Resumo A previsibilidade de indicadores epidemiológicos pode contribuir na projeção de variáveis dependentes, auxiliar em tomadas de decisões para sustentar ou não políticas públicas e justificar o cenário vivido pelos países e o mundo. O artigo tem por objetivo predizer o Índice de Desenvolvimento Humano e a expectativa de vida nos países latino-americanos no período de 2015 a 2020, utilizando técnicas de mineração de dados. Foram percorridas as etapas do processo Descoberta de Conhecimento em Base Dados. Adotaram-se para previsões modelos desenvolvidos com séries multivariadas através do algoritmo de mineração de dados SMOReg, que apresentaram melhor desempenho em testes desenvolvidos durante o experimento. As médias do Índice de Desenvolvimento Humano e da expectativa de vida nos países latino-americanos tendem a aumentar no período analisado, respectivamente, 4,99 ± 3,90 % e 2,65 ± 0,06 anos. Experiências multivariadas possibilitam maior aprendizagem dos algoritmos, aumentando sua precisão. As técnicas de mineração de dados apresentaram melhor qualidade nas previsões em relação à técnica mais popular, ARIMA. As previsões sugerem média de crescimento do IDH e EV dos países latino-americanos maiores que a mundial.

Abstract The predictability of epidemiological indicators can help estimate dependent variables, assist in decision-making to support public policies, and explain the scenarios experienced by different countries worldwide. This study aimed to forecast the Human Development Index (HDI) and life expectancy (LE) for Latin American countries for the period of 2015-2020 using data mining techniques. All stages of the process of knowledge discovery in databases were covered. The SMOReg data mining algorithm was used in the models with multivariate time series to make predictions; this algorithm performed the best in the tests developed during the evaluation period. The average HDI and LE for Latin American countries showed an increasing trend in the period evaluated, corresponding to 4.99 ± 3.90% and 2.65 ± 0.06 years, respectively. Multivariate models allow for a greater evaluation of algorithms, thus increasing their accuracy. Data mining techniques have a better predictive quality relative to the most popular technique, Autoregressive Integrated Moving Average (ARIMA). In addition, the predictions suggest that there will be a higher increase in the mean HDI and LE for Latin American countries compared to the mean values for the rest of the world.

Resumo A previsibilidade de indicadores epidemiológicos pode contribuir na projeção de variáveis dependentes, auxiliar em tomadas de decisões para sustentar ou não políticas públicas e justificar o cenário vivido pelos países e o mundo. O artigo tem por objetivo predizer o Índice de Desenvolvimento Humano e a expectativa de vida nos países latino-americanos no período de 2015 a 2020, utilizando técnicas de mineração de dados. Foram percorridas as etapas do processo Descoberta de Conhecimento em Base Dados. Adotaram-se para previsões modelos desenvolvidos com séries multivariadas através do algoritmo de mineração de dados SMOReg, que apresentaram melhor desempenho em testes desenvolvidos durante o experimento. As médias do Índice de Desenvolvimento Humano e da expectativa de vida nos países latino-americanos tendem a aumentar no período analisado, respectivamente, 4,99 ± 3,90 % e 2,65 ± 0,06 anos. Experiências multivariadas possibilitam maior aprendizagem dos algoritmos, aumentando sua precisão. As técnicas de mineração de dados apresentaram melhor qualidade nas previsões em relação à técnica mais popular, ARIMA. As previsões sugerem média de crescimento do IDH e EV dos países latino-americanos maiores que a mundial.

Abstract The predictability of epidemiological indicators can help estimate dependent variables, assist in decision-making to support public policies, and explain the scenarios experienced by different countries worldwide. This study aimed to forecast the Human Development Index (HDI) and life expectancy (LE) for Latin American countries for the period of 2015-2020 using data mining techniques. All stages of the process of knowledge discovery in databases were covered. The SMOReg data mining algorithm was used in the models with multivariate time series to make predictions; this algorithm performed the best in the tests developed during the evaluation period. The average HDI and LE for Latin American countries showed an increasing trend in the period evaluated, corresponding to 4.99 ± 3.90% and 2.65 ± 0.06 years, respectively. Multivariate models allow for a greater evaluation of algorithms, thus increasing their accuracy. Data mining techniques have a better predictive quality relative to the most popular technique, Autoregressive Integrated Moving Average (ARIMA). In addition, the predictions suggest that there will be a higher increase in the mean HDI and LE for Latin American countries compared to the mean values for the rest of the world.

No sistema plantio direto ocorre estratificação química no perfil do solo, incluindo o pH, sendo que níveis mais altos são formados a partir da superfície do solo em direção às camadas mais profundas. A acidez do subsolo é um importante fator limitante da produção agrícola. O uso de gesso tem sido indicado quando a acidez do subsolo apresenta limitação para o crescimento radicular, ou seja, quando o teor de cálcio (Ca) é baixo e/ou o nível de alumínio (Al) é tóxico em camadas do subsolo. Entretanto, existem muitas dúvidas sobre os métodos mais apropriados para estimar a necessidade de gesso. Esse estudo foi realizado com o objetivo de desenvolver modelos numéricos, por meio de técnicas de aprendizado de máquina, para a estimativa da necessidade de gesso em solos sob plantio direto. Análises computacionais foram realizadas em um conjunto de dados, aplicando-se o algoritmo M5'Rules, baseado em modelos de regressão. Esses dados corresponderam aos atributos químicos de solos coletados de experimentos sob plantio direto que receberam doses de gesso na superfície, ao longo de até oito anos após a aplicação, na região Sul do Brasil. Os resultados mostraram que os modelos numéricos gerados pelo algoritmo M5'Rules foram de grande utilidade para estimar as doses de gesso a serem empregadas em plantio direto. Os modelos mostraram que a saturação por Ca na capacidade de troca de cations efetiva (CTCe) foi um atributo mais importante do que a saturação por Al para estimar a necessidade de gesso em solos sob plantio direto.

Chemical stratification occurs under no-till systems, including pH, considering that higher levels are formed from the soil surface towards the deeper layers. The subsoil acidity is a limiting factor of the yield. Gypsum has been suggested when subsoil acidity limits the crops root growth, i.e., when the calcium (Ca) level is low and/or the aluminum (Al) level is toxic in the subsoil layers. However, there are doubts about the more efficient methods to estimate the gypsum requirement. This study was carried out to develop numerical models to estimate the gypsum requirement in soils under no-till system by the use of Machine Learning techniques. Computational analyses of the dataset were made applying the M5'Rules algorithm, based on regression models. The dataset comprised of soil chemical properties collected from experiments under no-till that received gypsum rates on the soil surface, throughout eight years after the application, in Southern Brazil. The results showed that the numerical models generated by rule induction M5'Rules algorithm were positively useful contributing for estimate the gypsum requirements under no-till. The models showed that Ca saturation in the effective cation exchange capacity (ECEC) was a more important attribute than Al saturation to estimate gypsum requirement in no-till soils.