Emissão de CO2 do solo e sua relação com CO2 atmosférico em áreas agrícolas do estado do Mato Grosso do Sul: uma abordagem de aprendizado de máquina
Carregando...
Arquivos
Data
0024-07-05
Autores
Orientador
Panosso, Alan Rodrigo
Coorientador
Canteral, Kleve Freddy Ferreira
Pós-graduação
Curso de graduação
Jaboticabal - FCAV - Engenharia Agronômica
Título da Revista
ISSN da Revista
Título de Volume
Editor
UNESP
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
As projeções indicam um contínuo crescimento do agronegócio brasileiro e consequente incremento nas emissões de gases do efeito estufa (GEE) advindas desse setor. O dióxido de carbono (CO2) representa cerca de 66% das emissões totais de GEE do planeta, sendo o carbono orgânico do solo um dos principais reservatórios terrestres para o armazenamento e o intercâmbio de carbono (C) atmosférico, uma vez que, dependendo do uso e manejo de solos agrícolas, podem atuar como fontes ou sumidouros desse carbono. Modelar a dinâmica do carbono em áreas agrícolas é uma ação estratégica para diminuir incertezas associadas aos processos de mitigação de GEE e melhorar a capacidade de análises para construção de cenários mais acurados. Nas últimas décadas, técnicas de inteligência artificial e mineração de dados têm sido aplicadas com sucesso na modelagem de inúmeros atributos em ciência do solo. Assim, com o presente estudo objetivou-se avaliar o desempenho preditivo de algoritmos de aprendizado de máquina para o estudo da relação de emissão de dióxido de carbono no solo (FCO2) e o CO2 atmosférico (xCO2) em áreas agrícolas na região do estado do Mato Grosso do Sul (MS), a partir de uma série temporal de 2015 a 2017. Os algoritmos de Machine Learning utilizados foram: árvore de decisão (DT), árvores de decisão utilizando os algoritmos Random Forest (RF) e Extreme Gradient Boosting (XGBoost). Entre os três algoritmos de modelagem para simular a emissão de dióxido de carbono no solo (FCO2) neste estudo, os modelos de regressão RF e XGBoost foram os modelos de melhor desempenho.
Resumo (inglês)
Projections indicate a continuous growth of Brazilian agribusiness and a consequent increase in greenhouse gas (GHG) emissions from this sector. Carbon dioxide (CO2) represents about 66% of the planet’s total GHG emissions, with soil organic carbon being one of the main terrestrial reservoirs for the storage and exchange of atmospheric carbon (C), as agricultural soils can act as sources or sinks of this carbon depending on their use and management. Modeling carbon dynamics in agricultural areas is a strategic action to reduce uncertainties associated with GHG mitigation processes and improve analysis capabilities for constructing more accurate scenarios. In recent decades, artificial intelligence and data mining techniques have been successfully applied in modeling numerous attributes in soil science. Thus, the present study aimed to evaluate the predictive performance of machine learning algorithms for studying the relationship between soil carbon dioxide emission (FCO2) and atmospheric CO2 (xCO2) in agricultural areas in the state of Mato Grosso do Sul (MS), based on a time series from 2015 to 2017. The machine learning algorithms used were: decision tree (DT), decision trees using the algorithms Random Forest (RF) and Extreme Gradient Boosting (XGBoost). Among the three modeling algorithms to simulate soil carbon dioxide emission (FCO2) in this study, the RF and XGBoost regression models were the best performing models.
Descrição
Palavras-chave
Idioma
Português
Como citar
Lima, L. R. - Emissão de co2 do solo e sua relação com co2 atmosférico em áreas agrícolas do estado do mato grosso do sul: uma abordagem de aprendizado de máquina - 2024, 36f - Trabalho de Conclusão de Curso (Graduação em Engenharia Agronômica) - Universidade Estadual Paulista "Julio de Mesquita Filho", Jaboticabal, 2024