O uso de redes neurais artificiais para estimar a produtividade e a biomassa total de cana-de-açúcar demonstrou resultados promissores em um estudo realizado no oeste do estado de São Paulo. A pesquisa avaliou como diferentes doses de micronutrientes aplicados no sulco de plantio e por pulverização foliar influenciam os resultados da lavoura, oferecendo uma alternativa de alta precisão para a tomada de decisão no campo.
O modelo implementado foi uma rede neural do tipo perceptron de múltiplas camadas, configurada para receber quatro variáveis de entrada: altura da planta, diâmetro do colmo e as doses de micronutrientes aplicadas no solo e nas folhas. Como saída, a rede entrega duas estimativas: a produtividade de colmos e a biomassa total.
Durante a fase de treinamento, a rede alcançou coeficiente de determinação (R²) de 0,98 e erro quadrático médio (MSE) de 0,000097, denotando alta aderência entre os dados estimados e os observados. Na fase de validação, que usou 20% das amostras não utilizadas no treinamento, o desempenho seguiu robusto, com R² de 0,78 e MSE de 0,000879. Esses resultados validam a capacidade da rede em predizer com precisão a produtividade com dados inéditos.
Em testes de dose de micronutrientes, tanto para aplicação via solo quanto foliar, a quantidade de 20 L ha⁻¹ mostrou-se a mais efetiva. Na aplicação foliar, por exemplo, a produtividade de colmos atingiu 58 t ha⁻¹. As aplicações acima desta dose não apresentaram ganhos adicionais e, em alguns casos, resultaram em redução da produtividade.
Para biomassa total — que inclui colmos, palha e ponteiros — os maiores rendimentos também foram observados com a dose de 20 L ha⁻¹. Em aplicação foliar, o rendimento alcançou 76,87 t ha⁻¹, substancialmente maior que as doses inferiores (por exemplo, 68,40 t ha⁻¹ com 40 L ha⁻¹).
Os mapas de superfície gerados com os dados observados e os valores preditos pela rede neural demonstraram correspondência visual e numérica, sustentando a conclusão de que o modelo consegue capturar adequadamente as interações entre doses de fertilização e características morfológicas da planta.
A precisão do sistema reduz a necessidade de coletas intensivas em campo, o que representa um avanço relevante na gestão agrícola. Com base em variáveis facilmente mensuráveis, como altura e diâmetro da planta, o agricultor pode obter previsões confiáveis para direcionar a aplicação de insumos e tomar decisões práticas.
Além de oferecer ganhos em eficiência no uso de micronutrientes, o modelo tem o potencial de ser incorporado a sistemas mais amplos de planejamento agrícola, explorando diferentes cenários de manejo e facilitando a alocação de recursos.
Por fim, a pesquisa reitera a utilidade das redes neurais em contextos onde variáveis interagem de maneira complexa e não linear, como é o caso da agricultura em solos tropicais. Especificamente, em culturas como a cana-de-açúcar, insumo estratégico para a bioeconomia, modelos que otimizam o rendimento têm implicações diretas no uso de território, produtividade e sustentabilidade.
