Emissão de CO2 do solo e sua relação com CO2 atmosférico em áreas agrícolas do Mato Grosso do Sul: uma abordagem de aprendizado de máquina

• Processo: 21/02487-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de outubro de 2021
• Data de Término da vigência: 30 de setembro de 2022
• Área de conhecimento: Ciências Agrárias - Agronomia - Ciência do Solo
• Pesquisador responsável: Alan Rodrigo Panosso
• Beneficiário: Letícia Roberta de Lima
• Instituição Sede: Faculdade de Ciências Agrárias e Veterinárias (FCAV). Universidade Estadual Paulista (UNESP). Campus de Jaboticabal. Jaboticabal , SP, Brasil
• Assunto(s): Pedologia Inteligência artificial Aprendizado computacional Mineração de dados Mudança climática Dióxido de carbono Estudos de validação
• Palavra(s)-Chave do Pesquisador: Inteligência Artificial | Mineração de Dados | Mudanças Climáticas | Respiração do solo | Emissão de CO2 do solo

Resumo

Projeções indicam um contínuo crescimento do agronegócio brasileiro e consequente incremento nas emissões de Gases do Efeito Estufa (GEE) advindas desse setor. O dióxido de carbono (CO2) representa cerca de 66% das emissões totais de GEE do planeta, sendo o carbono orgânico do solo um dos principais reservatórios terrestre para o armazenamento e o intercâmbio de carbono (C) atmosférico, uma vez que, dependendo do uso e manejo de solos agrícolas, podem atuar como fontes ou sumidouros desse carbono. Modelar a dinâmica do carbono em áreas agrícolas é uma ação estratégica para a diminuição das incertezas associadas aos processos de mitigação de GEE e melhorar a capacidade de análises para construção de cenários mais acurados. Nas últimas décadas, técnicas de inteligência artificial e mineração de dados têm sido aplicadas com sucesso na modelagem de inúmeros atributos em ciência do solo. Assim, o objetivo da proposta será avaliar o desempenho preditivo de algoritmos de aprendizado de máquina para o estudo da relação de emissão de dióxido de carbono no solo (FCO2) e o CO2 atmosférico em áreas agrícolas na região do estado do Mato Grosso do Sul (MS), a partir de uma série temporal de 2015 a 2017. As técnicas utilizadas serão: máquina de vetores de suporte (SVM) e árvores de decisão (Random Forest e Gradient Boosting Machines). De maneira geral 70-80% das observações serão utilizadas para aprendizagem (processo de treinamento) dos modelos e 30-20% para validação. Novos experimentos estão sendo realizados em campo para validação dos resultados em áreas agrícolas. A acurácia dos modelos será determinada por meio da correlação de Pearson (r), coeficiente de determinação (R²), erro quadrático médio (RMSE), erro médio (ME), índice de concordância (d), coeficiente de confiança (c) e menor erro percentual absoluto médio (MAPE). Espera-se que essa abordagem contribua para melhorar o entendimento da dinâmica do FCO2 e CO2 atmosférico em diferentes regiões, usos e manejos dos solos no Brasil central, produzindo cenários com menores incertezas que possam servir como sustentáculo nas tomadas de decisões focadas na mitigação das emissões de CO2 em áreas agrícolas.(AU)