Resumo Técnico: Correção Pós-Hoc Baseada em Agentes de Previsões de Produtividade Agrícola

Declaração do Problema

A previsão precisa da produtividade das culturas é crítica para o planejamento operacional na agricultura comercial (por exemplo, alocação de mão de obra, armazenamento refrigerado e contratos de varejo). No entanto, as abordagens de previsão mais avançadas geralmente dependem de modalidades de dados indisponíveis para a maioria dos produtores comerciais, como redes densas de sensores, imagens de satélite ou entradas meteorológicas de alta resolução. A indústria britânica de frutas vermelhas, onde 95% dos morangos são cultivados em túneis plásticos, torna impraticável a coleta de dados baseada em satélites e VANTs. Consequentemente, os produtores frequentemente possuem apenas registros históricos limitados: figuras semanais de produtividade, metadados básicos de talhão e dados meteorológicos de fontes externas.

Modelos de previsão existentes treinados com essas entradas limitadas frequentemente exibem erros sistemáticos que contradizem a realidade biológica. Por exemplo, os modelos podem prever picos de produtividade antes da floração ou produção contínua após a limpeza da colheita porque carecem de uma representação explícita do ciclo de crescimento sazonal da cultura. O problema central abordado é como corrigir esses erros sistemáticos e conscientes do contexto em modelos existentes sem exigir coleta adicional de dados ou re-treinamento do modelo.

Metodologia

Os autores propõem uma estrutura estruturada de agente de Modelo de Linguagem (LLM) que realiza correção pós-hoc sobre modelos de previsão existentes. Em vez de substituir o modelo base, o agente atua como uma camada de raciocínio que refina as previsões usando conhecimento de domínio agrícola codificado em um conjunto fixo de ferramentas.

Arquitetura do Sistema

O sistema opera por meio de um loop ReAct (Raciocinar + Agir), iterando até 10 vezes por previsão para refinar a saída. O pipeline consiste em duas fases principais:

1. Construção de Grafos de Conhecimento: Talhões de treinamento históricos são codificados como nós contendo metadados e "características de forma de curva" (por exemplo, volatilidade, posição do pico, padrão de crescimento). Isso permite que o agente recupere estações históricas análogas por meio de busca de similaridade com Warping Dinâmico de Tempo (DTW).
2. Loop de Previsão: Para cada talhão de teste e passo de tempo, o agente recebe um vetor de estado contendo a previsão bruta, realizações recentes e contexto histórico. Ele itera através de uma biblioteca de ferramentas para diagnosticar e corrigir a previsão.

O Conjunto de Ferramentas do Agente

O agente utiliza uma suíte de ferramentas informadas por especialistas para diagnosticar e corrigir previsões:

• Busca de Similaridade: Recupera talhões históricos com geometrias de curva semelhantes para fornecer contexto analógico.
• Aprendizado de Viés: Calcula o viés direcional comparando previsões recentes com realizações com atraso, aplicando um fator de decaimento para períodos pós-colheita para evitar rendimentos alucinados.
• Detecção de Fase: Segmenta a curva de produtividade em fases operacionais (pré-temporada, aceleração, pico, declínio, encerrada). Impõe restrições como rendimento zero durante entressafras ou taxas de decaimento durante a fase de declínio.
• Validação de Faixa: Limita previsões que violam limites empíricos (por exemplo, taxas de crescimento semanais que excedem percentis históricos).
• Aplicar Correção: Sintetiza saídas das ferramentas acima usando uma cascata de prioridade: Limites Físicos > Restrições de Fase > Ajuste Fino Estatístico.
• Verificador de Segurança e Avaliação de Trajetória: Atua como uma verificação de sanidade para garantir que as correções não causem deriva catastrófica e se alinhem com tendências recentes.

Memória Persistente

O sistema inclui Memória Persistente Transversal a Talhões, onde o agente mantém uma "Tabela de Viés de Posição" (registrando erros em marcos calendários específicos) e um arquivo de "Histórico de Talhões". Isso permite que o agente aprenda erros sistemáticos em todo o conjunto de dados e refine suas heurísticas (Reflexão de Meta-Estratégia) ao longo da temporada.

Configuração Experimental

O framework foi avaliado em dois conjuntos de dados:

1. Angus Soft Fruits: Um conjunto de dados proprietário de rendimentos de morango de 123 talhões (cultivados em túneis plásticos) no Reino Unido.
2. Colheita de Milho do USDA: Um conjunto de dados público do progresso semanal da colheita de milho em 38 estados dos EUA.

Três modelos de previsão base foram testados: XGBoost, Random Forest e Moirai2 (um modelo fundamental zero-shot). Três LLMs foram avaliados como motor de raciocínio: Llama 3.1 8B, Qwen 2.5 7B e LLaVA 13B (um modelo de linguagem visual incluído para testar a sensibilidade à escolha do modelo).

Resultados Principais

O refinamento baseado em agente melhorou consistentemente a precisão das previsões em todos os modelos base e conjuntos de dados, com a magnitude da melhoria correlacionando-se ao erro de linha de base.

• Conjunto de Dados de Morango (Angus):
  • XGBoost: O Llama 3.1 8B reduziu o Erro Absoluto Médio (MAE) em 20% (de 0,0131 para 0,0105) e o Erro Absoluto Médio Escalonado (MASE) em 56% (de 3,93 para 1,75).
  • Random Forest: Mostrou a melhoria mais dramática, com MAE reduzido em 28% e MASE em 66% (de 5,90 para 2,03), corrigindo em grande parte a tendência do modelo de prever rendimentos não nulos durante entressafras.
  • Moirai2: MAE reduzido em 24% e MASE em 22%.
• Conjunto de Dados de Milho (USDA):
  • As melhorias foram mais modestas devido ao menor erro de linha de base dos modelos base, mas permaneceram consistentes. O MAE do XGBoost foi reduzido em aproximadamente 4-5% e o MASE em 2,5%.
• Sensibilidade do Modelo: O Llama 3.1 8B produziu as correções mais fortes e consistentes em todas as configurações. O Qwen 2.5 7B seguiu com ganhos moderados. O LLaVA 13B mostrou desempenho inconsistente, frequentemente degradando resultados (por exemplo, aumentando o erro no milho), destacando que a escolha do modelo de refinamento é crítica e que o pré-treinamento de linguagem visual não necessariamente auxilia o raciocínio numérico estruturado.

Estudo de Ablação

Um estudo de ablação confirmou que a Detecção de Fase é o componente "estrutural" do pipeline. Sua remoção causou um aumento de 72% no MAE no conjunto de dados de morango, tornando as correções não confiáveis. Outras ferramentas (Aprendizado de Viés, Validação de Faixa) contribuíram incrementalmente, mas não foram tão críticas quanto a capacidade de reconhecer a fase sazonal.

Significado e Alegações

O artigo afirma que este trabalho demonstra a viabilidade da correção pós-hoc baseada em LLM como uma solução prática para previsão agrícola com restrições de dados. As principais contribuições incluem:

1. Um Novo Paradigma: Ir além da suposição de que previsões melhores exigem mais dados ou modelos base mais complexos. Em vez disso, a abordagem raciocina de forma mais eficaz sobre dados existentes e "desordenados".
2. Codificação de Conhecimento de Domínio: Tradução bem-sucedida de heurísticas agrícolas (fases sazonais, limites de crescimento) em um conjunto de ferramentas estruturado que um LLM pode executar, em vez de depender exclusivamente do conhecimento paramétrico do LLM.
3. Generalizabilidade: O framework é agnóstico ao conjunto de dados. Sem modificação nas ferramentas ou prompts, o mesmo agente melhorou previsões tanto para morangos do Reino Unido quanto para milho dos EUA, provando que pode lidar com diferentes culturas, escalas e geografias.
4. Sem Re-treinamento Necessário: O método opera como uma camada plugável, não exigindo re-treinamento do modelo de previsão base nem coleta adicional de dados.

Os autores concluem que, embora a abordagem introduza sobrecarga computacional (devido ao loop ReAct e chamadas de LLM), oferece um complemento implantável, explicável e eficaz aos pipelines de previsão existentes, especialmente onde os modelos base falham em capturar restrições biológicas sazonais.