Machine Learning Based Crop Recommendation Using Tuned Classifiers and Ensemble Methods

Os agricultores sempre souberam que a cultura certa depende das condições certas. Um campo que prospera com arroz pode falhar com trigo, não porque as sementes sejam diferentes, mas porque a química do solo e os padrões climáticos não correspondem às necessidades da planta. Essas condições incluem o equilíbrio de nutrientes como nitrogênio, fósforo e potássio no solo, juntamente com a temperatura, umidade, pluviosidade e acidez do solo. Por séculos, tomar essas decisões dependeu de experiência e intuição, mas hoje, os computadores podem ajudar. Ao alimentar modelos de aprendizado de máquina com dados sobre o solo e o clima, sistemas podem prever qual cultura crescerá melhor em um local específico. Essa abordagem, conhecida como agricultura de precisão, promete economizar recursos, proteger a terra e garantir a segurança alimentar, especialmente para agricultores que não podem se dar ao luxo de cometer erros dispendiosos.

No entanto, uma questão persistente permaneceu no campo da ciência da computação: combinar muitos modelos de previsão diferentes em um único grupo poderoso realmente funciona melhor do que simplesmente aperfeiçoar um único modelo? No mundo do aprendizado de máquina, esse grupo é chamado de conjunto ou ensemble. A ideia é que, se você pedir a opinião de vários especialistas diferentes e tirar a média, obterá uma resposta melhor do que perguntar a apenas um. Mas este artigo, conduzido por pesquisadores da City University em Dhaka, Bangladesh, propôs-se a testar se essa regra se mantém verdadeira quando o especialista individual já é altamente treinado. Eles queriam saber se a complexidade adicional de executar múltiplos modelos lado a lado era necessária, ou se um único modelo cuidadosamente ajustado poderia fazer o trabalho tão bem quanto.

Para encontrar a resposta, os pesquisadores começaram com duas grandes coleções públicas de dados sobre culturas. Uma coleção continha registros de 22 tipos diferentes de culturas, enquanto a outra tinha dados para 51 tipos. Eles escolheram a coleção menor e equilibrada de 2.200 registros, onde cada uma das 22 culturas aparecia exatamente 100 vezes. Esse equilíbrio era crucial porque garantia que os modelos de computador não fossem tendenciosos em relação às culturas mais comuns. Eles então treinaram cinco tipos diferentes de algoritmos de computador com esses dados. Estes incluíam um modelo linear simples, um método que observa pontos de dados próximos, um grande grupo de árvores de decisão trabalhando juntas, um poderoso algoritmo de boosting que aprende com seus erros e uma rede neural projetada para imitar o cérebro humano.

Os pesquisadores primeiro testaram esses cinco modelos usando suas configurações padrão para ver como performavam. Os resultados mostraram que o grupo de árvores de decisão, conhecido como Random Forest, e o algoritmo de boosting eram os concorrentes mais fortes. A rede neural também teve um bom desempenho, enquanto os modelos mais simples ficaram um pouco atrás. Em seguida, a equipe pegou os três melhores desempenhos e dedicou tempo para ajustá-los. Esse processo envolveu o ajuste das configurações internas de cada modelo, como a profundidade que as árvores de decisão poderiam crescer ou a velocidade com que a rede neural aprendia, para extrair cada fragmento possível de precisão. Eles utilizaram um método rigoroso para garantir que não estivessem inadvertidamente deixando os dados de teste influenciarem o treinamento, mantendo os dados estritamente separados.

Após aperfeiçoar esses três modelos individuais, os pesquisadores construíram três tipos diferentes de conjuntos (ensembles). Eles criaram um sistema onde os modelos votavam na resposta, outro onde calculavam a média de seus níveis de confiança e um terceiro onde um modelo mestre aprendia como combinar as previsões dos outros. Eles também ajustaram esses sistemas de grupo tão cuidadosamente quanto os modelos individuais. A comparação final revelou uma verdade surpreendente e prática. O modelo único de Random Forest, uma vez perfeitamente ajustado, alcançou uma precisão de 99,54 por cento. Os sistemas de conjunto mais sofisticados, após todo o seu ajuste, atingiram exatamente a mesma pontuação. De fato, os complexos sistemas de grupo não melhoraram o resultado nem mesmo uma fração de um percentual.

O estudo conclui que, para este tipo específico de dados agrícolas, adicionar mais modelos à mistura não torna a previsão melhor. Os pesquisadores descobriram que os próprios dados têm um limite para o quão precisamente podem ser previstos, e um modelo único e bem calibrado pode atingir esse limite de forma tão eficaz quanto uma equipe massiva de modelos. Essa descoberta é significativa porque sugere que agricultores e organizações agrícolas não precisam investir em sistemas de computador caros e complexos que executam dezenas de modelos simultaneamente. Em vez disso, eles podem confiar em um modelo de Random Forest único e leve, que é mais fácil de instalar, mais barato de operar e igualmente preciso. O trabalho demonstra que, na busca por recomendações de cultivo melhores, a simplicidade e o ajuste cuidadoso podem ser tão poderosos quanto a complexidade.