Otimização amostral e predições multivariadas para mapeamento da fertilidade e qualidade do solo

• Processo: 23/02592-4
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de abril de 2023
• Data de Término da vigência: 31 de julho de 2024
• Área de conhecimento: Ciências Agrárias - Engenharia Agrícola
• Pesquisador responsável: Lucas Rios do Amaral
• Beneficiário: Derlei Dias Melo
• Instituição Sede: Faculdade de Engenharia Agrícola (FEAGRI). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 22/03160-8 - Mapeamento da variabilidade espacial dos solos e amostragem otimizada com o apoio de técnicas de sensoriamento: bases para uma agricultura de precisão mais eficiente e sustentável, AP.PNGP.PI
• Assunto(s): Agricultura de precisão Pedologia Geoestatística Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Agricultura de precisão | Ciência Do Solo | Geoestatística | machine learning | Mapeamento digital de solo | Agricultura de Precisão

Resumo

O planejamento amostral compreende uma das etapas mais importantes para caracterização do comportamento espacial das propriedades do solo. Porém, o manejo contínuo das áreas agrícolas altera o padrão da variabilidade dos atributos químicos, físicos e biológicos do solo, o que dificulta seu mapeamento por meio de amostragens. Para auxiliar tanto no planejamento amostral quando nas predições, o uso de covariáveis é uma possibilidade. Contudo, para obter ganhos significativos com essas técnicas, é mandatório que a estrutura de variabilidade espacial dos solos seja compreendida. Sendo assim, o objetivo desta pesquisa será integrar diversas camadas de informações do terreno, de manejo da área e de sensoriamento proximal e remoto como informações auxiliares ao direcionamento amostral e aumento da qualidade das predições. Para isso, dados simulados e amostragens realizadas em campo para diagnóstico da fertilidade química e da qualidade do solo serão empregadas, avaliando diferentes estratégias para alocação dos pontos amostrais. Para a predição das propriedades do solo em locais não amostrados, métodos geoestatísticos e algoritmos de aprendizado de máquina serão empregados. Os resultados obtidos pelas técnicas de otimização amostral e interpolação de dados serão comparados com grades amostrais regulares e por meio de amostras de validação.