| Resumo: |
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. |
|---|
