Aprendizado de máquina na modelagem temporal da emissão de CO2 do solo em áreas agrícolas no Cerrado brasileiro

• Ano de defesa: 2020
• Autor(a) principal: Canteral, Kleve Freddy Ferreira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Respiração do solo; Mudança climática; Reflorestamento; Modelagem ambiental; RNA; ANFIS
• Link de acesso: http://hdl.handle.net/11449/193513

As mudanças no uso da terra e floresta afetam diretamente a dinâmica de carbono entre o sistema solo-atmosfera, portanto assumem importante papel no âmbito das mudanças climáticas. A aplicação de aprendizado de máquina é uma alternativa promissora para modelar sistemas complexos não lineares, como a emissão de CO2 de solo (FCO2), fornecendo informações que auxiliem no planejamento e gestão de terras na mitigação do efeito estufa adicional. Nesse contexto, o objetivo deste trabalho foi avaliar o desempenho preditivo de redes neurais artificiais (RNAs), usando três diferentes arquiteturas (GRNN, MLP e RBF), e do sistema de inferência adaptativo neuro-difuso (ANFIS) na modelagem da variabilidade temporal da FCO2 em diferentes usos do solo na região do Cerrado brasileiro e indicar a técnica mais eficiente. O conjunto de dados deste estudo foi composto por 14 variáveis físicas e químicas do solo em áreas de eucalipto, pinus e reflorestamento com árvores de espécies nativas (mata nativa), totalizando 1500 observações ao longo de 193 dias de estudo, entre novembro de 2015 a maio de 2016. As variáveis de entrada das RNAs e ANFIS foram otimizadas pela análise de correlação canônica (ACC). Os ajustes dos modelos foram testados por análise de variância (teste F ao nível de 1% de significância) e a precisão e acurácia foram avaliadas com base no erro médio absoluto (MEA), erro quadrático médio (RMSE), erro percentual absoluto médio (MAPE), coeficiente de correlação de Pearson (r), índice de concordância (d) e coeficiente de confiança (c). A ACC apresentou alto coeficiente de determinação canônico (R²) (0,764) e as cargas canônicas cruzadas indicaram diferentes variáveis para constituir os modelos. As RNAs mostraram melhor desempenho preditivo que a abordagem ANFIS, exibindo baixos erros e altas correlações associadas ao modelo global durante a fase de calibração (R² = 0,79; RMSE = 0,70 µmol m-2 s-1) e validação (R² = 0,65; RMSE = 0,85 µmol m-2 s-1). O desempenho dos modelos individuais e global foi altamente sensível à seleção das variáveis de entrada e a topologia GRNN apontou a maior precisão das RNAs. Nesse contexto, a modelagem da FCO2 mostrou desempenhos satisfatórios e estes dados podem ser usados na elaboração de relatórios sobre fontes e sumidouros de GEE e assim traçar estratégias para apoiar a mitigação climática, especialmente em regiões tropicais, onde as emissões de CO2 do solo são frequentemente mais altas.