Ferramentas computacionais para suporte a decisão no mapeamento de atributos do solo

• Ano de defesa: 2021
• Autor(a) principal: Pereira, Gustavo Willam
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; Engenharia Agrícola
• Palavras-chave em Português: Agricultura de precisão; Sistema de informação geográfica; Aprendizado do computador; Mecanização Agrícola
• Link de acesso: https://locus.ufv.br//handle/123456789/29872; https://doi.org/10.47328/ufvbbt.2021.179

A agricultura de precisão (AP) é uma técnica de gestão agrícola baseada na observação, medição e resposta às variabilidades espaciais e temporais que ocorrem nas áreas de produção agrícola e de pastagens. A sua adoção pode ser feita por meio de sistemas de apoio à decisão que tem por objetivo maximizar os lucros e aumentar a eficiência no uso de insumos. Em AP, o mapeamento das características físicas e químicas do solo permite estimar com maior precisão a variabilidade espacial do solo. O desenvolvimento de sistemas de informação geográfica (SIG) e sua utilização têm aumentado consideravelmente nos últimos anos, sendo, portanto, utilizado em larga escala na AP. Dado um conjunto de pontos amostrados deseja-se obter mapas dos atributos de solo ou inferir valores em lugares específicos em locais não amostrados, para isso técnicas de interpolação são utilizadas. Existem diversos métodos interpoladores, sendo a Krigagem Ordinária (OK) um dos mais usados. Entretanto, desde o início do século XXI tem havido um interesse crescente em utilizar algoritmos baseados em dados para a geração dos mapas. Estes algoritmos são conhecidos sob o nome “Machine Learning” e têm-se mostrados eficientes para produzir previsões espaciais. As técnicas de amostragem de solo e a densidade de amostragem são fatores determinantes para a geração de mapas interpolados dos atributos de solo. Entretanto o custo de análise para uma amostragem convencional mais densa do solo torna-se muitas vezes inviável o processo. Sendo assim técnicas alternativas que apresentem menores custos para amostragem de atributos do solo devem ser implementadas. Assim o presente trabalho tem como objetivo desenvolver um software de suporte a tomada de decisão em AP e analisar diferentes estratégias de amostragem para caracterização da variabilidade espacial dos atributos físicos e químicos do solo. O software desenvolvido consistiu de um plugin (complemento) para o QGIS (programa de computador livre e de código aberto para SIG) para a interpolação de atributos do solo por meio do método da Krigagem Ordinária e da técnica de aprendizado de Máquina “Support Vector Machine” (SVM). Para isso linguagens de programação como Python e ferramentas de código aberto do QGIS foram utilizadas, dispensado a aquisição de licenças. O método SVM foi implementado de tal forma que covariáveis pudessem ser adicionadas ao modelo. Isso possibilitou que variáveis obtidas de forma mais adensada em campo pudessem ser adicionadas na geração dos mapas de atributos do solo. O interpolador Inverso da Distância Ponderada (IDW) foi utilizado para ajustar o número de observações das layers em formato shape e/ou raster do QGIS ao número de observações da tabela de atributos para a geração dos mapas. O plugin foi desenvolvido de forma a permitir que a própria variável fosse adicionada como covariável ao modelo SVM por meio do interpolador IDW. Em três estudos de caso a técnica SVM apresentou um desempenho superior ao método OK com maiores valores de Rº e menores valores de RMSE. As três áreas de estudo foram amostradas utilizando-se diferentes densidades amostrais. O Índice de Moran foi utilizado para medir a correlação espacial entre os pontos amostrados. No primeiro estudo de caso, em uma área de 20,2 ha com 141 pontos amostrados, o método OK apresentou valores de Rº superior em três dos dez atributos de solo analisados. O Índice de Moran para estes três atributos apresentaram valores superiores a 0,/2 e significativos ao nível de 5% de probabilidade medido pelo seu p-valor. No segundo estudo de caso, realizado em uma área de 204 ha com 204 pontos amostrados, OK foi superior para cinco atributos em dez analisados, com Índice de Moran variando entre 0,71 e 0,84, todos significativos. Para estes dois estudos de caso o método SVM foi utilizado tendo apenas a própria variável interpolada pelo método IDW como covariável. Já no terceiro estudo de caso, em uma área de 90 ha com 181 pontos coletados, foram utilizadas no método SVM, além da própria covariável, outras covariáveis de fácil aquisição como condutividade elétrica aparente (ECa) do solo ou atributos que se modificam pouco ao longo do tempo como altitude, matéria orgânica, silte, argila e areia. Neste terceiro estudo de caso as amostras foram divididas em dois conjuntos de treinamento e teste. Para o conjunto de treinamento o método SVM com utilização de covariáveis foi superior ao OK para todas as variáveis analisadas em três densidades de grids amostrais. Palavras-chave: Sistemas de informações geográficas. Krigagem ordinária. Aprendizado de máquina. Amostragem de solo. Variabilidade espacial.