Aprendizado de máquina estatístico para estimativa da emissão de co2 do solo em áreas agrícolas

• Processo: 24/12296-6
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de fevereiro de 2025
• Data de Término da vigência: 31 de janeiro de 2026
• Área de conhecimento: Ciências Agrárias - Agronomia - Ciência do Solo
• Pesquisador responsável: Alan Rodrigo Panosso
• Beneficiário: Luis Felipe Trevelim
• Instituição Sede: Faculdade de Ciências Agrárias e Veterinárias (FCAV). Universidade Estadual Paulista (UNESP). Campus de Jaboticabal. Jaboticabal , SP, Brasil
• Assunto(s): Aprendizado computacional Inteligência artificial Mudança climática Respiração do solo
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Inteligência Artificial | Mudanças Climáticas | Respiração do solo | Emissão de CO2 do solo

Resumo

Resumo: A concentração de gases de efeito estufa (GEE) na atmosfera, como o dióxido de carbono (CO2), aumentou consideravelmente devido a fontes antropogênicas. No Brasil, atividades agrícolas e florestais contribuem substancialmente para as emissões de CO2, principalmente devido ao desmatamento e à conversão de florestas nativas. Estudos anteriores demonstraram que FCO2 pode ser modelada com alta precisão usando uma grande quantidade de variáveis ambientais. No entanto, a conversão a longo prazo de florestas nativas para agroecossistemas ainda é pouco compreendida, especialmente no contexto brasileiro. Assim, a hipótese central é que as mudanças no uso da terra para fins agrícolas alteram os atributos químicos e físicos do solo, induzindo mudanças na emissão de CO2. Este projeto visa investigar a emissão de CO2 do solo (FCO2) em áreas agrícolas do bioma Cerrado, utilizando técnicas de aprendizado de máquina estatístico para modelar FCO2 com base em demais variáveis associadas. As técnicas utilizadas serão: redes neurais artificias (RNA), Sistema de Inferência Adaptativo Neuro-Difuso (ANFIS), máquina de vetores de suporte (SVM), Random Forest e Extreme Gradient Boosting. De maneira geral 70-80% das observações serão utilizadas para aprendizagem (processo de treinamento) dos modelos e 30-20% para validação. 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 a compreensão da dinâmica do fluxo de CO2 em solos brasileiros e forneça bases para a construção de padrões espaçotemporais mais precisos, essenciais para o desenvolvimento de estratégias eficazes de mitigação das mudanças climáticas.