudo, os estudos atuais focam predominantemente em emissões de países e veículos urbanos. O setor agropecuário, entretanto, contribui significativamente para as emissões de CO2 no Brasil. Este trabalho apresenta um benchmark de modelos de inteligência artificial para prever emissões. Utilizamos dados de dois modelos de tratores Puma 140 Puma 230, provenientes dos sistemas de combustível, bateria, motor e marcha. Utilizamos métodos de préprocessamento como LIME, e a estimativa de emissão de carbono usando tipo de combustível e intensidade de carbono definida pela Associação Brasileira de Engenharia Automotiva. Dessa forma, avaliamos dezesseis modelos de aprendizado de máquina, destacando-se o modelo XGBoost, com o menor RMSE de 0,01, demonstrando desempenho promissor para previsão.
Referências
Associação Brasileira de Engenharia Automotiva (2025). Manifesto AEA em defesa da descarbonização.
Banerjee, A. et al. (2024). Modeling sustainable city trips. arXiv preprint arXiv:2401.00001.
de Souza, A. M., Braun, T., Botega, L. C., Villas, L. A., and Loureiro, A. A. F. (2020). Safe and sound: Driver safety-aware vehicle re-routing based on spatiotemporal information. IEEE Transactions on Intelligent Transportation Systems, 21(9), 3973–3989.
Grilli, M. (2020). Agropecuária foi responsável por 73% da emissão de CO2 do Brasil em 2019. Revista Globo Rural. Acesso em: 31 mar. 2025.
Jin, L. (2024). Predição de emissões de CO2 em veículos agrícolas usando redes neurais profundas. Journal of Agricultural Engineering, 56(1), 45–53.
Jin, Y., Sharifi, A., Li, Z., Chen, S., Zeng, S., and Zhao, S. (2024). Carbon emission prediction models: A review. Science of The Total Environment, page 172319.
Lee, K. and Zhang, H. (2024). Detecção e tratamento de outliers em dados de emissões para aprendizado de máquina. Journal of Environmental Informatics, 38(2), 89–97.
Lundberg, S. M. and Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30.
Ma, L., Chen, W., Zhao, R., et al. (2023). A deep learning framework for real-time emission prediction in agricultural machinery. IEEE Access, 11, 111111–111123.
Ministério do Meio Ambiente (2015). Acordo de Paris.
Ribeiro, M. T., Singh, S., and Guestrin, C. (2016). Explaining black box predictions using LIME. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135–1144.
Ritchie, H., Rosado, P., and Roser, M. (2023). Data page: Per capita co2 emissions. [link]. Parte da publicação ”CO2 and Greenhouse Gas Emissions”. Dados adaptados do Global Carbon Project e várias fontes. Acesso em: 31 mar. 2025.
Ritchie, H. and Roser, M. (2024). CO2 emissions.
Silva, F. L., Eckert, J. J., Miranda, M. H., da Silva, S. F., Silva, L. C., and Dedini, F. G. (2024a). A comparative analysis of optimized gear shifting controls for minimizing fuel consumption and engine emissions using neural networks, fuzzy logic, and rule-based approaches. Engineering Applications of Artificial Intelligence, 135, 108777.
Silva, F. L. et al. (2024b). Optimized gear shifting controls for emission reduction. Engineering Applications of Artificial Intelligence, 95, 104–112.
Smith, J. and Wang, Y. (2024). Pré-processamento de dados para modelos de aprendizado de máquina na predição de emissões. Environmental Modelling & Software, 145, 105–113.
Vega, A. and Perkins, R. (2023). Avaliação de algoritmos de aprendizado de máquina na previsão de emissões em veículos agrícolas. Revista Brasileira de Engenharia Agrícola, 43(2), 123–130.
