Desenvolvimento de um sistema de baixo custo para aquisição do espectro de reflectância do solo

Abstract

Esta tese teve como objetivo estudar a utilização de um espectrorradiômetro de baixo custo para fornecer suporte às técnicas de agricultura de precisão, visando o manejo da fertilidade do solo. A tese foi dividida em dois capítulos, nos quais foram investigados o uso da reflectância de amostras de solo obtidas com o espectrorradiômetro de baixo custo como entrada em modelos de aprendizado de máquina (ML). O primeiro capítulo teve o objetivo de avaliar o uso das refletâncias como entrada de modelos supervisionados de ML para predição de atributos do solo. Foram utilizadas 417 amostras de solo provenientes de duas áreas agrícolas, uma localizada em Barbacena/MG (Área 1) e outra em Tabaporã/MT (Área 2). As refletâncias na faixa de 410 a 1.600 nm foram coletadas utilizando amostras de solo seca e saturada. Após a correção do espalhamento utilizando o método Standard Normal Variate (SNV), foram calculados índices espectrais do tipo índices por diferença (DI), índices normalizados (NI) e índices por diferença normalizada (NDI). Os índices mais significativos para predição de cada atributo foram selecionados utilizando o algoritmo de seleção genética. Os índices selecionados foram utilizados como entrada dos modelos de ML para a predição dos atributos químicos das amostras de solo. Foram avaliados os modelos Random Forest (RF), Support Vector Machine Regression (SVM), Partial Least Squares Regressor (PLSR) e Multi-layer Perpectron (MLP). Os atributos do solo estudados foram o pH em água, fósforo disponível (P), potássio (K), cálcio (Ca2+), magnésio (Mg2+), capacidade de troca de cátions efetiva (t), capacidade de troca de cátions potencial (T), fósforo remanescente (Prem) e matéria orgânica (MO). Durante a validação cruzada dos dados de teste, os modelos apresentaram coeficiente de determinação (R²) variando de 0,50 a 0,68 e desvio residual da predição (RPD) entre 1,42 e 1,80. Foi possível obter estimativas satisfatórias para Ca2+, t e Prem em ambas as áreas de estudo, bem como para pH, K, T e MO nas amostras da Área 2 e Mg2+ nas amostras da Área 1. Assim podemos notar que a o tipo de solo têm impacto direto na performance do espectrorradiômetro, evidenciando que os modelos gerados são dependentes desses fatores. No segundo capítulo, o objetivo foi avaliar se as assinaturas espectrais obtidas pelo sensor podem ser utilizadas para definir zonas de manejo (ZM) baseadas na fertilidade do solo. Para isso, foram selecionadas 112amostras de solo georreferenciadas, presentes em uma área agrícola de 123 ha localizada em Tabaporã/MT. As assinaturas espectrais foram utilizadas para cálculo de índices espectrais. Os índices do tipo NI, DI e NDI foram calculados utilizando 16 comprimentos de onda relacionados com compostos orgânicos e minerais do solo descritos na literatura. A seguir, os índices foram utilizados como entrada na análise de componentes principais. Foram geradas ZM utilizando a primeira componente principal (PC1) e ZM utilizando o conjunto das cinco primeiras componentes (PC1 a 5), por meio do algoritmo Fuzzy K-Means. O erro calculado em relação à média das ZM geradas foi comparado com os erros gerados por diferentes metodologias de amostragem do solo. As metodologias de amostragem utilizadas para comparação foram amostragem em grid com 112 amostras (Grid 1), amostragem em grid com 30 amostras (Grid 2), o método convencional e definição de ZM aleatórias. Os erros foram calculados para as variáveis pH, Ca2+, Mg2+, K, t, T, P, Prem, MO e Argila. As ZMs geradas com a PC1 e com as PC1 a 5 apresentaram erros menores do que a definição aleatória de ZMs. Os erros obtidos pelas ZM foram menores que os da amostragem convencional e similares aos erros da utilização do Grid 2. As zonas de manejo criadas pela metodologia proposta permitiram a separação de zonas homogêneas dos atributos do solo com erros menores em comparação com a divisão da área de forma aleatória, e próximos ao erro do Grid 2. Como é necessária apenas uma amostra composta para caracterizar cada ZM, o uso do espectrorradiômetro possibilitou reduzir o número de amostras necessárias para delimitar as zonas de manejo, sem perda na qualidade dos resultados quando comparado com um grid menos denso. Palavras-chave: aprendizagem de máquina; espectrometria do solo; agricultura de precisão.This thesis aims to study the use of a low-cost spectroradiometer to support precision agriculture techniques for soil fertility management. The thesis was divided into two chapters, in which the use of reflectance from soil samples obtained with the low-cost spectroradiometer as input in machine learning (ML) models was investigated. The first chapter aimed to evaluate the use of reflectance as input in supervised ML models for predicting soil attributes. A total of 417 soil samples from two agricultural areas, one located in Barbacena/MG (Area 1) and another in Tabaporã/MT (Area 2), were used. Reflectance in the range of 410 nm to 1600 nm was collected using dried and saturated soil samples. After scatter correction using the Standard Normal Variate (SNV) method, spectral indices of the type of difference indices (DI), normalized indices (NI), and normalized difference indices (NDI) were calculated. The most significant indices for predicting each attribute were selected using the genetic selection algorithm. The selected indices were used as input for the ML models. The Random Forest (RF), Support Vector Machine Regression (SVM), Partial Least Squares Regressor (PLSR), and Multi-layer Perceptron (MLP) models were evaluated. The soil attributes studied were water pH, available phosphorus (P), potassium (K), calcium (Ca), magnesium (Mg), effective cation exchange capacity (CTC), potential cation exchange capacity (CTCP), remaining phosphorus (Prem), and organic matter (OM). During the cross-validation of the test data, the models presented R² ranging from 0.50 to 0.68 and RPD between 1.42 and 1.80. Satisfactory predictions were possible for Ca, CTC, and Prem in both study areas, as well as for pH, K, CTCP, and MO in samples from Area 2 and Mg in samples from Area 1. The results indicate that the embedded system was able to make accurate predictions of soil attributes and performs similarly to conventional spectroradiometers. In the second chapter, the objective was to evaluate whether the spectral signatures obtained by the sensor can be used to define soil fertility management zones (MZ). For this purpose, 112 georeferenced soil samples from a 123-ha agricultural area located in Tabaporã/MT were selected. The spectral signatures were used to calculate spectral indices. The indices of the NI, DI, and NDI types were calculated using 16 wavelengths related to organic and mineral compounds of the soil described in the literature. The indices were thenused as input for principal component analysis. SMZs were generated using the first principal component (PC1) and MZs using the set of the first five components (PC1 to 5) using the Fuzzy K-Means algorithm. The resulting error associated with the generated MZs was compared to errors generated by different soil sampling methodologies. The sampling methodologies used for comparison were grid sampling with 112 samples (Grid 1), grid sampling with 30 samples (Grid 2), conventional sampling, and random MZ definition. The errors were calculated for the variables pH, Ca, Mg, K, CTC, CTCP, P, Prem, MO, and Clay. The MZs generated with PC1 and with PC1 to 5 had smaller errors than the random MZ definition. The errors obtained by the MZs were smaller than those of conventional sampling and like the errors of using Grid 2. The soil management zones created by the proposed methodology allowed the separation of homogeneous soil attribute zones with smaller errors compared to random area division and close to the error of Grid 2. The use of the embedded system made it possible to reduce the number of necessary samples to define the SMZs without loss of result quality. Keywords: machine learning; soil spectrometry; precision agriculture.