Near-Optimal Nitrogen Recommendations for Precision Agriculture via Sequential Screening and Hierarchical Refinement

Resumo Técnico: Recomendações de Nitrogênio Próximas ao Ótimo para Agricultura de Precisão

Definição do Problema
O manejo do fertilizante nitrogênio (N) é crítico para equilibrar a produtividade agrícola com a sustentabilidade ambiental. No entanto, identificar estratégias de aplicação ideais é desafiador devido à substancial heterogeneidade espacial nas respostas aos tratamentos e à indistinguibilidade estatística de muitas escolhas de fertilizantes próximo ao rendimento ótimo. Abordagens tradicionais buscam frequentemente um único "melhor" tratamento ou uma taxa de N economicamente ótima (EONR) para um determinado ambiente. Contudo, na prática, múltiplos regimes de fertilização costumam produzir rendimentos estatisticamente semelhantes, apesar de variarem significativamente em suas taxas de aplicação de N. Além disso, métodos estatísticos e de aprendizado de máquina existentes focam frequentemente na predição do rendimento ou em uma única taxa ótima, falhando em considerar explicitamente a "planicidade" da superfície de resposta próximo ao ótimo ou a necessidade de selecionar alternativas com menor teor de N quando as diferenças de rendimento são negligenciáveis. O artigo aborda a necessidade de um arcabouço de decisão que identifique opções de fertilizantes praticamente próximas ao ótimo, priorizando escolhas parcimoniosas e de menor teor de N em sistemas agrícolas espacialmente heterogêneos.

Metodologia
Os autores propõem um procedimento de refinamento hierárquico baseado em triagem sequencial. A metodologia é desenhada para experimentos multi-locais e opera através das seguintes etapas:

1. Triagem Sequencial (Nível Estadual): O processo começa pela eliminação de tratamentos de fertilizantes claramente inferiores em um nível de agregação superior (nível estadual). Utilizando dados históricos de anos anteriores, o método calcula médias empíricas de rendimento e limites de confiança (Limite Inferior e Limite Superior de Confiança, LCB/UCB) para cada braço de fertilizante dentro de um estado.

   • Um braço de fertilizante é mantido para a próxima etapa se o seu Limite Superior de Confiança permanecer dentro de uma tolerância especificada pelo usuário ($\epsilon$) do máximo Limite Inferior de Confiança entre os braços atualmente ativos.
   • Esta etapa incorpora um ajuste do tipo Bonferroni para evitar a eliminação prematura devido a múltiplas comparações, garantindo uma "garantia de segurança da triagem": com alta probabilidade, todas as escolhas verdadeiramente $\epsilon$-próximas do ótimo sobrevivem à triagem.

2. Refinamento Hierárquico (Nível de Localidade): Uma vez estabelecido um conjunto de braços próximos ao ótimo que sobreviveram ao nível estadual, o método refina as recomendações localmente para locais específicos dentro daquele estado.

   • Para cada local, o procedimento calcula rendimentos médios empíricos apenas para o subconjunto de braços que sobreviveram à triagem de nível estadual.
   • Um conjunto de "quase-melhores" para o local é definido com base em uma tolerância específica do local ($\epsilon_{site}$).
   • A recomendação final para um local específico é a escolha de fertilizante com menor teor de N entre os candidatos sobreviventes próximos ao ótimo. Se um local carecer de replicação suficiente para o refinamento local, o método recorre ao sobrevivente de baixo N do nível estadual.

3. Benchmarks de Comparação: O método proposto é avaliado contra vários benchmarks retrospectivos e adaptativos, incluindo:

   • Recomendações de braços fixos globais e específicos do estado (selecionando a melhor média histórica).
   • Recomendações adaptativas anuais cumulativas (atualizando o melhor braço anualmente com base em dados passados).
   • Triagem de predição ajustada ao local (usando um modelo de regressão quadrática para prever rendimentos e realizar a triagem de braços).
   • Benchmarks de retrospectiva (usando dados do mesmo ano para estabelecer limites superiores otimistas).

Principais Contribuições

• Mudança de Ótimo Único para Subconjuntos Próximos ao Ótimo: O artigo afasta-se do objetivo de identificar um tratamento único e melhor. Em vez disso, foca na identificação de um subconjunto de tratamentos praticamente próximos ao ótimo e na seleção da opção mais sustentável ambientalmente (menor N) dentro desse conjunto.
• Arcabouço de Decisão Hierárquico: Introduz um processo de dois estágios que combina a estabilidade do compartilhamento de informações de nível estadual (para filtrar opções claramente inferiores) com a adaptabilidade do refinamento de nível local (para ajustar as recomendações às condições locais).
• Garantias Teóricas: Os autores fornecem propriedades assintóticas e uma "garantia de segurança da triagem", demonstrando que a regra de triagem sequencial retém todos os tratamentos de fertilizante verdadeiramente $\epsilon$-próximos do ótimo com alta probabilidade ($1-\alpha$).
• Distinção entre Predição e Decisão: O estudo destaca que a predição precisa dos níveis de rendimento (via modelos de regressão) não se traduz necessariamente em uma tomada de decisão superior. A identificação direta de subconjuntos próximos ao ótimo via triagem provou ser mais eficaz do que a triagem baseada em predição.

Resultados
A metodologia foi testada em um conjunto de dados de ensaios de nitrogênio em milho multi-estaduais e multi-anuais (2014–2016), cobrindo 49 ensaios de local-ano em oito estados do Meio-Oeste dos EUA.

• Heterogeneidade: A análise confirmou uma heterogeneidade espacial significativa. Nenhum regime de fertilizante foi uniformemente ótimo dentro de um estado; a recomendação mais comum tipicamente cobria apenas 33% a 57% das unidades de decisão dentro de um estado.
• Desempenho: O procedimento de refinamento hierárquico proposto alcançou o melhor desempenho geral entre os métodos implantáveis:
  • Rendimento: Maior rendimento médio (217,4 bushels/acre).
  • Regret (Arrependimento): Menor regret médio (13,6 bushels/acre), indicando perda mínima de rendimento em relação ao melhor tratamento observado.
  • Eficiência: Redução substancial na aplicação média de N (180 unidades) em comparação com as recomendações globais (240 unidades) e específicas do estado (247 unidades).
  • Proximidade do Ótimo: Alcançou a maior proporção (49%) de recomendações dentro de 10 bushels/acre da melhor escolha empírica.
• Robustez: A avaliação fora da amostra (leave-one-block-out) confirmou que a estratégia de refinamento hierárquico mantém suas vantagens (menor uso de N com rendimento competitivo) mesmo quando aplicada a dados não vistos.
• Sensibilidade: A análise de sensibilidade no limiar de proximidade do ótimo ($\epsilon$) revelou um compromisso (trade-off): valores em torno de $\epsilon \approx 10$ ofereceram um compromisso atraente, permitindo uma redução significativa de N com apenas aumentos modestos no regret.

Significância e Alegações
O artigo alega que o arcabouço proposto oferece uma solução prática para a agricultura de precisão em ambientes heterogêneos. Ao mudar o objetivo de encontrar um tratamento único "melhor" para identificar um conjunto de tratamentos "praticamente equivalentes", o método permite a seleção de recomendações com menor teor de N sem sacrificar o desempenho agronômico.

Os autores enfatizam que sua abordagem aborda as limitações do aprendizado puramente adaptativo em estudos de curto prazo (onde os dados históricos são insuficientes para uma adaptação total estável) e as limitações de modelos de predição pura (que podem não distinguir de forma confiável tratamentos com rendimentos esperados muito semelhantes). Os resultados sugerem que combinar a triagem sequencial de nível estadual com o refinamento de nível local fornece uma estratégia robusta para equilibrar produtividade, custos econômicos e impactos ambientais. O artigo conclui que essa perspectiva é amplamente útil para a tomada de decisão agrícola onde a heterogeneidade espacial é substancial, oferecendo um mecanismo para melhorar a Eficiência do Uso de Nitrogênio (NUE), enquanto potencialmente reduz os custos de insumos.