USING DIGITAL MAPPING AND ARTIFICIAL INTELLIGENCE TO PREDICT SOIL QUALITY IN THE CENTRAL PORTION OF THE ITAPEMIRIM RIVER BASIN, SOUTHEASTERN BRAZIL
Nome: KARGEAN VIANNA BARBOSA
Data de publicação: 31/08/2023
Banca:
Nome |
Papel |
|---|---|
| ALEXANDRE ROSA DOS SANTOS | Examinador Interno |
| DANILO DE LIMA CAMELO | Examinador Interno |
| DAVID DE ANDRADE COSTA | Examinador Externo |
| DIEGO LANG BURAK | Presidente |
| FILIPE ALTOÉ TEMPORIN | Examinador Externo |
Resumo: Tendo como pano de fundo a Bacia do Rio Itapemirim, esta pesquisa multifacetada investiga profundamente as complexidades geoquímicas, a modelagem preditiva e o potencial agrícola dos solos da região. O capítulo um inicia uma exploração geoquímica, enfatizando a importância da qualidade ambiental, particularmente no contexto de oligoelementos decorrentes de atividades antropogênicas ou geogênicas. Por meio de uma análise rigorosa de amostras de solo em regiões marcadas pelo magmatismo bimodal, o estudo estabelece correlações entre oligoelementos e componentes do solo, apontando para a potencial influência dos processos geológicos na qualidade do solo. O capítulo dois muda de marcha, aproveitando o poder combinado dos conjuntos de dados dos satélites Sentinel-2 e Landsat-8, processados por meio da plataforma Google Earth Engine. Algoritmos de aprendizado de máquina, desde Árvores de Decisão até Gradient Boosting, são empregados para prever as concentrações de Carbono Orgânico do Solo (SOC) e Nitrogênio Total (TN), com ênfase particular em pastagens de baixa intervenção no sudeste do Brasil. As descobertas acentuam a eficácia dos modelos de aprendizagem automática, especialmente quando combinados com dados de satélite de alta resolução. No capítulo final, é revelada uma abordagem revolucionária à Modelagem de Análise Multicritério. Esta metodologia híbrida combina a natureza determinística dos procedimentos de mapas algébricos com a capacidade preditiva da aprendizagem automática, culminando num Índice de Favorabilidade Agrícola (FFI) abrangente para a região. Os resultados oferecem uma visão granular sobre as áreas preparadas para a agricultura, com o mapa de incerteza que o acompanha servindo como um alerta.
