Estimando XCO2 em cultivos de arroz e cana-de-açúcar a partir do sistema WOFOST

• Ano de defesa: 2024
• Autor(a) principal: Laurito, Henrique Fontellas
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Aprendizado do computador; Mudanças climáticas; Agricultura sustentável; Python (Linguagem de programação de computador); Sensoriamento remoto; Machine learning; Remote Sensing; Climate change; Sustainable agriculture; Python
• Link de acesso: https://hdl.handle.net/11449/253446

A concentração de dióxido de carbono (CO2) no ar é um dos fatores que influenciam nas mudanças climáticas, que podem afetar a segurança alimentar e a qualidade de vida das pessoas, principalmente as mais vulneráveis. Por isso, é importante medir e estimar essa concentração em áreas onde se cultivam alimentos e fontes sustentáveis de energia, tais como o arroz e a cana-de-açúcar. Uma abordagem inovadora para estimar o XCO2 envolve a combinação de modelos mecanísticos de cultivo, como o WOrld FOod STudies (WOFOST), que calcula o balanço de carbono em áreas agrícolas, com modelos de aprendizado de máquina, formando um conjunto integrado de modelos (ensemble). Sendo assim, o presente trabalho utilizou dados de produtividade (SIDRA) em grandes áreas contínuas cana-de-açúcar (sequeiro) e arroz (alagadas) em uma série histórica dados de 1984 a 2022, das principais regiões produtoras do Brasil sob a hipótese de que o XCO2 poderia ser estimado a partir do ensemble dos modelos WOFOST com o Random Forest, usando dados de sensoriamento remoto (OCO-2/NASA) como fonte de XCO2 observado. Os resultados confirmam a hipótese, com: coeficiente de determinação R²= 0.81, 0.85 e 0.75; root mean square error RMSE=1.22, 1.17 e 1.3 ppm; erro médio da estimativa EME=8.0, 4.78 e 2.39 ppm para os modelos globais, sob cultivo de cana e arroz, respectivamente.