Gestão Sustentável da Produção de Manga no Vale do São Francisco por meio de Machine Learning

• Wesley R. de Sousa IFSertãoPE
• Diego S. Fonseca IFSertãoPE
• Giovanna A. da Silva IFSertãoPE
• Laécio A. Costa IFSertãoPE

DOI: https://doi.org/10.5753/encompif.2026.23704

Resumo

Este artigo avalia cinco modelos de regressão por aprendizado de máquina, Random Forest, Gradient Boosting, MLP Neural Network, SVR e Regressão Linear, para prever o diâmetro dos frutos de manga a partir de dados de umidade do solo coletados via sensores IoT no Vale do São Francisco. Seguindo a metodologia Design Science Research (DSR) com dados reais de sensores, o Random Forest obteve o melhor desempenho, confirmando a natureza não linear da relação entre umidade do solo e crescimento do fruto. Os resultados apoiam a irrigação de precisão em regiões semiáridas e alinham-se aos ODS 2 e 12 da ONU.

Referências

Andrade, C. B.; Moura-Bueno, J. M.; Comin, J. J.; Brunetto, G. (2023). Grape yield prediction models: Approaching different machine learning algorithms. Horticulturae, v. 9, n. 12, p. 1294. DOI: 10.3390/horticulturae9121294.

Anuário Brasileiro de Horti&Fruti. (2024). Santa Cruz do Sul: Editora Gazeta Santa Cruz, 94 p. ISSN 2107-0897. Disponível em: [link]. Acesso em: 10 mar. 2025.

Elijah, O.; Rahman, T. A.; Orikumhi, I.; Leow, C. Y.; Hindia, M. N. (2018). An overview of internet of things (IoT) and data analytics in agriculture: Benefits and challenges. IEEE Internet of Things Journal, v. 5, n. 5, p. 3758–3773. DOI: 10.1109/JIOT.2018.2844296.

Fraisse, C.; Ampatzidis, Y.; Guzmán, S.; Lee, W.; Martinez, C.; Shukla, S.; Singh, A.; Yu, Z. (2022). Artificial intelligence (AI) for crop yield forecasting. EDIS/IFAS. Disponível em: [link]. Acesso em: 6 nov. 2024.

Gokhale, P.; Bhat, O.; Bhat, S. (2018). Introduction to IoT. International Advanced Research Journal in Science, Engineering and Technology, v. 5, n. 1, p. 41–44. DOI: 10.17148/IARJSET.2018.517.

Larson, R.; Farber, B. (2014). Elementary Statistics. Pearson Education UK.

Li, J.; Cheng, K.; Wang, S.; Morstatter, F.; Trevino, R. P.; Tang, J.; Liu, H. (2017). Feature selection: A data perspective. ACM Computing Surveys, v. 50, n. 6, p. 1–45. DOI: 10.1145/3136625.

Malley, B.; Ramazzotti, D.; Wu, J. T. (2016). Data pre-processing. In: Secondary Analysis of Electronic Health Records, p. 115–141. DOI: 10.1007/978-3-319-43742-2_12.

Massruhá, S. M. F. S. (2020). Agricultura digital: pesquisa, desenvolvimento e inovação nas cadeias produtivas. Embrapa. Disponível em: [link].

Peffers, K.; Tuunanen, T.; Niehaves, B. (2018). Design science research genres. European Journal of Information Systems, v. 27, n. 2, p. 129–139. DOI: 10.1080/0960085X.2018.1458066.

Raschka, S.; Mirjalili, V. (2019). Python Machine Learning. Packt Publishing Ltd.

Revista Campo e Negócios. (2022). Irrigação em mangas: fundamental para a produção. Disponível em: [link].

Silva, G. J. N. e. (2005). Manejo da indução floral da mangueira. In: Anais do I Simpósio de Manga do Vale do São Francisco. Petrolina: Embrapa Semiárido.

Van der Maaten, E.; van der Maaten-Theunissen, M.; Smiljanić, M.; Rossi, S.; Simard, S.; Wilmking, M.; Deslauriers, A.; Fonti, P.; von Arx, G.; Bouriaud, O. (2016). dendrometeR: Analyzing the pulse of trees in R. Dendrochronologia, v. 40, p. 12–16. DOI: 10.1016/j.dendro.2016.06.001.