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)