Aprendizado de máquina na modelagem temporal da emissão de CO2 do solo em áreas agrícolas no Cerrado brasileiro

Abstract

As mudanças no uso da terra e floresta afetam diretamente a dinâmica de carbono entre o sistema solo-atmosfera, portanto assumem importante papel no âmbito das mudanças climáticas. A aplicação de aprendizado de máquina é uma alternativa promissora para modelar sistemas complexos não lineares, como a emissão de CO2 de solo (FCO2), fornecendo informações que auxiliem no planejamento e gestão de terras na mitigação do efeito estufa adicional. Nesse contexto, o objetivo deste trabalho foi avaliar o desempenho preditivo de redes neurais artificiais (RNAs), usando três diferentes arquiteturas (GRNN, MLP e RBF), e do sistema de inferência adaptativo neuro-difuso (ANFIS) na modelagem da variabilidade temporal da FCO2 em diferentes usos do solo na região do Cerrado brasileiro e indicar a técnica mais eficiente. O conjunto de dados deste estudo foi composto por 14 variáveis físicas e químicas do solo em áreas de eucalipto, pinus e reflorestamento com árvores de espécies nativas (mata nativa), totalizando 1500 observações ao longo de 193 dias de estudo, entre novembro de 2015 a maio de 2016. As variáveis de entrada das RNAs e ANFIS foram otimizadas pela análise de correlação canônica (ACC). Os ajustes dos modelos foram testados por análise de variância (teste F ao nível de 1% de significância) e a precisão e acurácia foram avaliadas com base no erro médio absoluto (MEA), erro quadrático médio (RMSE), erro percentual absoluto médio (MAPE), coeficiente de correlação de Pearson (r), índice de concordância (d) e coeficiente de confiança (c). A ACC apresentou alto coeficiente de determinação canônico (R²) (0,764) e as cargas canônicas cruzadas indicaram diferentes variáveis para constituir os modelos. As RNAs mostraram melhor desempenho preditivo que a abordagem ANFIS, exibindo baixos erros e altas correlações associadas ao modelo global durante a fase de calibração (R² = 0,79; RMSE = 0,70 µmol m-2 s-1) e validação (R² = 0,65; RMSE = 0,85 µmol m-2 s-1). O desempenho dos modelos individuais e global foi altamente sensível à seleção das variáveis de entrada e a topologia GRNN apontou a maior precisão das RNAs. Nesse contexto, a modelagem da FCO2 mostrou desempenhos satisfatórios e estes dados podem ser usados na elaboração de relatórios sobre fontes e sumidouros de GEE e assim traçar estratégias para apoiar a mitigação climática, especialmente em regiões tropicais, onde as emissões de CO2 do solo são frequentemente mais altas.

Changes in land and forest use directly affect the carbon dynamics between the soil-atmosphere system and therefore assume an important role in the context of climate change. The machine learning application is a promising alternative for modeling complex non-linear systems, such as CO2 emission from soil (FCO2), providing information to assist in land planning and management in mitigating the additional greenhouse effect. In this context, the objective of this work was to evaluate the predictive performance of artificial neural networks (ANNs), using three different architectures (GRNN, MLP and RBF), and the adaptive neuro-fuzzy inference system (ANFIS) in modeling the temporal variability of the FCO2 in different land uses in the Brazilian Cerrado region and indicate the most efficient technique. The data set of this study was composed of 14 physical and chemical variables of the soil in areas of eucalyptus, pine and reforestation with trees of native species (native forest), totaling 1500 observations over 193 study days, from November 2015 to May 2016. The RNA and ANFIS input variables were optimized by the canonical correlation analysis (ACC). The adjustments of the models were tested by analysis of variance (F test at the level of 1% significance) and precision and accuracy were assessed based on the mean absolute error (MEA), mean square error (RMSE), mean absolute percentage error ( MAPE), Pearson's correlation coefficient (r), agreement index (d) and confidence coefficient (c). The ACC presented a high canonical determination coefficient (R²) (0.764) and the crossed canonical loads indicated different variables to constitute the models. The ANNs showed better predictive performance than the ANFIS approach, showing low errors and high correlations associated with the global model during the calibration phase (R² = 0.79; RMSE = 0.70 µmol m-2 s -1 ) and validation (R² = 0.65; RMSE = 0.85 µmol m-2 s -1 ). The performance of the individual and global models was highly sensitive to the selection of the input variables and the GRNN topology pointed out the greater accuracy of the ANNs. In this context, FCO2 modeling has shown satisfactory performance and these data can be used in reporting on GHG sources and sinks and thus outline strategies to support climate mitigation, especially in tropical regions, where CO2 emissions from soil are often taller.