Modelagem preditiva do crescimento do milhete em solos alterados por pesticidas e vinhaça usando interpretação de regressão SHAP

Por que isso importa para nossa comida e solo

A agricultura moderna depende de pesticidas para proteger as culturas e de subprodutos industriais como a vinhaça, um líquido rico em nutrientes proveniente do processamento da cana-de-açúcar, para adubar os campos. Mas misturar esses produtos químicos e resíduos no solo pode ter efeitos ocultos sobre o crescimento das plantas e a saúde do solo a longo prazo. Este estudo faz uma pergunta prática com grandes implicações: podemos usar modelos computacionais avançados para desvendar como essas substâncias interagem no solo e afetam uma cultura resistente de forragem, o milhete-perola, ao longo do tempo?

Um campo de testes para um solo agrícola em mudança

Os pesquisadores cultivaram plantas de milhete-perola em vasos sob condições de casa de vegetação, simulando áreas reais de cultivo de cana onde pesticidas e vinhaça são comuns. Eles se concentraram em dois produtos amplamente usados: tebuthiuron, um herbicida de longa duração, e tiametoxam, um inseticida, além da vinhaça, frequentemente aplicada como fertilizante líquido. Combinando a presença ou ausência de cada um desses três insumos, criaram solos com diferentes cenários de contaminação e adubação. A equipe então monitorou como as plantas de milhete responderam por meio de medidas básicas, porém informativas: o peso seco de raízes e parte aérea e a coloração das folhas, que reflete a clorofila e a saúde geral da planta.

Deixar os dados falarem com o aprendizado de máquina

Em vez de buscar relações simples de causa e efeito um a um, os autores recorreram a um conjunto de ferramentas de aprendizado de máquina. Esses modelos computacionais são projetados para encontrar padrões em dados complexos e ruidosos com os quais a estatística tradicional muitas vezes tem dificuldade. Eles testaram nove métodos de regressão, desde modelos lineares diretos até técnicas mais flexíveis como florestas aleatórias e regressão por processo gaussiano. Para garantir que os modelos não fossem apenas precisos, mas também compreensíveis, usaram um método chamado SHAP (Shapley Additive Explanations), que mostra quanto cada fator — tempo, pesticidas e vinhaça — empurra as previsões para cima ou para baixo para cada planta.

O tempo é o gigante silencioso no crescimento das plantas

Em todos os modelos, uma mensagem ficou clara: o tempo foi o principal motor das previsões. Quando o número de dias após a semeadura foi incluído, os modelos fizeram um trabalho modesto, mas significativo, de antecipar a biomassa de raízes e parte aérea. Quando o tempo foi removido, a acurácia desabou, explicando quase nenhuma da variação no crescimento das plantas. As análises SHAP confirmaram isso, mostrando que o tempo consistentemente teve a influência mais forte na biomassa prevista, enquanto os pesticidas e a vinhaça desempenharam papéis menores e dependentes do contexto. Isso faz sentido biologicamente — sistemas de raízes e parte aérea se desenvolvem gradualmente, e suas respostas a produtos químicos se acumulam ou desaparecem ao longo de semanas, em vez de aparecerem de imediato.

Agentes positivos e negativos na mistura do solo

Os modelos também captaram sinais mais sutis sobre como cada aditivo do solo afetou o crescimento do milhete. A vinhaça tendia a favorecer o desenvolvimento das plantas, atuando como condicionador do solo e fonte de nutrientes que frequentemente aumentava a biomassa da parte aérea nas simulações. Em contraste, o tebuthiuron e, em menor grau, o tiametoxam geralmente apresentaram contribuições neutras ou negativas, consistente com sua reputação como químicos persistentes que podem estressar plantas não alvo e a vida do solo. Importante, os modelos sugeriram que a interação entre esses fatores — como a vinhaça altera as condições do solo, como os pesticidas se degradam ou persistem, e como tudo isso muda ao longo do tempo — é complexa demais para ser capturada por qualquer medida feita em um único instante.

O que isso significa para uma agricultura mais inteligente e segura

Para um leitor geral, a conclusão principal é que prever o crescimento das plantas em solos tratados quimicamente não é apenas sobre quais produtos estão presentes, mas sobre há quanto tempo as plantas foram expostas e como essas substâncias interagem conforme as condições mudam. O estudo mostra que o aprendizado de máquina interpretável pode revelar esses padrões sensíveis ao tempo, mesmo quando os dados são bagunçados e os efeitos são modestos. Embora os modelos não fossem bolas de cristal perfeitas, eles confirmaram de forma consistente que a vinhaça pode favorecer o crescimento das plantas e que pesticidas persistentes podem prejudicá-lo, tudo sob a forte influência do tempo. Esse tipo de abordagem pode ajudar agricultores, agrônomos e reguladores a projetar estratégias de manejo que mantenham os solos produtivos ao mesmo tempo em que reduzem os riscos de longo prazo do acúmulo químico.

Citação: Frias, Y.A., de Almeida Moreira, B.R., Valério, T.S. et al. Predictive modeling of millet growth in pesticide- and vinasse-amended soils using SHAP regression interpretation. Sci Rep 16, 6935 (2026). https://doi.org/10.1038/s41598-026-35512-7

Palavras-chave: solos contaminados por pesticidas, milhete-perola, fertirrigação com vinhaça, aprendizado de máquina na agricultura, remediação do solo