Resumo |
A predição de atributos físico-químicos do solo utilizando técnicas de espectroscopia e algoritmos de Machine Learning foi o objetivo de várias pesquisas realizadas nos últimos anos na área de agricultura de precisão. Muitos pesquisadores obtiveram bons resultados na predição desses atributos, mas, muitas vezes, o processo se mostrou tão dispendioso quanto as análises de solo convencionais, por consequência do elevado custo de aquisição dos equipamentos utilizados, que exigem muita exatidão e precisão. O objetivo deste trabalho foi de desenvolver um sistema embarcado de baixo custo para a obtenção da reflectância de amostras de solo nos comprimentos de onda visíveis e infravermelho próximo utilizando modelos de regressão linear e algoritmos de Machine Learning. O trabalho foi realizado no Laboratório de Mecanização Agrícola (LMA) do Departamento de Engenharia Agrícola (DEA), localizado na Universidade Federal de Viçosa, Viçosa, MG. O aparelho desenvolvido é constituído por um computador de placa única e um sensor que contém 3 matrizes de fotodiodos, que juntos são sensíveis a 18 comprimentos de onda entre 410 a 940 nm. Ele conta com um software em Python 3 com interface gráfica que permite obter, visualizar e armazenar as assinaturas espectrais. Para a calibração do sensor foram utilizadas 404 amostras de solo. Duas distâncias de medição foram testadas, dois e quatro centímetros. Os valores de reflectância aplicados no ajuste dos modelos foram obtidos utilizando um espectroradiômetro ASD FieldSpec® HandHeld 2™, sensível a um intervalo de 325 a 1075 nm. Cinco modelos de regressão baseados em Machine Learning foram ajustados para associar os valores de números digitais do sensor aos valores de reflectância. Todos os modelos apresentaram boa capacidade preditiva para os 18 comprimentos de onda. O modelo ElasticNet foi o que demonstrou melhor desempenho a dois centímetros do alvo (R2test = 0,89; RMSEtest = 0,047; RPDtest = 3,02), e, portanto, foi implementado na plataforma via software. O sistema apresentou resposta semelhante ao espectroradiômetro, mostrando-se uma alternativa confiável e de baixo custo para a obtenção de valores de reflectância do solo para a aplicação de modelos de Machine Learning na predição de atributos físico-químicos do solo. |