As mudanças climáticas representam um grande risco para os sistemas agrícolas do mundo, pois estão alterando os regimes de temperatura, os padrões de precipitação e a dinâmica do solo, o que está enfraquecendo a produção de culturas e a estabilidade dos ecossistemas. A pesquisa proposta é uma estrutura de modelagem híbrida que combina Regressão Linear Múltipla (MLR) com uma arquitetura de aprendizado profundo (PatchTST) baseada no Transformer para quantificar e prever o efeito da variabilidade climática na produtividade da agricultura. Dados de múltiplas fontes, incluindo dados globais de clima, dados de culturas e dados do solo ISRIC-WISE, foram harmonizados através de rigorosos passos de pré-processamento que incluíram imputação, normalização e alinhamento espacial-temporal. A análise de regressão revela um impacto negativo estatisticamente significativo da temperatura na produtividade das culturas, enquanto a precipitação e a fertilidade do solo exibem contribuições positivas. Para capturar dependências não-lineares complexas e padrões temporais de longo prazo, o modelo PatchTST foi treinado usando entradas de séries temporais enriquecidas com índices de vegetação derivados de satélites. O modelo proposto supera significativamente as abordagens convencionais de aprendizado profundo, alcançando um R2 de 0.98, RMSE de 0.0172 e MAE de 0.0134. A interpretabilidade baseada em atenção destaca a umidade do solo e o NDVI como preditores dominantes, reforçando a relevância física e agronômica do modelo. As descobertas indicam que a integração de modelos estatísticos interpretáveis com aprendizado profundo avançado melhora a precisão preditiva, abordando as limitações de transparência das abordagens de caixa-preta. A estrutura suporta a implantação prática em planejamento agrícola regional, formulação de políticas de risco climático e sistemas de apoio à decisão em nível de fazenda, demonstrando sua aplicabilidade direta à gestão agrícola do mundo real.
Haque et al. (Sun,) estudaram essa questão.