Dissertação/Tese REFLECTÂNCIA vis-NIR-SWIR NO MAPEAMENTO DIGITAL E NA MODELAGEM DE ATRIBUTOS DO SOLO - PPGPV

O uso de tecnologia na agricultura vem crescendo a cada dia, ferramentas que auxiliam no manejo do solo são importantes para a tomada de decisões. Assim, este trabalho foi desenvolvido para contribuir com informações, que são relevantes para os produtores e pesquisadores e os resultados da pesquisa apresentados em dois artigos científicos. No primeiro artigo os objetivos foram caracterizar e representar a variabilidade espacial dos espectros dos solos estudados quanto à sua dependência, através de análise estatística multivariada e geoestatística, e testar e avaliar a eficiência de algoritmo de clusterização (reconhecimento de padrões) no mapeamento digital do solo com base no comportamento espectral considerando suas variações em profundidade, comparado ao mapeamento convencional. As análises espectrais foram realizadas com o sensor FieldSpec Pro com resolução de 1 nm na faixa de 400 a 1100 nm e 2 nm entre 1100 e 2500 nm, as amostras de solos foram obtidas por meio de tradagens utilizando o trado holandês, nas profundidades: 0-20; 20-40; 40-60; 60-80 e 80-100 cm. O comportamento espectral vis-NIR-SWIR dos solos estudados apresentou dependência espacial independentemente da profundidade avaliada. Isso possibilitou a obtenção de um mapa preliminar de solo, definindo unidades de mapeamentos distintas, o qual pode servir como uma ferramenta auxiliar em trabalhos de levantamento e mapeamento convencionais. No segundo artigo, o objetivo foi avaliar a modelagem, utilizando métodos baseado em aprendizado de máquina, com os seguintes algoritmos: máquina de vetor suporte (SVM), com as funções de Kernel linear e radial, mínimos quadrados parciais (PLSR), árvores de regressão (BT), Cubist e florestas aleatórias (RF). O desempenho preditivo foi avaliado com base nos valores de R², RMSE e RPIQ, posterior submetidos a uma análise de variância e teste de Tukey (α ≤ 5%) entre os modelos. O modelo Cubist apresentou do melhor desempenho para 85,72% dos atributos estudados (Dp, argila, areia, CO, pH e CE) é o SVM-L para 14,28% (silte). Embora os atributos Dp, CO, pH e CE apresentaram desempenhos ruins (R² < 0,60) entretanto os erros associados a predição (RMSE e RPIQ) não foram altos, viabilizando a modelagem.

The use of technology in agriculture has been growing every day, and tools that assist in soil management are important for decision-making. Thus, this work was developed to contribute with information that is relevant to producers and researchers, and the research results presented in two scientific articles. In the first article, the objectives were to characterize and represent the spatial variability of the spectra of the studied soils regarding their dependence, through multivariate statistical analysis and geostatistics, and to test and evaluate the efficiency of a clustering algorithm (pattern recognition) in digital soil mapping based on spectral behavior considering its variations in depth, compared to conventional mapping. Spectral analyses were performed with the FieldSpec Pro sensor with a resolution of 1 nm in the range of 400 to 1100 nm and 2 nm between 1100 and 2500 nm. Soil samples were obtained by auger drilling using a Dutch auger, at depths: 0-20; 20- 40; 40-60; 60-80 and 80-100 cm. The vis-NIR-SWIR spectral behavior of the studied soils showed spatial dependence regardless of the evaluated depth. This made it possible to obtain a preliminary soil map, defining distinct mapping units, which can serve as an auxiliary tool in conventional surveying and mapping work. In the second article, the objective was to evaluate the modeling, using methods based on machine learning, with the following algorithms: support vector machine (SVM), with linear and radial kernel functions, partial least squares (PLSR), regression trees (BT), Cubist and random forests (RF). The predictive performance was evaluated based on the values of R², RMSE and RPIQ, later subjected to an analysis of variance and Tukey's test (α ≤ 5%) between the models. The Cubist model presented the best performance for 85.72% of the attributes studied (Dp, clay, sand, CO, pH and EC) and the SVM-L for 14.28% (silt). Although the attributes Dp, CO, pH and EC presented poor performances (R² < 0.60), however, the errors associated with the prediction (RMSE and RPIQ) were not high, making the modeling viable.