Banca de QUALIFICAÇÃO: EDUARDA CAVALCANTE AMORIM

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : EDUARDA CAVALCANTE AMORIM
DATA : 27/02/2025
HORA: 09:00
LOCAL: On line
TÍTULO:

MAPEAMENTO DE ESTOQUE DE CARBONO ORGÂNICO DO SOLO EM ESCALA REGIONAL BASEADO EM APRENDIZADO PROFUNDO COM DADOS DE SENSORIAMENTO REMOTO

PALAVRAS-CHAVES:

Machine Leaning; Mudanças climáticas; Pedometria, Amazônia

PÁGINAS: 40
RESUMO:

O aumento das emissões de dióxido de carbono (CO₂) na atmosfera se tornou notavelmente preocupante nas últimas décadas, sendo crucial o monitoramento dos estoques de carbono orgânico do solo na região amazônica, que representa um grande reservatório de carbono a nível mundial. O mapeamento preciso do estoque de carbono orgânico em escala regional apresenta uma série de desafios complexos devido à heterogeneidade espacial, à variabilidade dos processos de formação e degradação do solo, e à influência de fatores como a vegetação, o clima e o manejo do solo. A estimativa acurada em grandes áreas geográficas requer a integração de múltiplas fontes de dados e a aplicação de métodos analíticos avançados. A pesquisa tem como objetivo avaliar a eficiência de algoritmos de aprendizado profundo para determinação de estoque de carbono orgânico do solo (ECOS) no município de Capanema, no nordeste paraense. O estudo foi realizado entre julho de 2022 a julho de 2024, em área pertencente ao município de Capanema-PA, as amostras de solo foram obtidas em malha amostral de 1 ponto a cada 1.800 m, na camada de 0-20 cm. As imagens foram obtidas do satélite Sentinel 2, Modelo digital de elevação Copernicus, Google Earth Engine e fonte de dados IBGE, seguindo as datas das coletas de solo, em seguida foram processadas em software QGIS e linguagem de programação R e então selecionadas as covariáveis ambientais mais importantes para determinação do ECOS, através de três algoritmos de seleção: Boruta, recursive feature elimination (RFE), SHapley Additive exPlanations (SHAP). Os dados foram divididos e destinados para treinamento e validação dos modelos escolhidos, 70% e 30% respectivamente, sendo eles o Randon Forest (RF), Rede Neural Artificial (ANN), Support Vector Machine (SVM) e Rede Neural Profunda (DNN). Os resultados obtidos através dos modelos devem ser submetidos aos índices de Raiz do Erro Quadrático Médio (RMSE), Coeficiente de Determinação (R²) e Coeficiente de Correlação de Concordância de Lin (LCCC) para verificar suas performances e definir o melhor modelo. Como resultados parciais amaioria dos pontos amostrados foram em áreas de pastagemforam com coeficiente de variação de 49% cinsiderado médio. As covariáveis ambientais submetidas 74 covariáveis ambientais na análise de correlação de Spearman e foram eliminadas 28 covariáveis que apresentaram baixa correlação com o ECOS. Após essa etapa de mineração dos dados foram então submetidas 46 covariáveis ao algoritmo de seleção RFE, o qual montou um cenário das covariáveis mais importantes para determinação do estoque de carbono orgânico do solo, com 44 covariáveis que foram submetidas ao aprendizado de máquina com o algoritmo RF, que dessas as que tiveram mais importância para determinação do ECOS estão relacionadas ao relevo e índices de vegetação, como a TX, RSP, EPRI e MNDWI. Esses Resultados são importantes para escolher covariáveis e os modelos de machine learning mais indicados para o mapeamento digital de estoque de carbono orgânico na Amazônia.

MEMBROS DA BANCA:
Presidente - 3600530 - JOAO FERNANDES DA SILVA JUNIOR
Interna - 2121042 - SUZANA ROMEIRO ARAUJO
Externo à Instituição - GENER TADEU PEREIRA - UNESP