PREVISÃO DO VALOR BRIX: APLICAÇÃO DE ALGORITMOS DE MACHINE LEARNING

O consumo sustentável é um tema cada vez mais debatido na atualidade. Com o aumento da população mundial e a diminuição de recursos naturais, é necessário aplicar técnicas que conduzam a uma produção controlada combatendo assim o desperdício, pelo que a previsão da qualidade de produtos agrícolas é um tópico crucial na tomada de decisão. As áreas de Machine Learning e de Remote Sensing têm contribuído significativamente para responder a estas dificuldades, na medida em que o tempo de processamento desde a recolha de dados à previsão dos mesmos é relativamente curto. Desta forma, o principal propósito deste trabalho é estudar o potencial das imagens Sentinel-2, em parceria com a empresa Forging Lab, para a análise e previsão da qualidade de produtos agrícolas, pelo valor Brix, para que, posteriormente, se possam mitigar os riscos de perda e consequentemente aumentar os lucros. Ao longo do estudo utilizam-se várias abordagens de Machine Learning do ramo da aprendizagem supervisionada, nomeadamente, Regressão Linear (OLS), Support Vector Regression, Redes Neuronais, Random Forest e LightGBM. Na comparação dos resultados de previsão obtidos pelas várias abordagens em estudo, verifica-se que os modelos em que se aplicou o algoritmo Random Forest geram maior precisão e menores erros de previsão. O melhor modelo, do algoritmo Random Forest, apresentou um coeficiente de determinação de 87,87%, com erro absoluto médio de 0,2985 e erro quadrático médio de 0,2741.