APRIMORANDO MODELOS DE APRENDIZAGEM PROFUNDA PARA PECUÁRIA DE PRECISÃO COM KERASTUNER

Resumo

O agravamento das questões climáticas e o impacto ambiental potencial gerado pelo aumento da população demandam ampliação da produtividade de alimentos contemplando a baixa emissão de gases de efeito estufa, com destaque para a proteína animal. Diante desse problema, a correta gestão de pastagens, envolvendo a mensuração precisa da quantidade de pasto e a projeção adequada da oferta de forragem para o futuro (predição) permite um ajuste adequado da taxa de lotação, visando o bem estar animal associado a um ganho de peso ideal. Para aprimorar a gestão da pastagem, alguns métodos de aprendizagem de máquina para a predição do crescimento do pasto foram propostos em trabalhos anteriores. Ajustados de forma convencional, com uma abordagem empírica, os métodos apresentaram resultados relevantes, mas que poderiam ser aprimorados com a aplicação de uma ferramenta de ajuste fino e automatizado de hiperparâmetros, como KerasTuner, proposta em 2019 e que vem ganhando destaque recentemente. O objetivo fundamental do uso dessa ferramenta seria aumentar a acurácia da predição de massa de forragem de uma determinada área para melhorar o processo de tomada de decisão no manejo do gado. A construção do referencial teórico e a verificação da viabilidade do emprego da ferramenta se deram através de pesquisa exploratória. Através deste processo, foram aplicados métodos experimentais sobre um modelo que tem como base amostras da vegetação e de variáveis meteorológicas, desenvolvido por outros pesquisadores, baseado em uma arquitetura de rede neural recorrente denominada Long Short Term Memory (LSTM), acerca da predição de massa de forragem de uma determinada área de pastagem. A unidade de medida utilizada foi kg de matéria seca/ha tanto para cálculo como para a descrição do Erro Médio Quadrático (EQM), sendo as métricas obtidas em diferentes áreas de manejo equivalentes a 1949 e 1527 kg/ha. A base de dados conta com informações dos anos de 2007 a 2018, representativa de áreas utilizadas para pecuária em áreas de campo nativo, situadas na unidade Pecuária Sul da Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA), em Bagé-RS. O uso de redes neurais LSTM, torna o algoritmo capaz de considerar características de curto e longo prazo e, para isso, é de extrema importância que a entrada de dados seja inserida adequadamente, pois a precisão das previsões está intrinsecamente ligada à qualidade e à devida preparação dos dados temporais. Estes, por sua vez, tendo em vista o uso de KerasTuner, devem ser adaptados para viabilizar seu uso de forma seriada. A principal hipótese deste trabalho é que a aplicação de KerasTuner no modelo LSTM representará um avanço significativo na eficácia e eficiência da predição de massa de forragem, em comparação com os resultados anteriores, quando a ferramenta de ajuste fino não era empregada. Esta hipótese parte da identificação de trabalhos correlatos nos quais concluiu-se, a partir de experimentos, que a ferramenta proporcionou melhoria estimada entre 5% a 20% na acurácia em modelos LSTM aplicados a outros contextos, levando em consideração que a complexidade do algoritmo influencia diretamente no desempenho da ferramenta. Portanto, essa inclusão tende a possibilitar a obtenção de arranjos de hiperparâmetros mais eficazes que, por sua vez, contribuirão para alcançar níveis aprimorados de desempenho em relação à massa de forragem predita. Paralelamente, será feita uma análise em termos de tempo para o treinamento da rede neural e uso de recursos computacionais, especialmente relevante em função do tempo significativo gasto em processos, empíricos ou automatizados, de ajuste do modelo, visando uma computação mais sustentável. A eficiência na otimização desses hiperparâmetros pode ser crucial para a rapidez com que um modelo pode ser treinado e implementado em um cenário real, em que tempo e energia são recursos escassos. A relevância deste estudo se insere em um contexto onde é crucial adotar uma abordagem pró-ativa para enfrentar os desafios emergentes na produção moderna de alimentos. Com um foco direto na aplicação de métodos avançados de pecuária de precisão para a otimização do manejo de gado, no que tange a oferta de alimentos e o processo de ganho de peso dos animais, o resultado é a contribuição para a ampliação da produtividade e, consequentemente, de um maior lucro para o produtor e sustentabilidade. Neste contexto, a utilização de redes neurais cada vez mais eficientes se torna uma das principais soluções no âmbito da pecuária de precisão. Posto que, conforme exposto, pode auxiliar no grande desafio que é otimizar a oferta de forragem de uma determinada área. Tendo em vista a imprevisibilidade do ajuste manual e empírico de hiperparâmetros, o método demanda constante aprimoramento em seu funcionamento, papel exercido, neste caso, por KerasTuner.