Favorite this paper
How to cite this paper?
Abstract

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.

Share your ideas or questions with the authors!

Did you know that the greatest stimulus in scientific and cultural development is curiosity? Leave your questions or suggestions to the author!

Sign in to interact

Have a question or suggestion? Share your feedback with the authors!

Institutions
  • 1 Universidade Federal de Uberlândia
  • 2 Engenharia de Agrimensura e Cartográfica - Universidade Federal de Uberlândia
  • 3 Programa de Pós-graduação em Agricultura e Informações Geoespaciais – Instituto de Ciências Agrárias
  • 4 Instituto de Geografia - Universidade Federal de Uberlândia
  • 5 Instituto de Ciências Agrárias - Universidade Federal de Uberlândia
  • 6 Instituto de Química - Universidade Federal de Uberlândia
Track
  • 36. Soils and soil moisture
Keywords
Teor de Carbono
Sensoriamento remoto
Random Forest
Imagens multiespectrais