Estimativa da produção da soja brasileira utilizando redes neurais artificiais

Emerson Rodolfo Abraham, Joao Gilberto Mendes dos Reis, Rodrigo Carlo Toloi, Aguinaldo Eduardo de Souza, Adriane Paulieli Colossetti

Resumo


Brasil e Estados Unidos foram responsáveis por dois terços da produção mundial da soja durante a safra de 2016/17, equivalente a cerca de 348,1 milhões de toneladas. A soja é o principal produto na corrente de comércio brasileira, visto que sua participação na balança comercial foi de 33%, com o volume exportado de 68 milhões de toneladas, equivalente a US$ 25,7 bilhões. Assim, faz-se necessário analisar e estimar a relação entre área plantada, produtividade e produção, visando tomadas de decisões que possam afetar o suprimento interno e externo desse cereal. Nesse contexto, propõe-se nesse trabalho, uma rede neural artificial para estimar a produção futura da soja brasileira. Utilizou-se o software Matlab R2017b e a Neural Network tool box para elaboração, treinamento, validação e testes da rede. Os dados foram coletados das séries históricas de 41 anos de área plantada, produtividade e produção, fornecidas pela Companhia Nacional de Abastecimento. Os resultados apontaram uma produção de 108,1 milhões de toneladas, para a safra 2017/2018, ou seja, uma pequena queda de 5% em relação à safra 2016/17 que foi de 114,1 milhões de toneladas.

Palavras-chave


Agronegócio; Sistemas inteligentes; Previsões em series temporais.

Texto completo:

PDF

Referências


BEALE, M.H.; HAGAN, M.T.; DEMUTH, H.B. Neural Network Toolbox. Getting Started Guide, 2017

CONAB. Companhia Nacional de Abastecimento. Séries Históricas de Área Plantada, Produtividade e Produção. Disponível em: , acesso em: 10/05/2018

COSTA NETO, PEDRO L. Estatística. 2ª edição. São Paulo. Blucher, 2002

DEAGRO. Departamento do Agronegócio. “Balança Comercial Brasileira do Agronegócio - Consolidado 2017” Disponível em: , acesso em: 10/05/2018

FAOSTAT. Food and Agriculture Organization of the United Nations. Disponível em: , acesso em: 10/05/2018

IBGE. Instituto Brasileiro de Geografia e Estatística (2018). “Apresentação PIB 2017”. Agência de Noticias IBGE. Disponível em: , acesso em: 10/05/2018

GHALKHANI, H.; GOLIAN, S.; SAGHAFIAN, B.; FAROKHNIA, A.; SHAMSELDIN, A. Application of surrogate artificial intelligent models for real‐time flood routing. Water and Environment Journal, vol. 27, n. 4, pp 535-548., 2013

GOMES, LUIZ F.A.M.; MACHADO, MARIA A.S.; CALDEIRA, ANDRE M.; SANTOS, DANILO J.;NASCIMENTO, WALLACE J. D. Time Series Forecasting with Neural Networks and Choquet Integral. Information Technology and Quantitative Management (ITQM). Procedia Computer Science v. 91. pp. 1119 – 1129, 2016

KO, M.; TIWARI, A.; MEHNEN, J. . A Review of Soft Computing Applications in Supply Chain Management. Applied Soft Computing v. 10(3), pp.661–674, 2010.

KOCAMAZ, UGUR ERKIN; TASKIN, HARUN, UYAROGLU, YILMAZ, GOKSU, ALPER. Control and Synchronization of chaotic supply chains using inteligente approaches. Computers & Industrial Engineering vol. 102, pp. 476-487, 2016

LABOISSIERE, L.A., FERNANDES, R.A., LAGE, G.G.. Maximum and minimum stock price forecasting of brazilian power distribution companies based on artificial neural networks. Applied Soft Computing vol 35, pp. 66 – 74, 2015

MAPA. Ministério da Agricultura, Pecuária e Abastecimento. Projeções do Agronegócio. Brasil 2015/16 a 2025/26. Projeções de Longo Prazo. Secretaria de Política Agrícola - SPA. Departamento de Crédito e Estudos Econômicos, 2016

MDCI. Ministério e Desenvolvimento Industria e Comécio Exterior (2018). “Séries Históricas - Balança Comercial Brasileira 1989-2017”. Disponível em: , acesso em: 10/05/2018

PEREIRA, LUIS. S. Water, Agriculture and Food: Challenges and Issues. Water Resources Management. vol. 31, n. 10, pp 2985–2999, 2017

SILVA, IVAN N.; SPATTI, DANILO H.; FLAUZINO, ROGÉRIO A.. Redes neurais artificiais para engenharia e ciências aplicadas. Fundamentos teóricos e aspectos práticos. 2ª edição, revisada e ampliada. São Paulo. Artliber, 2016

USDA. United States Department of Agriculture. Foreign Agricultural Service. Table 11: Soybean Area, Yield, and Production, Disponível em: , acesso em 12/09/2018.

WANG, JIAQIU; TSAPAKIS, IOANNIS; ZHONG, CHEN. A space–time delay neural network model for travel time prediction. Engineering Applications of Artificial Intelligence. vol. 52, pp. 145–160, 2016.




DOI: https://doi.org/10.30612/agrarian.v12i44.9209

Revista Agrarian

ISSN da versão online: ISSN 1984-2538
ISSN da versão impressa: ISSN 1984-252X (Cancelada)

Licença Creative Commons

Este obra está licenciada com uma Licença Creative Commons Atribuição-NãoComercial-CompartilhaIgual 3.0 Brasil.