Reflectância vis-NIR-SWIR no mapeamento digital e na modelagem de atributos do solo

Abstract

O uso de tecnologia na agricultura vem crescendo a cada dia, ferramentas que auxiliam no manejo do solo são importantes para a tomada de decisões. Assim, este trabalho foi desenvolvido para contribuir com informações, que são relevantes para os produtores e pesquisadores e os resultados da pesquisa apresentados em dois artigos científicos. No primeiro artigo os objetivos foram caracterizar e representar a variabilidade espacial dos espectros dos solos estudados quanto à sua dependência, através de análise estatística multivariada e geoestatística, e testar e avaliar a eficiência de algoritmo de clusterização (reconhecimento de padrões) no mapeamento digital do solo com base no comportamento espectral considerando suas variações em profundidade, comparado ao mapeamento convencional. As análises espectrais foram realizadas com o sensor FieldSpec Pro com resolução de 1 nm na faixa de 400 a 1100 nm e 2 nm entre 1100 e 2500 nm, as amostras de solos foram obtidas por meio de tradagens utilizando o trado holandês, nas profundidades: 0-20; 20-40; 40-60; 60-80 e 80-100 cm. O comportamento espectral vis-NIR-SWIR dos solos estudados apresentou dependência espacial independentemente da profundidade avaliada. Isso possibilitou a obtenção de um mapa preliminar de solo, definindo unidades de mapeamentos distintas, o qual pode servir como uma ferramenta auxiliar em trabalhos de levantamento e mapeamento convencionais. No segundo artigo, o objetivo foi avaliar a modelagem, utilizando métodos baseado em aprendizado de máquina, com os seguintes algoritmos: máquina de vetor suporte (SVM), com as funções de Kernel linear e radial, mínimos quadrados parciais (PLSR), árvores de regressão (BT), Cubist e florestas aleatórias (RF). O desempenho preditivo foi avaliado com base nos valores de R², RMSE e RPIQ, posterior submetidos a uma análise de variância e teste de Tukey (α ≤ 5%) entre os modelos. O modelo Cubist apresentou do melhor desempenho para 85,72% dos atributos estudados (Dp, argila, areia, CO, pH e CE) é o SVM-L para 14,28% (silte). Embora os atributos Dp, CO, pH e CE apresentaram desempenhos ruins (R² < 0,60) entretanto os erros associados a predição (RMSE e RPIQ) não foram altos, viabilizando a modelagem.