Busca avançada
Ano de início
Entree

Predição de teor de carbono orgânico em solos brasileiros através de sensoriamento proximal

Processo: 24/18138-3
Modalidade de apoio:Bolsas no Brasil - Programa Estímulo a Vocações Científicas
Data de Início da vigência: 20 de janeiro de 2025
Data de Término da vigência: 11 de março de 2025
Área de conhecimento:Ciências Agrárias - Agronomia - Ciência do Solo
Pesquisador responsável:Sérgio Henrique Godinho Silva
Beneficiário:Carlos Henrique de Andrade
Instituição Sede: Escola de Ciências Agrárias. Universidade Federal de Lavras (UFLA). Ministério da Educação (Brasil). Lavras , SP, Brasil
Assunto(s):Pedometria   Aprendizado computacional   Fluorescência de raio X   Predição   Solos   Carbono orgânico   Sensoriamento
Palavra(s)-Chave do Pesquisador:Aprendizado de Máquina | Fluorescência de Raios-X | Modelos de Predição | variabilidade do solo | Pedometria

Resumo

O solo é o principal reservatório mundial de carbono (C). Diante das mudanças climáticas, da dinâmica das formas de C no solo e a participação do C em gases de efeito estufa, especialmente nas formas de CO2 e CH4, cresce a atenção dada a este elemento químico. A sua mensuração dos teores de C orgânico no solo exige, no geral, a realização de análises laboratoriais diversas, que requerem reagentes químicos, uma série de equipamentos, e ainda o tratamento dos resíduos gerados. Sensores proximais, como o espectrômetro portátil de fluorescência de raios-X (pXRF), têm obtido sucesso em gerar variáveis (teor de elementos químicos componentes das amostras, no caso do pXRF) que, juntamente com algoritmos de aprendizado de máquina, conseguem estimar o teor de C e outros atributos dos solos. Entretanto, ainda são raros os trabalhos usando pXRF neste contexto e com grande número de amostras de solos contrastantes do país. Assim, este projeto objetiva testar diferentes algoritmos de aprendizado de máquina e banco de dados de mais de 3.000 amostras de solos brasileiros para a predição de C orgânico. Serão testados pelo menos três algoritmos de aprendizado de máquina (Cubist, Random Forest e Support Vector Machine) em 70% dos dados, deixando os 30% restantes para a validação dos modelos. Este banco de dados já está disponível para utilização. Espera-se, com este projeto, gerar modelos que consigam predizer o teor de C de solos brasileiros com elevada acurácia, a partir de dados do pXRF. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)