Estimando XCO2 em cultivos de arroz e cana-de-açúcar a partir do sistema WOFOST

Abstract

A concentração de dióxido de carbono (CO2) no ar é um dos fatores que influenciam nas mudanças climáticas, que podem afetar a segurança alimentar e a qualidade de vida das pessoas, principalmente as mais vulneráveis. Por isso, é importante medir e estimar essa concentração em áreas onde se cultivam alimentos e fontes sustentáveis de energia, tais como o arroz e a cana-de-açúcar. Uma abordagem inovadora para estimar o XCO2 envolve a combinação de modelos mecanísticos de cultivo, como o WOrld FOod STudies (WOFOST), que calcula o balanço de carbono em áreas agrícolas, com modelos de aprendizado de máquina, formando um conjunto integrado de modelos (ensemble). Sendo assim, o presente trabalho utilizou dados de produtividade (SIDRA) em grandes áreas contínuas cana-de-açúcar (sequeiro) e arroz (alagadas) em uma série histórica dados de 1984 a 2022, das principais regiões produtoras do Brasil sob a hipótese de que o XCO2 poderia ser estimado a partir do ensemble dos modelos WOFOST com o Random Forest, usando dados de sensoriamento remoto (OCO-2/NASA) como fonte de XCO2 observado. Os resultados confirmam a hipótese, com: coeficiente de determinação R²= 0.81, 0.85 e 0.75; root mean square error RMSE=1.22, 1.17 e 1.3 ppm; erro médio da estimativa EME=8.0, 4.78 e 2.39 ppm para os modelos globais, sob cultivo de cana e arroz, respectivamente.

The concentration of carbon dioxide (CO2) in the air is one of the factors that influence climate change, which can affect food security and the quality of life of people, especially the most vulnerable. Therefore, it is important to measure and estimate this concentration in areas where food and sustainable sources of energy, such as rice and sugarcane, are grown. An innovative approach to estimating XCO2 involves combining mechanistic cultivation models, such as WOrld FOod STudies (WOFOST), which calculates the carbon balance in agricultural areas, with machine learning models, forming an ensemble of models. Therefore, the present work used productivity data (SIDRA) in large continuous areas of sugarcane (rainfed) and rice (flooded) in a historical series data from 1984 to 2022, from the main producing regions of Brazil under the hypothesis that XCO2 could be estimated from the ensemble of WOFOST models with Random Forest, using remote sensing data (OCO-2/NASA) as a source of observed XCO2. The results confirm the hypothesis, with R²= 0.81, 0.85 and 0.75; RMSE=1.22, 1.17 and 1.3 ppm; EME=8.0, 4.78 and 2.39 ppm for the global models, under sugarcane and rice cultivation, respectively.