Aprendizado de máquina em dados de espectroscopia do infravermelho próximo para estimativa do teor de carbono orgânico total no solo

• Ano de defesa: 2025
• Autor(a) principal: Jesus, Gabriel Passos de
• Orientador(a): Caires, Eduardo Fávero
• Banca de defesa: Campus Júnior , Arion de , Faria , André Luiz Lopes de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual de Ponta Grossa
• Programa de Pós-Graduação: Programa de Pós Graduação Computação Aplicada
• Departamento: Departamento de Informática
• País: Brasil
• Palavras-chave em Português: espectroscopia; solos tropicais; aprendizado de máquina; carbono orgânico total; modelos regressivos; spectroscopy; tropical soils; machine learning; total organic carbon; regression models
• Área do conhecimento CNPq: Computação
• Link de acesso: http://tede2.uepg.br/jspui/handle/prefix/4557

Com o advento da agricultura de precisão, novas tecnologias passaram a ser utilizadas no campo. Nos últimos anos, houve expansão de correntes teóricas e novas práticas que contribuem para uma agricultura mais sustentável e limpa, por meio de soluções para processos que, até então, eram considerados poluentes para o meio ambiente e onerosos financeiramente. Assim, a utilização de técnicas de espectroscopia – com ênfase no NIRS – aliada às técnicas de aprendizado de máquina têm sido vistas como alternativa para dirimir os efeitos causados pela poluição com reagentes químicos, bem como a diminuição de custos operacionais. O presente trabalho tem como objetivo geral a determinação de modelos de estimativa dos teores de carbono orgânico no solo com a utilização de técnicas de aprendizado de máquina. O trabalho tem como objetivos específicos a construção de bases de dados de leitura espectral na região do infravermelho, a identificação de técnicas de aprendizado de máquina que se mostrem adequadas para o perfil das bases de dados criadas e avaliar, por meio do coeficiente R², o potencial do uso dos modelos gerados. As amostras de solo para este estudo foram coletadas de um experimento de longa duração (pouco mais de 30 anos) realizado em Ponta Grossa, Paraná. Para este trabalho foram utilizados seis algoritmos, a saber: Huber Regressor, Extra Trees Regressor, Catboost Regressor, ElasticNet, Lasso e Bayesian Ridge Regressor. O algoritmo Huber Regressor se destacou como melhor, considerando a base quadrática (R² = 0,86) e base padrão sem transformação (R2 = 0,66). Já, para a base logarítmica, o maior destaque foi do algoritmo Extra Trees Regressor (R² = 0,54).