Defesa de Dissertação (30/12/2024): Alexandre Emílio Manhães Pardelinha

Discente: Alexandre Emílio Manhães Pardelinha

Título: Aplicação de Técnicas de Aprendizado de Máquina na Determinação de Estoque de Carbono no Solo

Orientadores: Diego Nunes Brandão e Laura Silva de Assis

Banca: Jorge de Abreu Soares e Marcos Bacis Ceddia

Dia/Hora: 30 de dezembro de 2024, às 14pm;

Resumo: Os solos representam o mais significativo estoque de carbono orgânico (SOCS) nos ecossistemas terrestres, sublinhando a importância crítica de estimar com acurácia o carbono orgânico do solo para garantir a preservação das funções do solo e a mitigação das alterações climáticas globais. Este estudo emprega uma metodologia baseada em dados para estimar os estoques de carbono em solos brasileiros, comparando técnicas de aprendizado de máquina com diversas estratégias de otimização de hiperparâmetros. Após a seleção de atributos pelos métodos de Correlação de Pearson e Wrapper, o conjunto de dados referente à Amazônia consistiu em 479 observações de SOCS e 5 covariáveis de solo. Os desempenhos do modelo foram avaliados usando um procedimento de validação cruzada de 5 vezes. Os melhores desempenhos foram obtidos usando o algoritmo Random Forest (RMSE=0,938 com a técnica de otimização Random Search e MAE=0,706 com a técnica de otimização Successive Halving). Quase todos os resultados dos desempenhos nas três técnicas de otimização de hiperparâmetros apresentaram maior acurácia do que os desempenhos sem utilizar a estratégia de otimização. Os resultados demonstram o papel fundamental da seleção e processamento de dados, juntamente com a otimização de hiperparâmetros, na resolução deste problema, resultando em melhorias notáveis nas análises do erro médio absoluto (MAE) e da raiz do erro quadrático médio (RMSE).}