Machine learning for prediction of soil carbon stock changes in sugarcane crop due to straw removal (2021)
- Authors:
- Autor USP: ARAUJO, RALF VIEIRA DE - ESALQ
- Unidade: ESALQ
- Sigla do Departamento: LSO
- DOI: 10.11606/D.11.2021.tde-11102021-103725
- Subjects: APRENDIZADO COMPUTACIONAL; CANA-DE-AÇÚCAR; CARBONO; PALHAS; SOLOS
- Language: Inglês
- Abstract: O Brasil estabeleceu políticas energéticas e climáticas que fomentam o uso de biocombustíveis como o etanol da cana-de-açúcar. Uma prática crescente é usar os resíduos da colheita, a palha de cana-de-açúcar, para cogeração de energia elétrica ou para produzir etanol de segunda geração. Neste estudo, objetivou-se prever mudanças de curto prazo nos estoques de carbono orgânico do solo de acordo com a massa de resíduos depositada na colheita utilizando técnicas de aprendizado de máquina (AM). Foram feitas também considerações sobre o atual estado da arte relativo à aplicação de AM nas ciências do solo, com ênfase em solos tropicais e estoques de carbono do solo. Os dados iniciais foram gerados entre 2015 e 2018 em cinco áreas de cultivo comercial de cana-de-açúcar na região centro-sul do Brasil e as variáveis disponíveis relacionam-se ao clima, atributos físicos e químicos do solo, matéria orgânica e variedade cultural. A variável predita (y) foi a taxa de variação do estoque de carbono por área por ano (Mg C ha-1 ano-1) em relação à massa seca total da palha. O conjunto de dados inicial foi dividido em treino (80%) e teste (20%) e oito modelos baseados em algoritmos de AM foram desenvolvidos utilizando Random Forest (RF) e Support Vector Machine (SVM) associados a quatro métodos de seleção de atributos. Os resultados foram avaliados pela raiz do erro quadrático médio (RMSE) com validação cruzada no conjunto treino e RMSE da predição no conjunto de teste. Os modelos treinadosforam comparados com a adoção de valores médios de y estratificados por massa de palha depositada e camada de solo e entre eles (p < 0,05). Todos os modelos AM superaram a generalização de valores médios de y previamente conhecidos. O modelo SVM aplicado ao conjunto de atributos selecionado por RF apresentou melhor desempenho com redução considerável no número de atributos, o que poderia reduzir os custos e esforço de aquisição e processamento de dados em aplicações futuras. Conclui-se que modelos de AM são boas ferramentas para prever mudanças de curto prazo nos estoques de carbono devido à remoção total ou parcial da palha do campo. Os resultados obtidos e metodologia aplicada tem potencial de auxiliar produtores e gestores a identificar ralações de causa-efeito entre as condições locais de cultivo, o manejo da palhada adotado e as variações esperadas no carbono orgânico do solo
- Imprenta:
- Publisher place: Piracicaba
- Date published: 2021
- Data da defesa: 31.08.2021
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
ARAUJO, Ralf Vieira de. Machine learning for prediction of soil carbon stock changes in sugarcane crop due to straw removal. 2021. Dissertação (Mestrado) – Universidade de São Paulo, Piracicaba, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11140/tde-11102021-103725/. Acesso em: 01 maio 2024. -
APA
Araujo, R. V. de. (2021). Machine learning for prediction of soil carbon stock changes in sugarcane crop due to straw removal (Dissertação (Mestrado). Universidade de São Paulo, Piracicaba. Recuperado de https://www.teses.usp.br/teses/disponiveis/11/11140/tde-11102021-103725/ -
NLM
Araujo RV de. Machine learning for prediction of soil carbon stock changes in sugarcane crop due to straw removal [Internet]. 2021 ;[citado 2024 maio 01 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11140/tde-11102021-103725/ -
Vancouver
Araujo RV de. Machine learning for prediction of soil carbon stock changes in sugarcane crop due to straw removal [Internet]. 2021 ;[citado 2024 maio 01 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11140/tde-11102021-103725/
Informações sobre o DOI: 10.11606/D.11.2021.tde-11102021-103725 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
