Evaluating and improving crop-yield forecasting methods during extreme drought

Todos os verões, agricultores e governos olham para o céu com uma mistura de esperança e ansiedade, tentando adivinhar quanta comida será colhida nos campos. Esse palpite não é apenas uma questão de tradição; é um cálculo complexo de como os padrões climáticos, as condições do solo e a biologia das plantas interagem para produzir uma colheita. Quando o tempo se comporta normalmente, os computadores podem frequentemente fazer essas previsões com uma precisão razoável ao observar padrões passados. No entanto, a natureza nem sempre segue as regras. Quando um evento extremo atinge a terra, como uma seca severa que queima o solo e o seca, os padrões usuais entram em colapso. As condições que as plantas enfrentam durante tal crise frequentemente caem fora da faixa de qualquer coisa vista na história, deixando as ferramentas de previsão padrão confusas e ineficazes. Este é um problema crítico porque uma previsão falha pode levar à instabilidade econômica e à escassez de alimentos, tornando vital encontrar maneiras de prever os rendimentos mesmo quando o clima se comporta de maneiras sem precedentes.

Pesquisadores da Boston College partiram para resolver esse quebra-cabeça específico, testando quão bem diferentes tipos de modelos computacionais poderiam prever o rendimento do milho durante a devastadora seca de 2012 no Meio-Oeste americano. Esta região, conhecida como o Cinturão do Milho, sofreu um dos piores períodos de seca em cinquenta anos, reduzindo a produção nacional de milho em aproximadamente treze por cento. A equipe queria ver se conseguiriam construir um sistema que aprende com o passado, mas que permaneça flexível o suficiente para lidar com as condições estranhas e extremas de um ano de desastre. Eles compararam duas abordagens principais: o aprendizado de máquina tradicional, que utiliza regras estatísticas estabelecidas, e o aprendizado profundo (deep learning), uma forma mais avançada de inteligência artificial que imita a maneira como o cérebro humano processa informações através de camadas de conexões. O desafio era que os dados para o ano da seca eram diferentes de tudo o que os modelos já haviam visto antes, criando uma situação em que os dados de treinamento e os dados de teste eram fundamentalmente distintos.

Para enfrentar isso, os pesquisadores reuniram dados meteorológicos diários de centenas de condados, rastreando dezesseis fatores atmosféricos diferentes, como temperatura, umidade, vento e radiação solar. Eles notaram que os dados eram desorganizados; alguns condados tinham registros ausentes e as medições diárias não cobriam o ano inteiro, apenas a estação de crescimento. Para dar sentido a isso, eles primeiro tentaram simplificar o problema usando uma técnica chamada seleção de atributos (feature selection). Em vez de alimentar o computador com cada medição meteorológica individual, eles usaram um método para identificar quais drivers específicos estavam realmente causando as mudanças no rendimento das culturas. Eles descobriram que, embora as pessoas frequentemente pensem em chuva e temperatura como os fatores mais importantes, os modelos na verdade dependiam mais fortemente do déficit de pressão de vapor e da evapotranspiração. Estas são medidas de quanta água o ar está retirando das plantas e do solo, combinando os efeitos de calor, umidade e luz solar em um único sinal poderoso de estresse vegetal.

O estudo revelou uma divisão clara na forma como os diferentes modelos lidaram com a crise. Os modelos de aprendizado de máquina tradicionais, que incluem métodos como regressão linear e árvores de decisão, tiveram dificuldades diante da seca extrema. Eles tiveram um desempenho ruim porque foram treinados em anos "normais" e não conseguiram reconhecer os padrões estranhos de 2012. No entanto, quando os pesquisadores modificaram esses modelos para focar apenas nos drivers meteorológicos mais importantes e deram importância extra aos poucos anos históricos que também foram secos, as previsões melhoraram significamente. Isso mostrou que, para modelos mais simples, compreender quais fatores meteorológicos específicos importam é a chave para sobreviver a uma incompatibilidade de dados.

Em contraste, o modelo de aprendizado profundo, conhecido como VITA, teve um desempenho notavelmente bom sem precisar desses ajustes específicos. Este modelo havia sido pré-treinado com uma quantidade massiva de dados meteorológicos globais antes de ser testado nos campos de milho. Como já havia aprendido a reconhecer padrões meteorológicos complexos a partir de uma ampla variedade de fontes, ele foi capaz de se adaptar à seca de que 2012 naturalmente. Ele superou todos os outros modelos, tanto no ano de seca extrema quanto em um ano normal, provando que um sistema grande e pré-treinado pode generalizar melhor do que sistemas menores e especializados quando os dados ficam estranhos. Os pesquisadores também observaram como o modelo tomava suas decisões e descobriram que ele focou corretamente sua atenção no meio da estação de crescimento, especificamente nas semanas de junho e julho, quando o milho é mais vulnerável ao calor e à seca. Isso confirmou que o modelo não estava apenas adivinhando, mas estava realmente aprendendo a realidade biológica da cultura.

Em última análise, o estudo sugere que, embora os modelos avançados de aprendizado profundo sejam ferramentas poderosas para prever o rendimento das culturas durante o clima extremo, eles não são a única solução. Para situações onde sistemas grandes e complexos não podem ser usados, modelos mais simples ainda podem ser tornados eficazes através da seleção cuidadosa dos dados certos e do peso dado aos eventos históricos mais críticos. A pesquisa destaca que o maior obstáculo na previsão não é apenas a falta de dados, mas o fato de que eventos extremos parecem tão diferentes do passado que as ferramentas padrão falham em reconhecê-los. Ao compreender essas diferenças e ajustar os modelos para prestar atenção aos sinais corretos, os cientistas podem construir melhores sistemas para prever a colheita, mesmo quando o céu se volta contra as plantações.