Publicação: Integração de parâmetros ambientais e machine learning na modelagem do solo para agricultura sustentável
Carregando...
Arquivos
Data
2024-11-12
Autores
Orientador
Lourenço, Roberto Wagner 
Coorientador
Marques, Márcio Alexandre
Pós-graduação
Ciências Ambientais - ICTS
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Tese de doutorado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
O modelo agrícola convencional, embora contribua para o aumento da produção de alimentos, está associado a impactos ambientais que comprometem sua sustentabilidade a longo prazo. Para mitigar esses impactos, a Organização das Nações Unidas (ONU) propõe, por meio dos Objetivos de Desenvolvimento Sustentável (ODS), a eliminação da fome através de práticas agrícolas sustentáveis. Nesse contexto, o aprimoramento das técnicas de Agricultura de Precisão (AP), aliado ao entendimento do solo como um sistema dinâmico de aptidão fértil, tem se mostrado promissor. Esse avanço é impulsionado pelo uso de imagens de satélite e pela aplicação de Inteligência Artificial (IA), especialmente técnicas de Machine Learning (ML), com destaque para o algoritmo Random Forest (RF), utilizado neste estudo para modelar a Bacia Hidrográfica do Rio Sorocabuçu (BHRS) e identificar áreas mais e menos aptas ao cultivo de olerícolas. Foram realizadas análises físico-químicas em 27 pontos amostrais da BHRS, e os resultados foram segmentados em classes de teor de fertilidade agrícola. A modelagem textural do solo foi conduzida com técnicas de ML, enquanto análises estatísticas multivariadas investigaram o comportamento das concentrações dos parâmetros físico-químicos, identificando variáveis significativas que influenciam a aptidão agrícola da bacia hidrográfica. Além disso, as classes de declividade e a distância euclidiana aos corpos hídricos foram utilizadas para segmentar áreas em níveis de aptidão agrícola. Uma amostragem proporcional estratificada, baseada na extensão territorial de cada classe textural do solo, permitiu treinar o algoritmo RF para classificar as áreas como mais aptas, medianamente aptas ou menos aptas ao cultivo de olerícolas. Os resultados, validados com dados de campo, confirmaram a robustez do modelo e indicaram uma predominância da classe textural argilosa na BHRS. Em relação aos micronutrientes, foi observada uma boa distribuição espacial dos teores de Cobre (Cu), Manganês (Mn) e, parcialmente, Zinco (Zn), enquanto o Boro (B) e o Ferro (Fe) apresentaram, respectivamente, classes de baixo e alto teor predominantes. Quanto aos macronutrientes, a BHRS demonstrou predisposição ao Enxofre (S), Magnésio (Mg) e Cálcio (Ca), com boa distribuição espacial, mas revelou deficiências em P-resina e Potássio (K). O solo da bacia hidrográfica foi caracterizado por acidez baixo-média (pH). A análise estatística apontou variações significativas na Capacidade de Troca Catiônica (CTC), Mg, S, Saturação por Bases (V%), Cu, Matéria Orgânica (MO), P-resina e Zn entre as classes texturais predominantes. A declividade foi identificada como a variável mais influente nas decisões do algoritmo, destacando a relevância da topografia na produtividade agrícola e reforçando a necessidade de práticas conservacionistas e planejamento territorial, essenciais para mitigar impactos ambientais negativos que podem comprometer a capacidade produtiva do solo. Os resultados obtidos oferecem subsídios importantes para o cumprimento das metas dos ODS 2, 12 e 13 da ONU. Modelos semelhantes podem ser desenvolvidos considerando os parâmetros mais relevantes, simplificando futuras aplicações. Além disso, recomenda-se a segmentação por sub-bacias hidrográficas para uma gestão mais eficiente, priorizando práticas conservacionistas que maximizem o potencial produtivo e assegurem a sustentabilidade da BHRS.
Resumo (inglês)
The conventional agricultural model, although contributing to increased food production, is associated with environmental impacts that threaten its long-term sustainability. To mitigate these impacts, the United Nations (UN) proposes, through the Sustainable Development Goals (SDGs), the elimination of hunger via sustainable agricultural practices. In this context, the enhancement of Precision Agriculture (PA) techniques, combined with the understanding of soil as a dynamic system of fertile suitability, has shown promise. This advancement is driven by the use of satellite imagery and the application of Artificial Intelligence (AI), especially Machine Learning (ML) techniques, with particular emphasis on the Random Forest (RF) algorithm, used in this study to model the Sorocabuçu River Basin (SRB) and identify areas more and less suitable for vegetable crop cultivation. Physico-chemical analyses were conducted at 27 sampling points within the SRB, and the results were segmented into classes of agricultural fertility levels. Soil texture modeling was performed using ML techniques, while multivariate statistical analyses investigated the behavior of the concentrations of physico-chemical parameters, identifying significant variables that influence the agricultural suitability of the watershed. Additionally, slope classes and Euclidean distance to water bodies were used to segment areas into agricultural suitability levels. A stratified proportional sampling, based on the territorial extent of each soil texture class, was used to train the RF algorithm to classify areas as more suitable, moderately suitable, or less suitable for vegetable cultivation. The results, validated with field data, confirmed the robustness of the model and indicated a predominance of clayey texture class in the SRB. Regarding micronutrients, a good spatial distribution of Copper (Cu), Manganese (Mn), and partially Zinc (Zn) was observed, while Boron (B) and Iron (Fe) showed, respectively, predominant classes of low and high content. As for macronutrients, the SRB demonstrated a predisposition to Sulfur (S), Magnesium (Mg), and Calcium (Ca), with good spatial distribution, but revealed deficiencies in Resin Phosphorus (P-resin) and Potassium (K). The soil of the watershed was characterized by low-medium acidity (pH). Statistical analysis revealed significant variations in Cation Exchange Capacity (CEC), Mg, S, Base Saturation (V%), Cu, Organic Matter (OM), P-resin, and Zn among the predominant texture classes. Slope was identified as the most influential variable in the algorithm's decisions, highlighting the relevance of topography in agricultural productivity and reinforcing the need for conservation practices and territorial planning, essential for mitigating negative environmental impacts that may compromise the soil's productive capacity. The results obtained provide important insights for achieving the UN SDGs 2, 12, and 13. Similar models can be developed by considering the most relevant parameters, simplifying future applications. Furthermore, it is recommended to segment by sub-basins for more efficient management, prioritizing conservation practices that maximize productive potential and ensure the sustainability of the SRB.
Descrição
Idioma
Português
Como citar
SANTOS, Arthur Pereira dos. Integração de parâmetros ambientais e machine learning na modelagem do solo para agricultura sustentável. Orientador: Roberto Wagner Lourenço. Coorientador: Márcio Alexandre Marques. 2024. 135 p. Tese (Doutorado em Ciências Ambientais) - Instituto de Ciência e Tecnologia, Universidade Estadual Paulista, Sorocaba, 2024.
