Para citar este trabalho use um dos padrões abaixo:
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.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo