Aprendizado de máquina estatístico para estimativa da emissão de co2 do solo em áreas agrícolas

Abstract

A concentração de gases de efeito estufa (GEE) na atmosfera, como o dióxido de carbono (CO2), aumentou consideravelmente devido a fontes antropogênicas. No Brasil, atividades agrícolas e florestais contribuem substancialmente para as emissões de CO2, principalmente devido ao desmatamento e à conversão de florestas nativas. Estudos anteriores demonstraram que FCO2 pode ser modelada com alta precisão usando uma grande quantidade de variáveis ambientais. No entanto, a conversão a longo prazo de florestas nativas para agroecossistemas ainda é pouco compreendida, especialmente no contexto brasileiro. Assim, a hipótese central deste estudo é que modelos de aprendizado de máquina baseados em ensembles de árvores, como Random Forest e Extreme Gradient Boosting, apresentam desempenho preditivo superior aos demais algoritmos avaliados para a estimativa da FCO2 em áreas agrícolas do Cerrado. Este projeto investigou a emissão de CO2 do solo (FCO2) em áreas agrícolas do bioma Cerrado, utilizando técnicas de aprendizado de máquina estatístico para modelar FCO2 com base em demais variáveis associadas. As técnicas utilizadas foram: redes neurais artificias (RNA), Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT) e Extreme Gradient Boosting (XGB). De maneira geral 70-80% das observações foram utilizadas para aprendizagem (processo de treinamento) dos modelos e 30-20% para validação. A acurácia dos modelos foi determinada por meio da correlação de Pearson (r), coeficiente de determinação (R2), erro quadrático médio (RMSE) e menor erro percentual absoluto médio (MAPE). Os modelos baseados em árvores ensemble apresentaram os melhores desempenhos. O Random Forest obteve o maior poder explicativo (R2 = 0,69) e o menor erro (RMSE = 1,18 µmol m-2 s-1), seguido de perto pelo XGB (R2 = 0,66; RMSE = 1,21 µmol m-2 s-1). Os modelos SVM apresentaram desempenho intermediário (R2 = 0,64), enquanto RNA e DT mostraram menor capacidade preditiva (R2 = 0,61). A análise de importância das variáveis, complementada pela análise de explicabilidade SHAP (SHapley Additive exPlanations), revelou que indicadores da atividade da vegetação, como a fluorescência induzida pelo sol (SIF), além de variáveis climáticas como temperatura e umidade, estiveram entre os principais preditores em todos os modelos. A recorrência dessas variáveis reforça o papel conjunto da atividade biológica, das condições térmicas e hídricas do solo na regulação da respiração do solo. Essa abordagem contribuiu para a compreensão da dinâmica do fluxo de CO2 em solos brasileiros e forneceu bases para a construção de padrões espaçotemporais mais precisos, essenciais para o desenvolvimento de estratégias eficazes de mitigação das mudanças climáticas.

The concentration of greenhouse gases (GHG) in the atmosphere, such as carbon dioxide (CO2), has increased considerably due to anthropogenic sources. In Brazil, agricultural and forestry activities contribute substantially to CO2 emissions, mainly due to deforestation and the conversion of native forests. Previous studies have demonstrated that FCO2 can be modeled with high accuracy using a large number of environmental variables. However, the long-term conversion of native forests to agroecosystems remains poorly understood, especially in the Brazilian context. Thus, the central hypothesis of this study is that ensemble tree-based machine learning models, such as Random Forest and Extreme Gradient Boosting, exhibit superior predictive performance compared to the other evaluated algorithms for estimating FCO2 in agricultural areas of the Cerrado. This study investigated soil CO2 emission (FCO2) in agricultural areas of the Cerrado biome using statistical machine learning techniques to model FCO2 based on associated environmental variables. The techniques applied were: artificial neural networks (ANN), Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT), and Extreme Gradient Boosting (XGB). In general, 70–80% of the observations were used for model training and 20–30% for validation. Model accuracy was assessed using Pearson's correlation coefficient (r), coefficient of determination (R²), root mean square error (RMSE), and mean absolute percentage error (MAPE). Ensemble tree-based models achieved the best overall performance. Random Forest yielded the highest explanatory power (R² = 0.69) and the lowest error (RMSE = 1.18 µmol m⁻² s⁻¹), followed closely by XGB (R² = 0.66; RMSE = 1.21 µmol m⁻² s⁻¹). SVM models showed intermediate performance (R² = 0.64), while ANN and DT exhibited lower predictive capacity (R² = 0.61). Variable importance analysis, complemented by SHAP (SHapley Additive exPlanations) explainability analysis, revealed that vegetation activity indicators, such as solar-induced fluorescence (SIF), along with climatic variables such as temperature and soil moisture, were among the main predictors across all models. The recurrence of these variables highlights the combined role of biological activity and soil thermal and hydric conditions in regulating soil respiration. This approach contributed to understanding the dynamics of CO2 flux in Brazilian soils and provided a foundation for building more accurate spatiotemporal patterns, essential for the development of effective climate change mitigation strategies.