A agricultura contemporânea vem encontrando desafios, tais como, mudanças climáticas, aumento nos custos de produção, escassez de terras agricultáveis e recursos hídricos. Nesse cenário, torna-se cada vez mais necessária a busca por ferramentas para otimizar os processos agrícolas. O milho caracteriza-se como um produto fundamental para o agronegócio brasileiro e a sua produção é influenciada pela variabilidade climática, fertilidade do solo, tratos culturais, manejo de irrigação e fatores bióticos. Alinhado ao cultivo, o incremento de recursos computacionais e o surgimento da teoria da inteligência artificial, pesquisas utilizando técnicas do aprendizado de máquina vêm demonstrando a capacidade dessas ferramentas em otimizar o uso de recursos e auxiliar em tomadas de decisão. A gestão hídrica associada ao manejo da irrigação, com base na demanda da água pela cultura, representada pela taxa da evapotranspiração, ocupa posição de destaque no cultivo de milho, sendo que para sua obtenção, o método da FAO-56 Penman-Monteith (PM) vem sendo o mais aplicado. Como alternativa a esse método, estudos mostraram que algoritmos de machine learning podem ser eficientes em estimar a evapotranspiração de referência (ETo), bem como o rendimento da produção. Dessa forma, considerando a importância das ferramentas computacionais (e.g., DSSAT, ciência de dados) para a otimização das atividades agrícolas, os principais objetivos dessa pesquisa foram: a) desenvolver modelos preditivos de machine learning para a estimativa da ETo diária e do rendimento agrícola do cultivo de milho na região de Piracicaba e b) avaliar a performance desses modelos comparados a um experimento de campo. Para alcançar esses objetivos, a pesquisa foi dividida em três etapas: etapa 1) uso de uma série climática de 21 anos de dados diários (Posto Meteorológico da ESALQ/USP) para desenvolvimento de modelos preditivos de machine learning da ETo (support vector regression (SVR), histogram-based gradient boosting regression tree (HGBR) e multilayer perceptron regressor (MLPR)); etapa 2) simulação da produtividade de milho com o modelo DSSAT/CERES-MAIZE (Decision Support System for Agrotechnology Transfer) para as condições de Piracicaba para uma série de 30 anos de dados climáticos e desenvolvimento de modelos preditivos do rendimento agrícola utilizando os algoritmos extra-trees (EXT) e random forest (RF) e etapa 3) Aplicação dos modelos desenvolvidos em comparação a dados coletados a partir de um experimento em campo referente à condução do ciclo de cultivo do milho. Diante dos resultados obtidos, houve uma indicativa de que os modelos aplicados apresentaram desempenho satisfatório na predição da ETo e da produtividade do milho na região de Piracicaba, SP. O algoritmo HGBR obteve estimativas mais precisas para a ETo em comparação ao SVR e MLPR. Enquanto que, o RF obteve melhor performance na estimativa da produtividade do milho em comparação ao EXT. Portanto, diante das condições da pesquisa, conclui-se que os algoritmos de aprendizado de máquina apresentaram-se como ferramentas eficazes na predição da ETo e da produtividade do milho para as condições de Piracicaba, SP, inclusive quando comparados à coleta de dados em campo, passando a ser uma alternativa importante a modelos e métodos clássicos utilizados na gestão eficiente do sistema produtivo.

Contemporary agriculture is facing challenges such as climate change, rising production costs, scarcity of arable land and water resources. In this scenario, the search for tools to optimize agricultural processes becomes increasingly necessary. Maize is a fundamental product for Brazilian agribusiness, and its production is influenced by climate variability, soil fertility, cultural practices, irrigation management and biotic factors. Aligned with cultivation, the increase in computational resources and the emergence of artificial intelligence have shown the capacity of machine learning techniques to optimize resource use and aid in decision-making. Water administration associated with irrigation management, based on crop water demand represented by evapotranspiration rate, occupies a prominent position in maize cultivation, with the FAO-56 Penman-Monteith (PM) method being the most applied. As an alternative to this method, studies have shown that machine learning algorithms can be efficient in estimating reference evapotranspiration (ETo) as well as crop yield. Thus, considering the importance of computational tools (e.g., DSSAT, data science) for optimizing agricultural activities, the main objectives of this research were to: a) develop predictive machine learning models for estimating daily ETo estimation and maize agricultural yield in the Piracicaba region and b) evaluate the performance of these models compared to a field experiment. To achieve these objectives, the research was divided into three stages: stage 1) using a 21-year climate series of daily data (Meteorological Station of ESALQ/USP) for developing predictive machine learning models of ETo (support vector regression (SVR), histogram-based gradient boosting regression tree (HGBR) and multilayer perceptron regressor (MLPR)); stage 2) simulating maize productivity with the DSSAT/CERES-MAIZE model (Decision Support System for Agrotechnology Transfer) for Piracicaba conditions based on a 30-year series of climate data and developing predictive models of agricultural yield using the extra-trees (EXT) and random forest (RF) algorithms and 3) applying the developed models in comparison to data collected from a field experiment regarding the maize cultivation cycle. Based on the results obtained, there was an indication that the applied models showed a satisfactory performance in predicting ETo and maize productivity in the Piracicaba, SP, region. The HGBR algorithm provided more accurate estimates for ETo compared to SVR and MLPR, while RF performed better in estimating maize yield compared to EXT. Therefore, under the conditions of this research, it is concluded that machine learning algorithms proved to be effective tools in predicting ETo and maize yield for the conditions of Piracicaba, SP, becoming an important alternative to classical models and methods used in efficient management of the productive system.