Pesquisa realizada na ESALQ/USP – Predição de atributos do solo por sensores

Publicado em: 22/11/2024.

Ricardo Canal Filho elaborou sua dissertação intitulada “Online near-infrared spectroscopy for soil attributes prediction” para obtenção do título de Mestre em Ciências na área de concentração Engenharia de Sistemas Agrícolas, sob a orientação do Prof. José Paulo Molin, docente da ESALQ/USP e do Programa SolloAgro.

Imagem: Mapas de cada atributo avaliado demonstrando a espacialização das diferenças observadas nas previsões dos dois dias, calculadas pela subtração do Dia 21 – Dia 1. Fonte: Ricardo Canal Filho.

A agricultura de precisão utiliza a identificação da variabilidade espacial e temporal dos atributos que influenciam a produção agrícola. Por isso, técnicas que permitem o monitoramento do solo e das culturas vêm sendo estudadas.

Um exemplo dessas técnicas é a espectroscopia de reflectância difusa (DRS), que permite coletar espectros de solo na região do infravermelho próximo (NIR) direto no campo, com sensores acoplados em máquinas agrícolas.

A seguir, vamos entender melhor alguns pontos relacionados ao tema.

Reflectância Difusa no Infravermelho Próximo (DRS-NIR)

É uma técnica que utiliza a interação da luz com o solo para capturar informações sobre suas propriedades químicas e físicas. Por meio da absorção, reflexão ou transmissão da luz, é possível criar padrões específicos que podem ser analisados.

Esses padrões espectrais estão relacionados a diferentes atributos do solo, classificados em:

1. Atributos Primários: Essas propriedades possuem respostas espectrais claras e servem como base para calibrar modelos. Está enquadrado características como mineralogia, textura e matéria orgânica.
2. Atributos Secundários: São estimados indiretamente, pela correlação com os atributos primários, como CTC (Capacidade de Troca Catiônica), pH e nutrientes.).

Embora amplamente aplicada em laboratório, o desafio está em adaptá-la para uso direto no campo, possibilitando a coleta de dados em tempo real e em alta densidade.

A técnica depende de modelos de aprendizado de máquina (ML) que traduzem os espectros em informações que podem ser utilizadas nas decisões de manejo.

Para que o mapeamento em alta resolução seja viável, é essencial compreender os protocolos de calibração. Isso inclui avaliar se os espectros NIR online mantêm estabilidade ao longo do tempo e se os modelos precisam de calibrações locais para serem eficazes.

Métodos de redução de dimensionalidade, como a Regressão por Componentes Principais (PCR), são usados para simplificar dados complexos. Para avaliar a precisão dos modelos, utiliza-se métricas como o R², que mostra o quanto os dados explicam a variação dos resultados, e o RMSE e MAE, que medem o erro nas previsões feitas pelo modelo.

Considerando que essa técnica é pouco desenvolvida para solos tropicais, como os do Brasil, Ricardo teve como objetivo ampliar os estudos em relação ao desenvolvimento dessa técnica em solos brasileiros.

A pesquisa

Agora, vamos explorar a pesquisa conduzida por Ricardo e destacar os principais aspectos.

A pesquisa foi conduzida em uma área experimental da Universidade de São Paulo, em Piracicaba-SP. No local, foi cultivado soja no verão seguido de pousio no inverno.

Imagem: Localização das áreas de onde foram adquiridas amostras para calibração dos modelos. Em destaque, o formato do campo experimental, os transectos sensorizados, a aquisição de pontos espectrais e as amostras de solo associadas. Fonte: Ricardo Canal Filho (adaptada).

Nestes locais foram testados diferentes modelos estatísticos para predição de atributos químicos e físicos do solo, com uso de protocolos de calibração e de DRS em campo.

Imagem: Demonstração gráfica da metodologia utilizada no estudo. Fonte: Ricardo Canal Filho (adaptada).

Para calibrar modelos preditivos, 72 amostras de solo foram coletadas e analisadas em laboratório, abrangendo atributos como argila, areia, matéria orgânica, CTC, pH e potássio.

Resultados da pesquisa

Ricardo constatou que as técnicas de redução de dimensionalidade, como a regressão por componentes principais, foram mais eficazes do que as técnicas não lineares para a calibração de modelos de aprendizado de máquina.

Além disso, os métodos comuns de pré-processamento de espectros não melhoraram a precisão dos modelos, indicando que não ajudaram a identificar dados ruidosos ou redundantes.

Os resultados também mostraram que as estratégias mais eficientes para calibrar os modelos preditivos foram aquelas calibradas com amostras da própria área experimental. Este fato demonstra a importância da calibração local para obter previsões mais precisas no uso dessa técnica de monitoramento do solo.

Imagem: Distribuição dos 20 pares de espectros mais correlacionados (dia 1 x dia 21) no campo experimental. Cada par é composto por um espectro do dia 1 e seu espectro correlacionado correspondente do dia 21, representados pela mesma forma geométrica (quadrado ou círculo) e cor. Fonte: Ricardo Canal Filho.

Quanto à estabilidade temporal dos espectros de NIR online, ele encontrou dificuldades, já que os modelos calibrados em um dia não apresentaram desempenho consistente em uma aquisição subsequente, mesmo com as mesmas condições experimentais.

Conclusão

Com base nesses resultados, Ricardo concluiu que o uso de espectros de NIR online para a previsão de atributos do solo é viável, pois os modelos apresentaram boa qualidade preditiva, tanto na quantificação quanto na espacialização dos valores.

Seu estudo pode auxiliar no desenvolvimento das práticas de agricultura de precisão e oferecer diretrizes para futuras pesquisas na área, a fim de estabelecer seu uso em larga escala na agricultura.

Ficou interessado(a)? Para conferir a dissertação completa clique aqui.