CLASSIFICAÇÃO DE HORIZONTES DO SOLO USANDO IMAGENS HIPERESPECTRAIS COM TÉCNICAS DE APRENDIZAGEM DE MÁQUINA

Com a introdução de sensores precisos e modelos robustos para obter dados e classificar atributos, os levantamentos tradicionais podem ser aprimorados com uma abordagem analítica computacional. Este estudo teve como objetivo avaliar a eficiência da combinação da refletância espectral do solo (obtida por dois sensores de imagem hiperespecífica) com modelos robustos de ML (aprendizado de máquina) para classificar os horizontes do solo. Quatro monólitos foram coletados de perfis de solo localizados na região centro-norte do Estado do Paraná, Brasil. Houve uma influência significativa do tamanho da partícula e do carbono orgânico do solo na assinatura espectral dos solos. Apesar da sobreposição de dados entre horizontes adjacentes observada na PCA, os modelos de aprendizado de máquina foram capazes de classificar os horizontes com precisão promissora e a PCA explicou o conjunto de dados com uma porcentagem acima de 98%.