To cite this paper use one of the standards below:
O carbono no solo é um indicador crucial da fertilidade e da sustentabilidade dos ecossistemas agrícolas. Este estudo teve como objetivo estimar o carbono total no solo por meio de dados multiespectrais e algoritmos de aprendizado de máquina, fornecendo uma alternativa eficiente às análises laboratoriais tradicionais. Amostras de solo foram coletadas sob diferentes sistemas de uso em propriedades localizadas nos municípios de Monte Carmelo, Patrocínio e Serra do Salitre, MG, Brasil, e imagens proximais foram capturadas com a câmera Mapir Survey 3W. Os dados radiométricos extraídos das bandas espectrais foram utilizados como variáveis de entrada em modelos preditivos. Três algoritmos de aprendizado de máquina foram comparados: Random Forest, Multilayer Perceptron e Random Tree. O algoritmo Random Forest apresentou o melhor desempenho, alcançando R² de 0,79 e RMSE de 30%, demonstrando potencial na estimativa de carbono a partir de dados de sensoriamento remoto. Esses resultados destacam a aplicabilidade do aprendizado de máquina como ferramenta eficiente na análise de solos e no monitoramento ambiental, facilitando a adoção de práticas agrícolas sustentáveis.
With nearly 200,000 papers published, Galoá empowers scholars to share and discover cutting-edge research through our streamlined and accessible academic publishing platform.
Learn more about our products:
This proceedings is identified by a DOI , for use in citations or bibliographic references. Attention: this is not a DOI for the paper and as such cannot be used in Lattes to identify a particular work.
Check the link "How to cite" in the paper's page, to see how to properly cite the paper