Resumo

Para realizar a interpolação por krigagem, é importante que cada ponto num semivariograma seja obtido com base no mínimo da combinação de 30 pares de pontos, em pelo menos 100 amostras.O que torna o processo caro para o produtor rural. Como alternativa, foi utilizado metodologias de machine learning, em especial, decision tree. O objetivo principal deste trabalho foi avaliar o uso da metodologia de decision tree na redução do adensamento amostral para atributos do solo visando a realização da krigagem ordinária com tamanho amostral reduzido. Para isso, foram realizadas 50 amostragens pelo algoritmo Latin Hypercube Sampling (LHS), com malhas contendo 82, 112 e 127 pontos amostrados e os valores faltantes foram preditos com decision tree, até completar 150 pontos e logo em seguida foi realizado a krigagem ordinária para as malhas MR127, MR112 e MR82, que foi gerado pela combinação das 50 predições por decision tree e avaliados os valores da Raiz Quadrada do Erro Médio (RMSE) e Média do Erro Absoluto (MAE). Foi percebido que há uma redução nestas estatísticas ao passo que reduz a quantidade de amostras originais. Ao fazer o mapa de atributos das malhas reduzidas é percebido que o padrão de concentração de micronutrientes dos solos nas malhas reduzidas segue semelhante ao padrão original, ou seja, zonas com maiores concentrações ainda continuam com concentrações elevadas e regiões com menores concentrações continuam com concentrações menores. Sendo assim, o uso das decision trees se mostraram eficientes em preservar o padrão de concentração dos micronutrientes do solo.

Palavras-chave

• Adensamento amostral
• Aprendizado estatístico
• Krigagem ordinária

Referências

• ALBUQUERQUE, J. A.; REINERT, D. J.; FIORIN, J. E. Variabilidade de solo e planta em Podzólico Vermelho-Amarelo. Revista Brasileira de Ciência do Solo, v. 20, n. 1, p. 151-157, 1996.
• BOYER, D. G.; WRIGHT, R. J.; FELDHAKE, C. M.; BLIGH, D. P. Relações de variabilidade espacial do solo em um ambiente de solo ácido de declive acentuado. Soil Science, v. 161, n. 5, p. 278-287, 1996.
• CAMBARDELLA, C. A.; MOORMAN, T. B.; NOVAK, J. M.; PARKIN, T. B.; KARLEN, D. L.; TURCO, R. F.; KONOPKA, A. E. Field‐scale variability of soil properties in central Iowa soils. Soil Science Society of America Journal, v. 58, n. 5, p. 1501-1511, 1994.
• CHERUBIN, M. R.; SANTI, A. L.; EITELWEIN, M. T.; AMADO, T. J. C.; SIMON, D. H.; DAMIAN, J. M. Dimensão da malha amostral para caracterização da variabilidade espacial de fósforo e potássio em Latossolo Vermelho. Pesquisa Agropecuária Brasileira, v. 50, p. 182- 177, 2015.
• CORÁ, J. E.; FERRARESE, C. P.; OLIVEIRA, F. S.; CORÁ, J. A.; BORGES, J. C.; LIMA, J. R.; HERRMANN, R.; CRUZ, L. M. Variabilidade espacial de atributos do solo para adoção do sistema de agricultura de precisão na cultura de cana-de-açúcar. Revista Brasileira de Ciência do Solo, Viçosa, v. 28, n. 6, p. 1013-1021, 2004. Disponível em: https://doi.org/10.1590/S0100-08232004000600010. Acesso em: 01 nov. 2023.
• DAHIKAR, S. S.; RODE, D. S. V. Agricultural crop yield prediction using artificial neural network approach. International Journal of Innovative Research in Electrical, Electronics, Instrumentation and Control Engineering, v. 2, n. 1, p. 823–826, 2014. Disponível em:
• https://www.ijireeice.com/upload/2014/ijireeice-2844.pdf. Acesso em: 23 out. 2023.
• DE OLIVEIRA, S.; SCHNEIDER,; PW. Viabilidade econômico-financeira da agricultura de precisão no cultivo do tabaco em uma propriedade rural localizada em sobradinho/rs. revista de contabilidade dom alberto, v. 13, n. 25, p. 147-176, 2024.
• EL-SAYED EWIS, O. Improving the prediction accuracy of soil mapping through geostatistics. International Journal of Geosciences, v. 2012, 2012.
• FATORGIS. Agricultura de precisão: A tecnologia de GIS/GPS chega às fazendas. Curitiba, 1998. Disponível em: http://www.fatorgis.com. Acesso em: 21 out. 2023.
• GREGO, C.R.; VIEIRA, S.R. Variabilidade espacial de propriedades físicas do solo em uma parcela experimental. Revista Brasileira de Ciência do Solo, Viçosa, v. 29, n. 2, p. 169-177, 2005. Disponível em: https://www.scielo.br/j/rbcs/article/view/32799. Acesso em: 01 nov. 2023. doi:10.1590/S0100-08232005000200002.
• IZBICKI, R.; DOS SANTOS, T. M. Aprendizado de máquina: uma abordagem estatística. Rafael Izbicki, 2020.
• ISAAKS, E. H.; SRIVASTAVA, R. M. Applied geostatistics. New York: Oxford University Press, 1989.
• JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R.; TAYLOR, J. An introduction to statistical learning: With applications in R. Springer Nature, 2013.
• MANZATTO, C. V.; BHERING, S. B.; SIMÕES, M. Agricultura de precisão: propostas e ações da Embrapa Solos. EMBRAPA Solos, 1999. Disponível em: http://www.cnps.embrapa.br/search/pesqs/proj01/proj01.html. Acesso em: 02 fev. 2023.
• MENDES, W. S.; DEMATTÊ, J. A. M.; BARROS, A. S.; SALAZAR, D. F. U.; AMORIM, M. T. A. Geostatistics or machine learning for mapping soil attributes and agricultural practices. Revista Ceres, v. 67, n. 4, p. 330–336, 2020. Disponível em: https://doi.org/10.1590/0034-737X202067040010. Acesso em: 29 jul. 2023.
• OLIVER, M.A. Exploring soil spatial variation geostatistically. In: EUROPEAN CONFERENCE ON PRECISION AGRICULTURE, 2, 1999. Odense. Proceedings. Silsoe: Sheffield, 1999. p. 03-18.
• PANTAZI, X. E.; MOSHOU, D.; ALEXANDRIDIS, T.; WHETTON, R. L.; MOUAZEN, A. M. Wheat yield prediction using machine learning and advanced sensing techniques. Computers and Electronics in Agriculture, v. 121, p. 57–65, 2016.
• PAZ-GONZÁLEZ, A.; SÁNCHEZ, J. S.; FRUTOS, M. A.; MORENO, J. A.; ALBA, L. The effect of cultivation on the spatial variability of selected properties of an umbric horizon. Geoderma, v. 97, p. 272–292, 2000.
• PEREIRA, G. W.; VALENTE, D. S. M.; DE QUEIROZ, D. M.; SANTOS, N. T.; FERNANDES-FILHO, E. I. Soil mapping for precision agriculture using support vector machines combined with inverse distance weighting. Precision Agriculture, v. 23, p. 1189-1204, 2022. Disponível em: https://doi.org/10.1007/s11119-022-09880-9. Acesso em: 01 nov. 2023.
• PYRCZ, M.; DEUTSCH, C. Geostatistical reservoir modeling. 2. ed. New York, NY: Oxford University Press, 2014.
• QU, L.; LU, H.; TIAN, Z.; SCHOORL, J. M.; HUANG, B.; LIANG, Y. Spatial prediction of soil sand content at various sampling density based on geostatistical and machine learning algorithms in plain areas. Catena, v. 234, p. 107572, 2024.
• REGHINI, F.; L; CAVICHIOLI, Fábio Alexandre. Utilização de geoprocessamento na agricultura de precisão. Revista Interface Tecnológica, v. 17, n. 1, p. 329-339, 2020.
• SOARES, A. Geoestatística para as Ciências da Terra e do Ambiente. Lisboa: IST Press, 2000.
• SOUZA, C. K.; MARQUES JÚNIOR, J.; MARTINS FILHO, M. V.; PEREIRA, G. T. Influência do relevo na variação anisotrópica dos atributos químicos e granulométricos de um Latossolo em Jaboticabal, SP. Engenharia Agrícola, v. 23, n. 3, p. 486-495, 2003.
• TANTALAKI, N.; SOURAVLAS, S.; ROUMELIOTIS, M. Data-driven decision making in precision agriculture: The rise of big data in agricultural systems. Journal of Agricultural & Food Information, v. 20, n. 4, p. 344-380, 2019.
• VIEIRA, S. R. Geoestatística em estudos de variabilidade espacial do solo. In: NOVAIS, R. F. de; ALVAREZ V., V. H.; SCHAEFER, C. E. G. R. (Ed.). Tópicos em ciência do solo. Viçosa, MG: Sociedade Brasileira de Ciência do Solo, 2000. v. 1, p. 1-54.
• YAMAMOTO, J. K.; LANDIM, P. M. B. Geoestatística: conceitos e aplicações. São Paulo: Oficina de Textos, 2013. Disponível em: https://www.ofitexto.com.br. Acesso em: 24 fev. 2023.
• YANG, L.; LI, X.; SHI, J.; SHEN, F.; QI, F.; GAO, B.; ZHOU, C. Evaluation of conditioned Latin hypercube sampling for soil mapping based on a machine learning method. Geoderma, v. 369, p. 114337, 2020.

Informações do artigo