ESPECTROSCOPIA VIS-NIR-SWIR E MACHINE LEARNING NA PREDIÇÃO DO TAMANHO DE PARTÍCULAS E CONTEÚDO DE MATÉRIA ORGÂNICA DO SOLO

A utilização de algoritmos de machine learning para modelagem de dados de reflectância espectral é uma abordagem promissora para estimar atributos do solo. Este estudo explorou o potencial da assinatura espectral do solo em diferentes faixas (VIS-NIR, SWIR e VIS-NIR-SWIR), usando sensores hiperespectrais imageadores e não-imageadores, para prever atributos como o tamanho de partículas e carbono orgânico do solo. Seis monólitos de solos do noroeste do Paraná foram analisados com câmeras hiperespectrais e espectrorradiômetro. Os algoritmos KNN, RF e NN mostraram melhor desempenho, com coeficientes de determinação (R²) superiores a 0,97 para predição de areia e argila. No entanto, a precisão foi menor para silte e carbôno, com R² entre 0,40 e 0,59. O KNN se destacou como o melhor modelo preditivo. A integração de modelos eficazes e bases de dados robustas pode melhorar a precisão na predição de atributos do solo.