MAPEAMENTO DE FÓSFORO E POTÁSSIO COM KRIGAGEM E APRENDIZADO DE MÁQUINA EM AGRICULTURA DE PRECISÃO

Resumo

O avanço das geotecnologias na agricultura tem proporcionado práticas mais eficientes e sustentáveis. O mapeamento
digital de atributos do solo é uma ferramenta essencial para otimizar o uso de insumos e aumentar a produtividade. Sendo
assim, este trabalho tem como objetivo integrar técnicas geoestatística e Machine Learning para o mapeamento de
atributos do solo. O estudo foi realizado no IFSULDEMINAS – Campus Inconfidentes. Foram coletados 160 pontos
georreferenciados. Os dados foram analisados no RStudio e processados no QGIS. A comparação entre os métodos foi
realizada através de validação cruzada, utilizando os indicadores R2
e RMSE. Os resultados indicam que a krigagem
ordinária é mais eficaz na detecção de microvariações no solo, essencial para intervenções localizadas, como a aplicação
de fertilizantes. Já o modelo de aprendizado de máquina mostrou-se eficiente em gerar distribuições homogêneas, úteis
para recomendações gerais. A combinação das duas abordagens pode otimizar as práticas de agricultura de precisão,
oferecendo tanto uma visão detalhada quanto uma abordagem mais ampla para o manejo de nutrientes.