Influência das Variações Climáticas no Mercado de Manga em Petrolina-PE
Modelagem com LSTM e ARIMA
DOI:
https://doi.org/10.51359/1679-1827.2025.268133Palavras-chave:
Produção de manga, Mudanças Climáticas, Reinforcement Learning, ARIMAResumo
Objetivo: Investigar os impactos das temperaturas extremas e da variabilidade climática na produção de manga na região de Petrolina-PE, utilizando técnicas de modelagem estatística (ARIMA) e inteligência artificial (Reinforcement Learning e LSTM) para prever cenários futuros e apoiar a formulação de estratégias adaptativas na agricultura.
Método/abordagem: A pesquisa utiliza séries temporais de produção de manga e aplica modelos de previsão: ARIMA, Rede Neural Recorrente (LSTM) e Reinforcement Learning. A abordagem combina análise estatística e aprendizado de máquina para identificar padrões climáticos e projetar os efeitos das mudanças climáticas sobre a produção agrícola
Contribuições teóricas/práticas/sociais: As contribuições do estudo abrangem diferentes dimensões. No campo teórico, a pesquisa avança a discussão ao integrar técnicas estatísticas tradicionais com métodos de inteligência artificial aplicados à previsão agrícola em cenários de variabilidade climática. Em termos práticos, disponibiliza aos produtores ferramentas que auxiliam na melhoria da tomada de decisão, contemplando o planejamento da colheita, a gestão da irrigação e a seleção de cultivares mais adaptados às condições adversas. Já no aspecto social, o trabalho contribui para a sustentabilidade da cadeia produtiva da manga em Petrolina, fortalecendo o desenvolvimento econômico local e mitigando os riscos associados às mudanças climáticas.
Originalidade/relevância: O estudo é original por integrar técnicas tradicionais (ARIMA) com métodos avançados de inteligência artificial (Reinforcement Learning e LSTM) para analisar os efeitos das mudanças climáticas na produção de manga em uma região semiárida estratégica para o Brasil. A relevância está na contribuição direta para a segurança alimentar, geração de renda e formulação de políticas agrícolas adaptativas.
Referências
Andrade, P. F. de S. (2020). Fruticultu-ra, análise da conjuntura: prognóstico 2020.
Araújo, W. B. C., Campos, R. T., & Campos, K. C. (2018). Análise da Ca-deia Produtiva da Manga em Petroli-na. Revista Política Agrícola, 4, 122–133.
Bashir, M. F., Ma, B., Bilal, Komal, B., Bashir, M., Tan, D., & Bashir, M. (2020). Correlation between climate indicators and COVID-19 pandemic in New York, USA. January. https://doi.org/https://doi.org/10.1016/j.scitotenv.2020.138835
Bastien-Olvera, B. A., Granella, F., & Moore, F. C. (2022). Persistent effect of temperature on GDP identified from lower frequency temperature variability. Environmental Research Letters, 17(8), 084038. https://doi.org/10.1088/1748-9326/ac82c2
Bathiany, S., Dakos, V., Scheffer, M., & Lenton, T. M. (2018). Climate models predict increasing temperature variability in poor countries. Science Advances, 4(5). https://doi.org/10.1126/sciadv.aar5809
Box, G. E. P., & Jenkins, G. M. (1970). Time Series Analysis: Forecasting and Control. 112.
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control. Journal of Marketing Research. https://doi.org/10.2307/3150485
Campos, P. A. C., & Cordeiro, A. A. L. de. (2006). Aplicação do modelo ARI-MA para previsão do preço do frango inteiro resfriado no grande atacado do estado de São Paulo. Em XIII Congresso Brasileiro de Custos.
CEPEA. (2024). Cepea (Centro de Estu-dos Avançados em Economia Aplicada), da Esalq/USP.
Chevuturi, A., Klingaman, N. P., Turner, A. G., Guo, L., & Vidale, P. L. (2022). Projected Changes in the East Asian Hydrological Cycle for Different Levels of Future Global Warming. Atmosphere, 13(3), 1–25. https://doi.org/10.3390/atmos13030405
De Oliveira, J. R., Moreira, N. M., De Carvalho, A. C., Dos Santos, A. B. C., & Da Silva, I. L. do S. S. (2022). Efeito da densidade de inóculo, temperatura, período de molhamento sobre o de-senvolvimento de lesões e controle alternativo de antracnose e podridão peduncular de manga Tommy Atkins. Brazilian Journal of Animal and Environmental Research, 5(4), 4410–4428. https://doi.org/10.34188/bjaerv5n4-084
Dennys, G., & De, M. S. B. (2015). Im-pacto do Aumento de Temperatura na Produção da Mangueira Impact of Tempe-rature Rise on Mango Production. https://ainfo.cnptia.embrapa.br/dig
EMBRAPA. (2023). Produção brasileira de manga em 2022. 4–7.
EMBRAPA. (2019). Cultivo da Manguei-ra Apresentação Socioeconomia (3a ed.). Empresa Brasileira de Pesquisa Agro-pecuária (Embrapa). https://doi.org/Disponível em: https://www.infoteca.cnptia.embrapa.br/bitstream/doc/884451/1/CultivodaMangueira.pdf. Acesso: agosto de 2024
EMBRAPA. (2023). BRASIL EM 50 ALIMENTOS. Em Empresa Brasileira de Pesquisa Agropecuária (pp. 1–17). https://doi.org/Acesso: Agosto de 2024
FAO. (2024). OECD-FAO Agricultural Outlook 2024-2033. Em OECD-FAO Agricultural Outlook 2024-2033. https://doi.org/10.4060/cd0991en
Glenn, E. P., Hodges, C. N., Lieth, H., Pielke, R., & Pitelka, L. (1992). Climate. Environment, 34(3), 5–40. https://doi.org/10.1080/00139157.1992.9931432
Gondim, R. S., Maia, A. de H. N., Fi-gueirêdo, M. C. B. de, Bezerra, M. A., & Carvalho, C. A. C. de. (2017). Mu-danças climáticas e Agricultura (Vol. Parte 2-). http://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/1076096. Acesso: Julho de 2024
Gondim, R. S., Maia, A. de H. N., Fi-gueirêdo, M. C. B. de, & Evangelista, S. R. M. (2022). Mudanças Climáticas, Agricultura Irrigada e Integração De Modelos. Journal of the Japan Welding Society, 91(5), 328–341. https://doi.org/10.2207/jjws.91.328
Graves, A. (2012). Supervised Sequence Labelling with Recurrent Neural Networks (Vol. 385).
Guyennon, N., Salerno, F., Rossi, D., Rainaldi, M., Calizza, E., & Romano, E. (2021). Climate change and water abstraction impacts on the long-term variability of water levels in Lake Bracciano (Central Italy): A Random Forest approach. Journal of Hydrology: Regional Studies, 37(April), 1–13. https://doi.org/10.1016/j.ejrh.2021.100880
Harmon, M. E., & Harmon, S. S. (2020). Reinforcement Learning: A Tutorial. Synthesis Lectures on Artificial Intelligence and Machine Learning, 9(July 2000), 1–89. https://www.researchgate.net/publication/2464216. Acesso: Agosto de 2024
Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Howard, P., & Sylvan, D. (2021). Gauging Economic Consensus on Climate Change. I. for P. Integrity.
Hussain, M., Butt, A. R., Uzma, F., Ahmed, R., Irshad, S., Rehman, A., & Yousaf, B. (2020). A comprehensive review of climate change impacts, adaptation, and mitigation on environmental and natural calamities in Pakistan. Environmental Monitoring and Assessment, 192(1). https://doi.org/10.1007/s10661-019-7956-4
IBGE. (2021). Sistema de Contas Nacio-nais. PIB dos Municípios. Instituto Bra-sileiro de Geografia e Estatística.
IPCC. (2014). Climate Change 2014 Synthesis Report Summary Chapter for Policymakers. Ipcc, 31.
IPCC. (2023). Health, Wellbeing and the Changing Structure of Communities. Climate Change 2022 – Impacts, Adaptation and Vulnerability, 1041–1170. https://doi.org/10.1017/9781009325844.009
Lima, J. R. (2023). MERCADO DE MANGAS E A IMPORTÂNCIA. Obser-vatório Da Manga- Embrapa.
Lima, J. R. F. de. (2023). Desenvolvimen-to Regional do Submédio Vale do São Francisco. SOBER-NE.
Lima, M. A. de. (2007). Impactos, Vulne-rabilidade e Adaptação às Mudanças Cli-máticas no Brasil Impactos na Agricultu-ra. Embrapa.
Lima, R. (2023). Desafios e Tendências dos Mercados de Uva e Manga.
Mackay, A. (2008). Climate Change 2007: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Journal of Environmental Quality, 37(6), 2407–2407. https://doi.org/10.2134/jeq2008.0015br
Malhi, G. S., Kaur, M., & Kaushik, P. (2021). Impact of climate change on agriculture and its mitigation strategies: A review. Sustainability (Switzerland), 13(3), 1–21. https://doi.org/10.3390/su13031318
Nations, U. (1992). United Nations Framework Convention. 62220.
Nobre, C. A., & Marengo, J. A. (2017). Mudanças climáticas em rede: um olhar interdisciplinar (1a ed.). Canal 6 Ed.
Pardhi, R., Singh, R., & Kumar Paul, R. (2018). Price Forecasting of Mango in Varanasi Market of Uttar Pradesh. Current Agriculture Research Journal, 6(2), 218–224. https://doi.org/10.12944/carj.6.2.12
Penman, J., Gytarsky, M., Hiraishi, T., Irving, W., & Krug, T. (2006). 2006 IPCC - Guidelines for National Greenhou-se Gas Inventories. http://www.ipcc-nggip.iges.or.jp/public/2006gl/index.html
Praveen, B., & Sharma, P. (2020). Climate variability and its impacts on agriculture production and future prediction using autoregressive integrated moving average method (ARIMA). Journal of Public Affairs, 20(2), 1–12. https://doi.org/10.1002/pa.2016
Puchalsky, W., Ribeiro, G. T., da Veiga, C. P., Freire, R. Z., & Santos Coelho, L. dos. (2018). Agribusiness time series forecasting using Wavelet neural networks and metaheuristic optimization: An analysis of the soybean sack price and perishable products demand. International Journal of Production Economics, 203(June), 174–189. https://doi.org/10.1016/j.ijpe.2018.06.010
Raza, T., Liwag, C. R. E. U., Andres, A. V. L., Castro, J. T., Cuña, A. C., Vina-rao, V. G., Raza, T. K. S., Marasigan, K. M. E., Espinosa, R. I. M., Rentoy, F. C., Perez, B. D., & Ahmed, N. (2020). Extreme weather disasters challenges for sustainable development: Innovating a science and policy framework for disaster-resilient and sustainable Quezon City, Philippines. Progress in Disaster Science, 5, 100066. https://doi.org/10.1016/j.pdisas.2020.100066
Reay, D., Sabine, C., Smith, P., & Hymus, G. (2007a). Intergovernmental Panel on Climate Change. Fourth Assessment Report. Geneva, Switzerland: Inter-gov- ernmental Panel on Climate Change. Cambridge; UK: Cambridge University Press; 2007. Available from: www. ipcc.ch. Em Intergovernmental Panel on Climate Change. https://doi.org/10.1038/446727a
Reay, D., Sabine, C., Smith, P., & Hymus, G. (2007b). Spring-time for sinks. Nature, 446(7137), 727–728. https://doi.org/10.1038/446727a
Shu, Z. H., & Sheen, T. F. (1987). Floral induction in axillary buds of mango (Mangifera indica L.) as affected by temperature. Scientia Horticulturae, 31(1–2), 81–87. https://doi.org/10.1016/0304-4238(87)90109-9
Shukla, P., Skea, J., Slade, A., Al Khourdajie, A., van Diemen, R., McCollum, D., Pathak, M., Some, S., Vyas, P., Fradera, R., Belkacemi, M., Hasija, A., Lisboa, G., Luz, S., & Malley, J. (2023). Summary for Policymakers in Climate Change 2022: Mitigation of Climate Change. Contribution of Working Group III to the Sixth Assessment Report of the IPCC. Em Climate Change 2022 - Mitigation of Climate Change. https://www.cambridge.org/core/books/climate-change-2022-mitigation-of-climate-change/summary-for-policymakers/ABC31CEA863CB6AD8FEB6911A872B321
Shumway, R. H., & Stoffer, D. H. (2011). Chapter 3: ARIMA Models. Time Series Analysis and Its Applications, 1970, 84–164. https://doi.org/10.1007/978-3-319-52452-8
Skendžić, S., Zovko, M., Živković, I. P., Lešić, V., & Lemić, D. (2021). The impact of climate change on agricultural insect pests. Em Insects (Vol. 12, Issue 5). https://doi.org/10.3390/insects12050440
Souza, A. C. F., & de Lima, J. R. F. (2023). Behavior of Palmer mango pri-ces to the producer of Vale do Submé-dio São Francisco. Revista de Economia e Sociologia Rural, 61(1), 1–20. https://doi.org/10.1590/1806-9479.2021.250161
Subrinho, A. G. de S., Araújo, J. L. P., de Lima, J. R. F., & Neto, A. S. (2021). Economic and financial determination of mango cultivation under different Irrigation Management, in the Curaçá Project, in Juazeiro - BA. International Journal of Advanced Engineering Rese-arch and Science, 8(10), 023–034. https://doi.org/10.22161/ijaers.810.3
Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction. Neurocomputing, 35(1–4), 205–206. https://doi.org/10.1016/s0925-2312(00)00324-6
Tebet, S. N. (2022). Produção Agrícola Municipal Culturas temporárias e permanentes. Em IBGE (Ed.), INSTI-TUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA - IBGE (Vol. 49).
Vidal, M. D. F. (2024). Fruticultura. Es-critório Técnico de Estudos Econômi-cos Do Nordeste - ETENE.
Vidal, M. de F. (2022). Agropecuária - Fruticultura. Caderno Setorial Etene, 7(228), 1–16. https://www.bnb.gov.br/s482-dspace/bitstream/123456789/1326/3/2022_CDS_228.pdf
WMO. (2021). State of the Global Climate 2020 (Issue 1264). https://library.wmo.int/index.php?lvl=noti-ce_display&id=21880#.YHg0ABMzZR0
Yadav, A., & Ghosh, S. (2019). Forecas-ting monthly farm tractor demand for India using MSARIMA and ARMAX models. Indian Journal of Agricultural Research, 53(3), 315–320. https://doi.org/10.18805/IJARe.A-5185
Zhang, H., Fan, J., Cao, W., Harris, W., Li, Y., Chi, W., & Wang, S. (2018). Response of wind erosion dynamics to climate change and human activity in Inner Mongolia, China during 1990 to 2015. Science of the Total Environment, 639, 1038–1050. https://doi.org/10.1016/j.scitotenv.2018.05.082
Zhong, S., Cheng, Q., Huang, C. R., & Wang, Z. (2021). Establishment and validation of health vulnerability and adaptation indices under extreme weather events on the basis of the 2016 flood in Anhui province, China. Advances in Climate Change Research, 12(5), 649–659. https://doi.org/10.1016/j.accre.2021.07.002
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Rita de Cássia de Vasconcelos Pedrosa, Guilherme Lopes de Campos , Denise Honorato Lopes da Silva, Hallysson Farias Gomes, Cláudio Tadeu Cristino
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Os trabalhos assinados são de responsabilidade exclusiva do(s) autor(es).
Os direitos, inclusive os de tradução, são reservados.
É permitido citar os trabalhos publicados sem autorização prévia desde que seja identificada a fonte.
